Change api guides directory (#633)

* Change api guides directory

* fix wrong ref

* Update memory_optimize.rst

doc/fluid/api_cn/gen_index.py

@@ -10,10 +10,10 @@ API Reference
 =============
 
 ..  toctree::
-    :maxdepth: 1
+
 
 ''')
-    file_object.write('    api_guides/index.rst'+'\n')
+    file_object.write('    ../api_guides/index.rst'+'\n')
     file_object.write('    fluid_cn.rst'+'\n')
     for file_name in sorted(glob.glob("*.rst")):
         if file_name != ('index_cn.rst' and 'fluid_cn.rst'):

doc/fluid/api_cn/index_cn.rst

@@ -3,9 +3,9 @@ API
 =====
 
 ..  toctree::
-    :maxdepth: 1
 
-    api_guides/index.rst
+
+    ../api_guides/index.rst
     fluid_cn.rst
     average_cn.rst
     backward_cn.rst

doc/fluid/api_guides/high_low_level_api_en.md

+## Introduction to High/Low-level API
+
+Currently PaddlePaddle Fluid has 2 branches of API interfaces:
+
+- Low-level API:
+
+	- It is highly flexible and relatively mature. The model trained by it can directly support C++ inference deployment and release.
+	- There are a large number of models as examples, including all chapters in [book](https://github.com/PaddlePaddle/book), and [models](https://github.com/PaddlePaddle/models).
+	- Recommended for users who have a certain understanding of deep learning and need to customize a network for training/inference/online deployment.
+
+- High-level API:
+
+	- Simple to use
+    - Still under development. the interface is temporarily in [paddle.fluid.contrib](https://github.com/PaddlePaddle/Paddle/tree/develop/python/paddle/fluid/contrib).
\ No newline at end of file

doc/fluid/api_guides/index_en.rst

+===========
+API Guides
+===========
+
+This section introduces the Fluid API structure and usage, to help you quickly get the full picture of the PaddlePaddle Fluid API. This section is divided into the following modules:
+
+..  toctree::
+    :maxdepth: 1
+
+    high_low_level_api_en.md
+    low_level/layers/index_en.rst
+    low_level/executor_en.rst
+    low_level/optimizer_en.rst
+    low_level/metrics_en.rst
+    low_level/model_save_reader_en.rst
+    low_level/inference_en.rst
+    low_level/distributed/index_en.rst
+    low_level/memory_optimize_en.rst
+    low_level/nets_en.rst
+    low_level/parallel_executor_en.rst

doc/fluid/api_cn/api_guides/low_level/distributed/async_training.rst → doc/fluid/api_guides/low_level/distributed/async_training.rst

@@ -12,7 +12,7 @@ Fluid支持数据并行的分布式异步训练，API使用 :code:`DistributedTr
 pserver模式分布式异步训练
 ======================
 
-API详细使用方法参考 :ref: `api_fluid_DistributeTranspiler` ，简单示例用法：
+API详细使用方法参考 :ref:`cn_api_fluid_DistributeTranspiler` ，简单示例用法：
 
 .. code-block:: python
 
@@ -26,7 +26,7 @@ API详细使用方法参考 :ref: `api_fluid_DistributeTranspiler` ，简单示
                 trainers=1,
                 sync_mode=False)
 
-以上参数说明请参考`同步训练 <../distributed/sync_training.html>`_ 
+以上参数说明请参考 `同步训练 <../distributed/sync_training.html>`_ 
 
 需要注意的是：进行异步训练时，请修改 :code:`sync_mode` 的值
 

doc/fluid/api_cn/api_guides/low_level/distributed/cpu_train_best_practice.rst → doc/fluid/api_guides/low_level/distributed/cpu_train_best_practice.rst

@@ -46,7 +46,7 @@ API详细使用方法参考 :ref:`cn_api_fluid_ParallelExecutor` ，简单实例
 提高通信速度
 ==========
 
-要减少通信数据量，提高通信速度，主要是使用稀疏更新 ，目前支持 `稀疏更新 <../distributed/sparse_update.html>`_  的主要是  :ref:`cn_api_fluid_layers_embedding` 。
+要减少通信数据量，提高通信速度，主要是使用稀疏更新 ，目前支持 `稀疏更新 <../layers/sparse_update.html>`_  的主要是  :ref:`cn_api_fluid_layers_embedding` 。
 
 .. code-block:: python
 

doc/fluid/api_guides/low_level/distributed/index_en.rst

+====================
+Distributed Training
+====================
+
+..  toctree::
+    :maxdepth: 1
+
+    sync_training_en.rst
+    async_training_en.rst
+    cpu_train_best_practice_en.rst
+    large_scale_sparse_feature_training_en.rst
+    cluster_train_data_en.rst
+
+

doc/fluid/api_cn/api_guides/low_level/distributed/large_scale_sparse_feature_training.rst → doc/fluid/api_guides/low_level/distributed/large_scale_sparse_feature_training.rst

