Refine cn document, test=document_preview (#1293)

* test=document_preview

* refine cn doc

* refine cn doc

* refine cn doc

* refine cn doc

doc/fluid/api_cn/layers_cn/Normal_cn.rst

@@ -22,89 +22,88 @@ Normal
 :math:`Z`: 正态分布常量。
 
 参数：
-    - **loc** (float|list|numpy.ndarray|Variable) - 正态分布平均值。
-    - **scale** (float|list|numpy.ndarray|Variable) - 正态分布标准差。
+    - **loc** (float|list|numpy.ndarray|Variable) - 正态分布平均值。数据类型为float32。
+    - **scale** (float|list|numpy.ndarray|Variable) - 正态分布标准差。数据类型为float32。
 
 **代码示例**：
 
 .. code-block:: python
 
+    import numpy as np
     from paddle.fluid import layers
-	from paddle.fluid.layers import Normal
+	  from paddle.fluid.layers import Normal
 
-    # 定义单个数的正态分布。
+    # 定义参数为float的正态分布。
     dist = Normal(loc=0., scale=3.)
     # 定义一组有两个数的正态分布。
     # 第一组为均值1，标准差11，第二组为均值2，标准差22。
-    dist = Normal(loc=[1, 2.], scale=[11, 22.])
-    # 得到3个样本, 返回一个 3 x 2 向量。
+    dist = Normal(loc=[1., 2.], scale=[11., 22.])
+    # 得到3个样本, 返回一个 3 x 2 张量。
     dist.sample([3])
 
-    # 定义一个为两个参数的正态分布。
+    # 通过广播的方式，定义一个两个参数的正态分布。
     # 均值都是1，标准差不同。
-    dist = Normal(loc=1., scale=[11, 22.])
+    dist = Normal(loc=1., scale=[11., 22.])
 
-    # 输入变量
-    dims = 3
+    # 一个完整的例子
+    value_npdata = np.array([0.8], dtype="float32")
+    value_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(value_npdata, value_tensor)
 
-    loc = layers.data(name='loc', shape=[dims], dtype='float32')
-    scale = layers.data(name='scale', shape=[dims], dtype='float32')
-    other_loc = layers.data(
-        name='other_loc', shape=[dims], dtype='float32')
-    other_scale = layers.data(
-        name='other_scale', shape=[dims], dtype='float32')
-    values = layers.data(name='values', shape=[dims], dtype='float32')
+    normal_a = Normal([0.], [1.])
+    normal_b = Normal([0.5], [2.])
 
-    normal = Normal(loc, scale)
-    other_normal = Normal(other_loc, other_scale)
-
-    sample = normal.sample([2, 3])
-    entropy = normal.entropy()
-    lp = normal.log_prob(values)
-    kl = normal.kl_divergence(other_normal)
+    sample = normal_a.sample([2])
+    # 一个由定义好的正太分布随机生成的张量，维度为: [2, 1]
+    entropy = normal_a.entropy()
+    # [1.4189385] with shape: [1]
+    lp = normal_a.log_prob(value_tensor)
+    # [-1.2389386] with shape: [1]
+    kl = normal_a.kl_divergence(normal_b)
+    # [0.34939718] with shape: [1]
 
 
 .. py:function:: sample(shape, seed=0)
 
-生成指定形状的样本
+生成指定维度的样本
 
 参数：
-    - **shape** (list) - int32的1维列表，指定生成样本的shape。
-    - **seed** (int) - 长整型数
+    - **shape** (list) - 1维列表，指定生成样本的维度。数据类型为int32。
+    - **seed** (int) - 长整型数。
     
-返回：预备好维度shape的向量
+返回：预先设计好维度的张量, 数据类型为float32
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 .. py:function:: entropy()
 
 信息熵
     
-返回：正态分布的信息熵
+返回：正态分布的信息熵, 数据类型为float32
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 .. py:function:: log_prob(value)
 
-Log概率密度函数
+对数概率密度函数
 
 参数：
-    - **value** (Variable) - 输入向量。
+    - **value** (Variable) - 输入张量。数据类型为float32或float64。
     
-返回：log概率
+返回：对数概率, 数据类型与value相同
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 .. py:function:: kl_divergence(other)
 
