update optimizer_cn to release 1.5 (#1063)

doc/fluid/api_cn/layers_cn/control_flow_cn.rst

@@ -748,7 +748,7 @@ StaticRNN
 
 StaticRNN可以处理一批序列数据。每个样本序列的长度必须相等。StaticRNN将拥有自己的参数，如输入、输出和存储器等。请注意，输入的第一个维度表示序列长度，且输入的所有序列长度必须相同。并且输入和输出的每个轴的含义是相同的。
 
-**代码示例**：
+**代码示例**
 
 .. code-block:: python
 
@@ -787,84 +787,84 @@ StaticRNN可以将多个变量标记为其输出。使用rnn()获取输出序列
 
 
 .. py:method:: memory(init=None, shape=None, batch_ref=None, init_value=0.0, init_batch_dim_idx=0, ref_batch_dim_idx=1)
- 
-  为静态RNN创建一个内存变量。
-  如果init不为None，则此变量将初始化内存。 如果init为None，则必须设置shape和batch_ref，并且此函数将初始化init变量。
-
-  参数：
-    - **init** (Variable|None) - 初始化过的变量，如果没有设置，则必须提供shape和batch_ref，默认值None
-    - **shape** (list|tuple) - boot memory的形状，注意其不包括batch_size，默认值None
-    - **batch_ref** (Variable|None) - batch引用变量，默认值None
-    - **init_value** (float) - boot memory的初始化值，默认值0.0
-    - **init_batch_dim_idx** (int) - init变量的batch_size轴，默认值0
-    - **ref_batch_dim_idx** (int) - batch_ref变量的batch_size轴
 
-  返回：内存变量
+为静态RNN创建一个内存变量。
+如果init不为None，则此变量将初始化内存。 如果init为None，则必须设置shape和batch_ref，并且此函数将初始化init变量。
 
+参数：
+  - **init** (Variable|None) - 初始化过的变量，如果没有设置，则必须提供shape和batch_ref，默认值None
+  - **shape** (list|tuple) - boot memory的形状，注意其不包括batch_size，默认值None
+  - **batch_ref** (Variable|None) - batch引用变量，默认值None
+  - **init_value** (float) - boot memory的初始化值，默认值0.0
+  - **init_batch_dim_idx** (int) - init变量的batch_size轴，默认值0
+  - **ref_batch_dim_idx** (int) - batch_ref变量的batch_size轴
 
-  **代码示例**：
+返回：内存变量
 
-  .. code-block:: python
 
-        import paddle.fluid as fluid
-        import paddle.fluid.layers as layers
+**代码示例**
 
-        vocab_size, hidden_size=10000, 200
-        x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
-        x_emb = layers.embedding(
-            input=x,
-            size=[vocab_size, hidden_size],
-            dtype='float32',
-            is_sparse=False)
-        x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
+.. code-block:: python
 
-        rnn = fluid.layers.StaticRNN()
-        with rnn.step():
-            word = rnn.step_input(x_emb)
-            prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
-            hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
-            rnn.update_memory(prev, hidden)
+      import paddle.fluid as fluid
+      import paddle.fluid.layers as layers
+
+      vocab_size, hidden_size=10000, 200
+      x = layers.data(name="x", shape=[-1, 1, 1], dtype='int64')
+      x_emb = layers.embedding(
+          input=x,
+          size=[vocab_size, hidden_size],
+          dtype='float32',
+          is_sparse=False)
+      x_emb = layers.transpose(x_emb, perm=[1, 0, 2])
+
+      rnn = fluid.layers.StaticRNN()
+      with rnn.step():
+          word = rnn.step_input(x_emb)
+          prev = rnn.memory(shape=[-1, hidden_size], batch_ref = word)
+          hidden = fluid.layers.fc(input=[word, prev], size=hidden_size, act='relu')
+          rnn.update_memory(prev, hidden)
 
 .. py:method:: step_input(x)
 
-  标记作为StaticRNN输入的序列。
+标记作为StaticRNN输入的序列。
 
-  参数：
-    - **x** (Variable) – 输入序列，x的形状应为[seq_len, ...]。
+参数：
+  - **x** (Variable) – 输入序列，x的形状应为[seq_len, ...]。
 
-  返回：输入序列中的当前时间步长。
+返回：输入序列中的当前时间步长。
 
 
 
 .. py:method:: step_output(o)
 
-  标记作为StaticRNN输出的序列。
+标记作为StaticRNN输出的序列。
 
-  参数：
-    -**o** (Variable) – 输出序列
+参数：
+  -**o** (Variable) – 输出序列
 
-  返回：None
+返回：None
 
 
 .. py:method:: output(*outputs)
 
-  标记StaticRNN输出变量。
+标记StaticRNN输出变量。
 
-  参数：
-    -**outputs** – 输出变量
+参数：
+  -**outputs** – 输出变量
 
-  返回：None
+返回：None
 
 
 .. py:method:: update_memory(mem, var)
 
-  将内存从ex_mem更新为new_mem。请注意，ex_mem和new_mem的形状和数据类型必须相同。
+将内存从ex_mem更新为new_mem。请注意，ex_mem和new_mem的形状和数据类型必须相同。
 
-  参数：    
-    - **mem** (Variable) – 内存变量
-    - **var** (Variable) – RNN块中产生的普通变量
+参数：    
+  - **mem** (Variable) – 内存变量
+  - **var** (Variable) – RNN块中产生的普通变量
 
-  返回：None
+返回：None