@@ -11,14 +11,15 @@
 embedding被广泛应用在各种网络结构中，尤其是文本处理相关的模型。在某些场景，例如推荐系统或者搜索引擎中，
 embedding的feature id可能会非常多，当feature id达到一定数量时，embedding参数会变得很大，
 会带来两个问题：
-1）单机内存由于无法存放如此巨大的embedding参数，导致无法训练；
-2）普通的训练模式每一轮迭代都需要同步完整的参数，参数太大会让通信变得非常慢，进而影响训练速度。
+
+1. 单机内存由于无法存放如此巨大的embedding参数，导致无法训练；
+2. 普通的训练模式每一轮迭代都需要同步完整的参数，参数太大会让通信变得非常慢，进而影响训练速度。
 
 Fluid支持千亿量级超大规模稀疏特征embedding的训练，embedding参数只会保存在parameter server上，通过
 参数prefetch和梯度稀疏更新的方法，大大减少通信量，提高通信速度。
 
 该功能只对分布式训练有效，单机无法使用。
-需要配合 `稀疏更新 <../distributed/sparse_update.html>`_ 一起使用。
+需要配合 `稀疏更新 <../layers/sparse_update.html>`_ 一起使用。
 
 使用方法：在配置embedding的时候，加上参数 :code:`is_distributed=True` 以及 :code:`is_sparse=True` 即可。
 参数 :code:`dict_size` 定义数据中总的id的数量，id可以是int64范围内的任意值，只要总id个数小于等于dict_size就可以支持。
@@ -38,5 +39,6 @@ Fluid支持千亿量级超大规模稀疏特征embedding的训练，embedding参
 =============
 
 当特征数量达到千亿的时候，参数量很大，单机已经无法存下，所以模型的存储和加载都和普通模式不同：
-1）普通模式下，参数是在trainer端保存和加载的；
-2）分布式模式下，参数的保存和加载，都是在pserver端进行，每个pserver只保存和加载该pserver自身对应部分的参数
+
+1. 普通模式下，参数是在trainer端保存和加载的；
+2. 分布式模式下，参数的保存和加载，都是在pserver端进行，每个pserver只保存和加载该pserver自身对应部分的参数

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

+=====================
+Neural Network Layer
+=====================
+
+..  toctree::
+    :maxdepth: 1
+
+    conv_en.rst
+    pooling_en.rst
+    detection_en.rst
+    sequence_en.rst
+    math_en.rst
+    activations_en.rst
+    loss_function_en.rst
+    data_in_out_en.rst
+    control_flow_en.rst
+    sparse_update_en.rst
+    data_feeder_en.rst
+    learning_rate_scheduler_en.rst
+    tensor_en.rst
+

doc/fluid/api_cn/api_guides/low_level/layers/learning_rate_scheduler.rst → doc/fluid/api_guides/low_level/layers/learning_rate_scheduler.rst

@@ -6,7 +6,7 @@
 
 当我们使用诸如梯度下降法等方式来训练模型时，一般会兼顾训练速度和损失(loss)来选择相对合适的学习率。但若在训练过程中一直使用一个学习率，训练集的损失下降到一定程度后便不再继续下降，而是在一定范围内震荡。其震荡原理如下图所示，即当损失函数收敛到局部极小值附近时，会由于学习率过大导致更新步幅过大，每步参数更新会反复越过极小值而出现震荡。
 
-.. image:: ../../../../images/learning_rate_scheduler.png
+.. image:: ../../../images/learning_rate_scheduler.png
     :scale: 80 %
     :align: center
 

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

@@ -11,7 +11,7 @@ Fluid的 :ref:`cn_api_fluid_layers_embedding`  层在单机训练和分布式训
 
 如图所示：一个Tensor中有两行不为0，正向计算的过程中，我们使用ids存储不为0的行，并使用对应的两行数据来进行计算；反向更新的过程也只更新这两行。
 
-.. image:: ../../../../images/lookup_table_training.png
+.. image:: ../../../images/lookup_table_training.png
    :scale: 50 %
 
 embedding使用例子:

doc/fluid/api_cn/api_guides/low_level/layers/tensor.rst → doc/fluid/api_guides/low_level/layers/tensor.rst

@@ -4,7 +4,7 @@
 张量
 ########
 
-Fluid 中使用两种数据结构来承载数据，分别是 `Tensor 和 LoD_Tensor <../../../../user_guides/howto/prepare_data/lod_tensor.html>`_ 。 其中 LoD-Tensor 是 Fluid 的特有概念，它在 Tensor 基础上附加了序列信息。框架中可传输的数据包括：输入、输出、网络中的可学习参数，全部统一使用 LoD-Tensor 表示，Tensor 可以看作是一种特殊的 LoD-Tensor。
+Fluid 中使用两种数据结构来承载数据，分别是 `Tensor 和 LoD_Tensor <../../../user_guides/howto/basic_concept/lod_tensor.html>`_ 。 其中 LoD-Tensor 是 Fluid 的特有概念，它在 Tensor 基础上附加了序列信息。框架中可传输的数据包括：输入、输出、网络中的可学习参数，全部统一使用 LoD-Tensor 表示，Tensor 可以看作是一种特殊的 LoD-Tensor。
 