-两个正态分布之间的KL-divergence。
+两个正态分布之间的KL散度。
 
 参数：
-    - **other** (Normal) - Normal实例。
+    - **other** (Normal) - Normal的实例。
     
-返回：两个正态分布之间的KL-divergence
+返回：两个正态分布之间的KL散度, 数据类型为float32
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 
 

doc/fluid/api_cn/layers_cn/Uniform_cn.rst

@@ -21,88 +21,80 @@ Uniform
 :math:`high = b` 。
 :math:`Z`: 正态分布常量。
 
-参数low和high应该为可支持广播的shape。
+参数low和high的维度必须能够支持广播。
 
 参数：
-    - **low** (float|list|numpy.ndarray|Variable) - 均匀分布的较低边界。
-    - **high** (float|list|numpy.ndarray|Variable) - 均匀分布的较高边界。
+    - **low** (float|list|numpy.ndarray|Variable) - 均匀分布的下边界。数据类型为float32。
+    - **high** (float|list|numpy.ndarray|Variable) - 均匀分布的上边界。数据类型为float32。
 
 **代码示例**：
 
 .. code-block:: python
 
+    import numpy as np
     from paddle.fluid import layers
     from paddle.fluid.layers import Uniform
 
-    # 一个未广播的单独的均匀分布 [3, 4]:
+    # 定义参数为float的均匀分布
     u1 = Uniform(low=3.0, high=4.0)
-    # 两个分布 [1, 3], [2, 4]
+    # 定义参数为list的均匀分布
     u2 = Uniform(low=[1.0, 2.0],
                   high=[3.0, 4.0])
-    # 4个分布
+    # 通过广播的方式，定义一个均匀分布
     u3 = Uniform(low=[[1.0, 2.0],
               [3.0, 4.0]],
          high=[[1.5, 2.5],
                [3.5, 4.5]])
 
-    # 广播:
+    # 通过广播的方式，定义一个均匀分布
     u4 = Uniform(low=3.0, high=[5.0, 6.0, 7.0])
 
-    # 作为输入的变量
-    dims = 3
+    # 一个完整的例子
+    value_npdata = np.array([0.8], dtype="float32")
+    value_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(value_npdata, value_tensor)
 
-    low = layers.data(name='low', shape=[dims], dtype='float32')
-    high = layers.data(name='high', shape=[dims], dtype='float32')
-    values = layers.data(name='values', shape=[dims], dtype='float32')
+    uniform = Uniform([0.], [2.])
 
-    uniform = Uniform(low, high)
-
-    sample = uniform.sample([2, 3])
+    sample = uniform.sample([2])
+    # 一个由定义好的均匀分布随机生成的张量，维度为: [2, 1]
     entropy = uniform.entropy()
-    lp = uniform.log_prob(values)
+    # [0.6931472] with shape: [1]
+    lp = uniform.log_prob(value_tensor)
+    # [-0.6931472] with shape: [1]
 
 
 .. py:function:: sample(shape, seed=0)
 
-生成指定形状的样本
+生成指定维度的样本
 
 参数：
-    - **shape** (list) - int32的1维列表，指定生成样本的shape。
-    - **seed** (int) - 长整型数
+    - **shape** (list) - 1维列表，指定生成样本的维度。数据类型为int32。
+    - **seed** (int) - 长整型数。
     
-返回：预备好维度shape的向量
+返回：预先设计好维度的张量, 数据类型为float32
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 .. py:function:: entropy()
 
 信息熵
     
-返回：正态分布的信息熵
+返回：均匀分布的信息熵, 数据类型为float32
 
-返回类型：变量（Variable）
+返回类型：Variable
 
 .. py:function:: log_prob(value)
 
-Log概率密度函数
+对数概率密度函数
 
 参数：
-    - **value** (Variable) - 输入向量。
+    - **value** (Variable) - 输入张量。数据类型为float32或float64。
     
-返回：log概率
-
-返回类型：变量（Variable）
-
-.. py:function:: kl_divergence(other)
+返回：对数概率, 数据类型与value相同
 
-两个正态分布之间的KL-divergence。
-
-参数：
-    - **other** (Normal) - Normal实例。
-    
-返回：两个正态分布之间的KL-divergence
+返回类型：Variable
 
-返回类型：变量（Variable）
 
 
 

doc/fluid/api_cn/layers_cn/affine_channel_cn.rst

@@ -5,19 +5,21 @@ affine_channel
 
 .. py:function:: paddle.fluid.layers.affine_channel(x, scale=None, bias=None, data_layout='NCHW', name=None,act=None)
 
-对输入的每个 channel 应用单独的仿射变换。用于将空间批处理范数替换为其等价的固定变换。
+对输入的每个 channel 应用单独的仿射变换。用于将空间批量归一化替换为其等价的固定变换。
 
