update api_cn of develop (#1105)

* fixed one error of api_cn

* fixed some errors of api_cn

* fixed some errors of api_cn

* fixed two errors.

* fixed two errors

* fixed one error.

* fixed one error

* fixed one error.

* fixed two errors.

* fixed one error.

* fixed two errors

* fixed two links

* synchronize api_cn with the api_en of develop.

* updated develop/api_cn

* update the api_cn of develop

* update api_cn of develop

* fixed some errors

* Delete .DS_Store

* Delete .DS_Store

* Delete .DS_Store

* Delete .DS_Store

* Delete .DS_Store

* fixed some wrong links

* fixed two links

* fixed two links and some error.

* fixed some errors.

* fixed two links

* http://newicafe.baidu.com/issue/DLTP-1771/show?from=page

* http://newicafe.baidu.com/issue/DLTP-1647/show?from=page

* http://newicafe.baidu.com/issue/DLTP-1529/show?from=page

* Update natural_exp_decay_cn.rst

* Update Reader_cn.rst

doc/fluid/api_cn/data/data_reader_cn/Reader_cn.rst

@@ -203,7 +203,7 @@ multiprocess.queue需要/dev/shm的rw访问权限，某些平台不支持。
 
 
 
-.. py:class::paddle.reader.Fake
+.. py:class:: paddle.reader.Fake
 
 Fakereader将缓存它读取的第一个数据，并将其输出data_num次。它用于缓存来自真实reader的数据，并将其用于速度测试。
 
@@ -254,4 +254,4 @@ Creator包包含一些简单的reader creator，可以在用户Program中使用
 
 路径：recordio文件的路径，可以是字符串或字符串列表。
 
-返回：recordio文件的数据读取器
\ No newline at end of file
+返回：recordio文件的数据读取器

doc/fluid/api_cn/data/dataset_cn/imdb_cn.rst

@@ -5,7 +5,7 @@ imdb
 
 IMDB数据集。
 
-本模块的数据集来自 https://aistudio.baidu.com/aistudio/datasetDetail/69 。这个数据集包含了25000条训练用电影评论数据，25000条测试用评论数据，且这些评论带有明显情感倾向。此外，该模块还提供了用于构建词典的API。
+此模块将从 http://ai.stanford.edu/%7Eamaas/data/sentiment/aclImdb_v1.tar.gz 下载数据集。这个数据集包含了25000条训练用电影评论数据，25000条测试用评论数据，且这些评论带有明显情感倾向。此外，该模块还提供了用于构建词典的API。
 
 
 .. py:function:: paddle.dataset.imdb.build_dict(pattern, cutoff)

doc/fluid/api_cn/layers_cn/conv2d_transpose_cn.rst

@@ -9,7 +9,7 @@ conv2d_transpose
 
 该层根据 输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充（padding）来计算输出。输入(Input)和输出(Output)为NCHW格式，其中 ``N`` 为batch大小， ``C`` 为通道数（channel），``H`` 为特征高度， ``W`` 为特征宽度。参数(膨胀、步长、填充)分别都包含两个元素。这两个元素分别表示高度和宽度。欲了解卷积转置层细节，请参考下面的说明和 参考文献_ 。如果参数 ``bias_attr`` 和 ``act`` 不为 ``None``，则在卷积的输出中加入偏置，并对最终结果应用相应的激活函数。
 
-.. _参考文献: http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf
+.. _参考文献: https://arxiv.org/pdf/1603.07285.pdf
 
 输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
 

doc/fluid/api_cn/layers_cn/natural_exp_decay_cn.rst

@@ -12,7 +12,7 @@ natural_exp_decay
     if not staircase:
         decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
     else:
-        decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
+        decayed_learning_rate = learning_rate * exp(- decay_rate * floor(global_step / decay_steps))
 
 参数：
     - **learning_rate** - 标量float32值或变量。是训练过程中的初始学习率。

doc/fluid/api_cn/layers_cn/yolo_box_cn.rst

@@ -39,7 +39,7 @@ yolo_box
     - **downsample_ratio** （int） - 从网络输入到YoloBox操作输入的下采样率，因此应依次为第一个，第二个和第三个YoloBox运算设置该值为32,16,8
     - **name** （string） -  yolo box层的名称。默认None。
 
-返回: 具有形状[N，M，4]的三维张量；框的坐标；以及具有形状[N，M，class_num]的三维张量；框的分类得分；
+返回: 具有形状[N，M，4]的三维张量，框的坐标；以及具有形状[N，M，class_num]的三维张量，框的分类得分；
 