 下面介绍这两种数据的相关操作。
 
@@ -125,7 +125,7 @@ API reference 请参考： :ref:`cn_api_fluid_layers_reverse`
 LoD-Tensor
 ============
 
-LoD-Tensor非常适用于序列数据，相关知识可以参考阅读 `LoD_Tensor <../../../../user_guides/howto/prepare_data/lod_tensor.html>`_ 。
+LoD-Tensor非常适用于序列数据，相关知识可以参考阅读 `LoD_Tensor <../../../user_guides/howto/basic_concept/lod_tensor.html>`_ 。
 
 1. create_lod_tensor
 -----------------------

doc/fluid/api_cn/api_guides/low_level/memory_optimize.rst → doc/fluid/api_guides/low_level/memory_optimize.rst

@@ -4,7 +4,7 @@
 显存优化
 #####
 
-显存优化是通过分析、复用 :code:`Program` 中 :code:`Varaible` 使用的显存，从而降低 :code:`Program` 执行时显存消耗的方法。用户可以通过Python脚本调用 :code:`memory_optimize` 接口进行显存优化，显存优化的执行策略如下：
+显存优化是通过分析、复用 :code:`Program` 中 :code:`Variable` 使用的显存，从而降低 :code:`Program` 执行时显存消耗的方法。用户可以通过Python脚本调用 :code:`memory_optimize` 接口进行显存优化，显存优化的执行策略如下：
 
 - 首先根据 :code:`Program` 中 :code:`Operator` 之间的关系对 :code:`Variable` 的最后存活时间进行分析，得到每个 :code:`Variable` 的最后存活时间;
 - 其次根据每个 :code:`Variable` 的最后存活时间，我们将到达存活时间、不再存活的 :code:`Variable` 所占用的显存提供给后来的 :code:`Variable` 使用。
@@ -28,7 +28,7 @@
         skip_opt_set=("fc"), skip_grads=True)
 
 在这个示例中，:code:`fluid.memory_optimize` 接口对默认的 :code:`Program` 进行了 :code:`Variable` 最后存活时间的分析，并跳过了名字为 :code:`fc` 的 :code:`Variable` 以及网络反向部分的所有 :code:`Variable` 。
-这部分 :code:`Variable` 的显存都不会被别的 :code:`Varaible` 再次使用。
+这部分 :code:`Variable` 的显存都不会被别的 :code:`Variable` 再次使用。
 
 指定显存优化等级
 ===========

doc/fluid/api_cn/api_guides/low_level/parallel_executor.rst → doc/fluid/api_guides/low_level/parallel_executor.rst

@@ -29,7 +29,7 @@
 
 **注意** ：如果在Reduce模式下使用 :code:`CPU` 多线程执行 :code:`Program` ， :code:`Program` 的参数在多个线程间是共享的，在某些模型上，Reduce模式可以大幅节省内存。
 
-由于模型的执行速度与模型结构和执行器的执行策略相关， :code:`ParallelExecutor` 允许用户修改执行器的相关参数，如：线程池大小（ :code:`num_threads` ）、多少次迭代之后清理一次临时变量 :code:`num_iteration_per_drop_scope` 等，更多信息请参考 :ref:`cn_api_fluid_ExecutionStrategy` >。
+由于模型的执行速度与模型结构和执行器的执行策略相关， :code:`ParallelExecutor` 允许用户修改执行器的相关参数，如：线程池大小（ :code:`num_threads` ）、多少次迭代之后清理一次临时变量 :code:`num_iteration_per_drop_scope` 等，更多信息请参考 :ref:`cn_api_fluid_ExecutionStrategy` 。
 
 - 相关API汇总:
  - :ref:`cn_api_fluid_ParallelExecutor`

doc/fluid/api_cn/api_guides/low_level/program.rst → doc/fluid/api_guides/low_level/program.rst

@@ -54,7 +54,7 @@ Operator
 这是因为一些常见的对 Tensor 的操作可能是由更多基础操作构成，为了提高使用的便利性，框架内部对基础 Operator 进行了一些封装，包括创建 Operator 依赖可学习参数，可学习参数的初始化细节等，减少用户重复开发的成本。
 
 
-更多内容可参考阅读 `Fluid设计思想 <../../../advanced_usage/design_idea/fluid_design_idea.html>`_ 
+更多内容可参考阅读 `Fluid设计思想 <../../advanced_usage/design_idea/fluid_design_idea.html>`_ 
 
 
 =========