fix sampled softmax entropy loss api doc

test=develop

doc/fluid/api_cn/layers_cn/sampled_softmax_with_cross_entropy_cn.rst

@@ -5,46 +5,41 @@ sampled_softmax_with_cross_entropy
 
 .. py:function:: paddle.fluid.layers.sampled_softmax_with_cross_entropy(logits, label, num_samples, num_true=1, remove_accidental_hits=True, use_customized_samples=False, customized_samples=None, customized_probabilities=None, seed=0)
 
-**Sampled Softmax With Cross Entropy Operator**
+假设该OP输入logits的shape为[N, K]，N表示batch size大小。该OP首先对logits进行softmax计算，得到每个样例下分类的概率值，假设为logits_s，shape为[N，K]，其中样例个数为N，类别个数为K。
 
-对于较大的输出类，采样的交叉熵损失Softmax被广泛地用作输出层。该运算符为所有示例采样若干个样本，并计算每行采样张量的SoftMax标准化值，然后计算交叉熵损失。
+该OP的输入label的shape为[N，1]。对于某一个样例i的概率值logits_s[i]，其中有1个为正样例的概率，其他的K-1个为负样本的概率。
 
-由于此运算符在内部对逻辑执行SoftMax，因此它需要未分级的逻辑。此运算符不应与SoftMax运算符的输出一起使用，因为这样会产生不正确的结果。
+对于样例logits_s[i]，该OP并不会对该样例的所有输出为负样例的K-1个概率值计算交叉熵，而是从K-1个概率值中随机选择出num_samples。
 
-对于T真标签（T>=1）的示例，我们假设每个真标签的概率为1/T。对于每个样本，使用对数均匀分布生成S个样本。真正的标签与这些样本连接起来，形成每个示例的T+S样本。因此，假设逻辑的形状是[N x K]，样本的形状是[N x（T+S）]。对于每个取样标签，计算出一个概率，对应于[Jean et al., 2014]( `http://arxiv.org/abs/1412.2007 <https://arxiv.org/abs/1412.2007>`_ )中的Q(y|x)。
-
-根据采样标签对逻辑进行采样。如果remove_accidental_hits为“真”，如果sample[i, j] 意外匹配“真”标签，则相应的sampled_logits[i, j]减去1e20，使其SoftMax结果接近零。然后用logQ(y|x)减去采样的逻辑，这些采样的逻辑和重新索引的标签被用来计算具有交叉熵的SoftMax。
+将label真实标签的对应的概率值， 以及根据随机选择出的非真实标签对应的概率值拼接成[N，1 + num_samples] 大小的矩阵。
+对此矩阵进行计算交叉熵损失即为该OP的输出。
 
 参数：
-        - **logits** （Variable）- 非比例对数概率，是一个二维张量，形状为[N x K]。N是批大小，K是类别号。
-        - **label** （Variable）- 基本事实，是一个二维张量。label是一个张量<int64>，其形状为[N x T]，其中T是每个示例的真实标签数。
-        - **num_samples** （int）- 每个示例的数目num_samples应该小于类的数目。
-        - **num_true** （int）- 每个训练实例的目标类别总数。
-        - **remove_accidental_hits** （bool）- 指示采样时是否删除意外命中的标签。如果为真，如果一个sample[i，j]意外地碰到了真标签，那么相应的sampled_logits[i，j]将被减去1e20，使其SoftMax结果接近零。默认值为True。
-        - **use_customized_samples** （bool）- 是否使用自定义样本和可能性对logits进行抽样。
-        - **customized_samples** （Variable）- 用户定义的示例，它是一个具有形状[N, T + S]的二维张量。S是num_samples，T是每个示例的真标签数。
-        - **customized_probabilities** （Variable）- 用户定义的样本概率，与customized_samples形状相同的二维张量。
-        - **seed** （int）- 用于生成随机数的随机种子，在采样过程中使用。默认值为0。
+        - **logits** （Variable）- logits是一个shape为[N x K]的2-D Tensor。N是batch size，K是类别数目。数据类型支持float32。
+        - **label** （Variable）- 表示样例的真实标签。label是一个shape为[N，1]的真实标签。数据类型支持int64。
+        - **num_samples** （int）- OP计算过程中，会随机从非真实标签的概率输出中选择出num_samples个概率进行计算交叉熵损失。
+        - **num_true** （int）- 训练实例的目标类别总数，默认值为1。
+        - **remove_accidental_hits** （bool，可选）- 随机选出num_samples个概率期间，可能会选出同一个非真实标签的概率值，如果此值为True，表示允许选择出多个同样的非真实标签的概率值出来。默认值为True。
+        - **use_customized_samples** （bool，可选）- 此开关为开发人员测试使用，默认值为False。
+        - **customized_samples** （Variable, 可选）- 此开关为开发人员测试使用，默认值为None。
+        - **customized_probabilities** （Variable，可选）- 此开关为开发人员测试使用，默认值为None。
+        - **seed** （int，可选）- 用于生成随机数的随机种子，在采样过程中使用。默认值为0。
+
+返回：返回类型为Variable(Tensor|LoDTensor)，是一个2-D Tensor/LoDTensor，shape为[N x 1]。
 
-返回：交叉熵损失，是一个二维张量，形状为[N x 1]。
 
-返回类型：Variable
+<font color="#FF0000">**注意：此OP内部会进行Softmax运算。**</font>
 
 **代码示例：**
 
 .. code-block:: python
 
-    import paddle.fluid as fluid
-
-    input = fluid.layers.data(name='data', shape=[256], dtype='float32')
-    label = fluid.layers.data(name='label', shape=[5], dtype='int64')
-    fc = fluid.layers.fc(input=input, size=100)
-    out = fluid.layers.sampled_softmax_with_cross_entropy(
-              logits=fc, label=label, num_samples=25)
-
-
-
-
+        import numpy as np
+        import paddle.fluid as fluid
 
+        input = fluid.layers.data(name='data', shape=[25], dtype='float32')
+        label = fluid.layers.data(name='label', shape=[1], dtype='int64')
 
+        out = fluid.layers.sampled_softmax_with_cross_entropy(
+                logits=input, label=label, num_samples=2)