 返回类型:   变量（Variable）
 
@@ -57,7 +57,7 @@ yolo_box
     x = fluid.layers.data(name='x', shape=[255, 13, 13], dtype='float32')
     img_size = fluid.layers.data(name='img_size',shape=[2],dtype='int64')
     anchors = [10, 13, 16, 30, 33, 23]
-    loss = fluid.layers.yolo_box(x=x, img_size=img_size, class_num=80, anchors=anchors,
+    boxes, scores = fluid.layers.yolo_box(x=x, img_size=img_size, class_num=80, anchors=anchors,
                                     conf_thresh=0.01, downsample_ratio=32)
 
 

doc/fluid/api_cn/metrics_cn/DetectionMAP_cn.rst

@@ -25,7 +25,7 @@ DetectionMAP
     - **background_label** (int) – 背景标签的索引，背景标签将被忽略。如果设置为-1，则所有类别将被考虑，默认为0。
     - **overlap_threshold** (float) – 判断真假阳性的阈值，默认为0.5
     - **evaluate_difficult** (bool) – 是否考虑 difficult ground truth 进行评价，默认为 True。当 gt_difficult 为 None 时，这个参数不起作用。
-    - **ap_version** (string) – 平均精度的计算方法，必须是 "integral" 或 "11point"。详情请查看 https://sanchom.wordpress.com/2011/09/01/precision-recall/。 其中，11point为：11-point 插值平均精度。积分: precision-recall曲线的自然积分。
+    - **ap_version** (string) – 平均精度的计算方法，必须是 "integral" 或 "11point"。详情请查看 https://sanchom.wordpress.com/tag/average-precision/。 其中，11point为：11-point 插值平均精度。积分: precision-recall曲线的自然积分。
 
 **代码示例**
 

doc/fluid/api_guides/low_level/layers/sparse_update.rst

@@ -37,7 +37,7 @@ API详细使用方法参考 :ref:`cn_api_fluid_layers_embedding` ，以下是一
 
 以上参数中：
 
-- :code:`is_sparse` ： 反向计算的时候梯度是否为sparse tensor。如果不设置，梯度是一个 `LodTensor <https://github.com/PaddlePaddle/FluidDoc/blob/develop/doc/fluid/user_guides/howto/basic_concept/lod_tensor.html>`_  。默认为False。
+- :code:`is_sparse` ： 反向计算的时候梯度是否为sparse tensor。如果不设置，梯度是一个 :ref:`Lod_Tensor <cn_user_guide_lod_tensor>` 。默认为False。
 
 - :code:`is_distributed` ： 标志是否是用在分布式的场景下。一般大规模稀疏更新（embedding的第0维维度很大，比如几百万以上）才需要设置。具体可以参考大规模稀疏的API guide  :ref:`cn_api_guide_async_training`  。默认为False。
 

doc/fluid/api_guides/low_level/optimizer.rst

@@ -76,7 +76,7 @@ API Reference 请参考 :ref:`cn_api_fluid_optimizer_DecayedAdagrad`
 ----------------------
 
 `FtrlOptimizer <https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf>`_ 优化器结合了 `FOBOS算法 <https://stanford.edu/~jduchi/projects/DuchiSi09b.pdf>`_ 的高精度与 `RDA算法
-<http://www1.se.cuhk.edu.hk/~sqma/SEEM5121_Spring2015/dual-averaging.pdf>`_ 的稀疏性，是目前效果非常好的一种 `Online Learning <https://en.wikipedia.org/wiki/Online_machine_learning>`_ 算法。
+<http://xueshu.baidu.com/usercenter/paper/show?paperid=101df241a792fe23d79f4ed84a820495>`_ 的稀疏性，是目前效果非常好的一种 `Online Learning <https://en.wikipedia.org/wiki/Online_machine_learning>`_ 算法。
 
 API Reference 请参考 :ref:`cn_api_fluid_optimizer_FtrlOptimizer`
 

doc/fluid/api_guides/low_level/program.rst

@@ -19,7 +19,7 @@ Program
 
 * :code:`Block` 中的计算由顺序执行、条件选择或者循环执行三种方式组合，构成复杂的计算逻辑；
 
-* :code:`Block` 中包含对计算和计算对象的描述。计算的描述称之为 Operator；计算作用的对象（或者说 Operator 的输入和输出）被统一为 Tensor，在Fluid中，Tensor 用层级为0的 :ref:`Lod_Tensor <cn_user_guide_lod_tensor>` 表示。
+* :code:`Block` 中包含对计算和计算对象的描述。计算的描述称之为 Operator；计算作用的对象（或者说 Operator 的输入和输出）被统一为 Tensor，在Fluid中，Tensor 用层级为0的 :ref:`Lod_Tensor  <cn_user_guide_lod_tensor>` 表示。
 
 
 

doc/fluid/beginners_guide/programming_guide/programming_guide.md

@@ -165,7 +165,7 @@ b=3
 #执行计算
 outs = exe.run(
     feed={'a':x,'b':y},
-    fetch_list=[a,b,result.name]
+    fetch_list=[a,b,result.name])
 #查看输出结果
 print outs
 ```