-输入也可以是二维张量，并在二维应用仿射变换。
+输入也可以是二维张量，并在第二维应用仿射变换。
 
 参数：
-  - **x** (Variable):特征图输入可以是一个具有NCHW阶或NHWC阶的4D张量。它也可以是二维张量和应用于第二维度的仿射变换。
-  - **scale** (Variable): 形状为(C)的一维输入，第C个元素为输入的第C通道仿射变换的尺度因子。
-  - **bias** (Variable):形状为(C)的一维输入，第C个元素是输入的第C个通道的仿射变换的偏置。
-  - **data_layout** (string, default NCHW): NCHW 或 NHWC，如果输入是一个2D张量，可以忽略该参数
-  - **name** (str, default None): 此层的名称
-  - **act** (str, default None): 应用于该层输出的激活函数
-
-返回： out (Variable): 与x具有相同形状和数据布局的张量。
+  - **x** (Variable): 特征图输入可以是一个具有NCHW格式或NHWC格式的的4-D张量。它也可以是二维张量，此时该算法应用于第二维度的仿射变换。数据类型为float32或float64。
+  - **scale** (Variable): 维度为(C)的一维输入，第C个元素为输入的第C通道仿射变换的尺度因子。数据类型为float32或float64。
+  - **bias** (Variable): 维度为(C)的一维输入，第C个元素是输入的第C个通道的仿射变换的偏置。数据类型为float32或float64。
+  - **data_layout** (str): NCHW 或 NHWC，如果输入是一个2D张量，可以忽略该参数，默认值为"NCHW"。
+  - **name** (str): 此层的名称，默认值为None。
+  - **act** (str): 应用于该层输出的激活函数，默认值为None。
+
+返回：与x具有相同维度和数据布局的张量, 数据类型与x相同
+
+返回类型：Variable
 
 **代码示例：**
 

doc/fluid/api_cn/layers_cn/iou_similarity_cn.rst

@@ -7,18 +7,18 @@ iou_similarity
 
 **IOU Similarity Operator**
 
-计算两个框列表的intersection-over-union(IOU)。框列表‘X’应为LoDTensor，‘Y’是普通张量，X成批输入的所有实例共享‘Y’中的框。给定框A和框B，IOU的运算如下：
+计算两个框列表的intersection-over-union(IOU)。框列表 :math:`X` 应为LoDTensor， :math:`Y` 是普通张量， :math:`X` 成批输入的所有实例共享 :math:`Y` 中的框。给定框A和框B，IOU的运算如下：
 
 .. math::
     IOU(A, B) = \frac{area(A\cap B)}{area(A)+area(B)-area(A\cap B)}
 
 参数：
-    - **x** (Variable,默认LoDTensor,float类型) - 框列表X是二维LoDTensor，shape为[N,4],存有N个框，每个框代表[xmin,ymin,xmax,ymax],X的shape为[N,4]。如果输入是图像特征图,[xmin,ymin]市框的左上角坐标，接近坐标轴的原点。[xmax,ymax]是框的右下角坐标。张量可以包含代表一批输入的LoD信息。该批的一个实例能容纳不同的项数
-    - **y** (Variable,张量，默认float类型的张量) - 框列表Y存有M个框，每个框代表[xmin,ymin,xmax,ymax],X的shape为[N,4]。如果输入是图像特征图,[xmin,ymin]市框的左上角坐标，接近坐标轴的原点。[xmax,ymax]是框的右下角坐标。张量可以包含代表一批输入的LoD信息。
+    - **x** (Variable) - 框列表 :math:`X` 是二维LoDTensor，维度为 :math:`[N,4]` ，存有 :math:`N` 个框，每个框表示为 :math:`[xmin, ymin, xmax, ymax]` ，:math:`X` 的维度为 :math:`[N,4]` 。如果输入是图像特征图，:math:`[xmin, ymin]` 表示框的左上角坐标，接近坐标轴的原点。:math:`[xmax, ymax]` 表示框的右下角坐标。该张量包含批次输入的LoD信息。该批次输入的一个实例能容纳不同的项数。数据类型为float32或float64。
+    - **y** (Variable) - 框列表 :math:`Y` 是二维张量，存有 :math:`M` 个框，每个框表示为 :math:`[xmin, ymin, xmax, ymax]` ，:math:`Y` 的维度为 :math:`[M,4]`。如果输入是图像特征图，:math:`[xmin, ymin]` 表示框的左上角坐标，接近坐标轴的原点。:math:`[xmax, ymax]` 表示框的右下角坐标。数据类型为float32或float64。
 
-返回：iou_similarity操作符的输出，shape为[N,M]的张量，代表一对iou分数
+返回：维度为 :math:`[N,M]` 的LoDTensor，代表每一对iou分数，数据类型与 :math:`X` 相同
 
-返回类型：out(Variable)
+返回类型：Variable
 
 **代码示例**