fix chinese doc of BilinearInitializer, ConstantInitializer, MSRAInitializer,...

fix chinese doc of BilinearInitializer, ConstantInitializer, MSRAInitializer, force_init_on_cpu, init_on_cpu and row_conv (#1280)

* fix chinese doc of BilinearInitializer, ConstantInitializer,
    MSRAInitializer, force_init_on_cpu, init_on_cpu, test=develop

* fix MSRAinitializer chinese doc, test=develop

* fix chinese doc of row_conv, test=develop, test=document_fix

* fix row_conv doc, test=develop

* update doc, test=develop

doc/fluid/api_cn/initializer_cn/BilinearInitializer_cn.rst

@@ -3,9 +3,13 @@
 BilinearInitializer
 -------------------------------
 
-.. py:class:: paddle.fluid.initializer.BilinearInitializer
+.. py:class:: paddle.fluid.initializer.BilinearInitializer())
 
-该初始化函数用于转置卷积函数，进行上采样。用户通过任意整型因子放大shape为(B，C，H，W)的特征图。用法如下：
+该接口为参数初始化函数，用于转置卷积函数中，对输入进行上采样。用户通过任意整型因子放大shape为(B，C，H，W)的特征图。
+
+返回：对象
+
+用法如下：
 
 **代码示例**:
 
@@ -14,11 +18,12 @@ BilinearInitializer
     import paddle.fluid as fluid
     factor = 2
     C = 2
-    w_attr = fluid.param_attr.ParamAttr(
+    H = W = 32
+    w_attr = fluid.ParamAttr(
         learning_rate=0.,
         regularizer=fluid.regularizer.L2Decay(0.),
-        initializer=fluid.initializer.Bilinear())
-    x = fluid.layers.data(name="data", shape=[3, 32, 32],
+        initializer=fluid.initializer.BilinearInitializer())
+    x = fluid.layers.data(name="data", shape=[4, H, W],
                           dtype="float32")
     conv_up = fluid.layers.conv2d_transpose(
         input=x,
@@ -31,8 +36,7 @@ BilinearInitializer
         param_attr=w_attr,
         bias_attr=False)
 
-num_filters = C和groups = C 表示这是按通道转置的卷积函数。滤波器shape为(C,1,K,K)，K为filter_size。该初始化函数为滤波器的每个通道设置(K,K)插值核。输出特征图的最终输出shape为(B,C,factor*H,factor*W)。注意学习率和权重衰减设为0，以便在训练过程中双线性插值的系数值保持不变
-
+上述代码实现的是将输入x（shape=[-1, 4, H, W]）经过转置卷积得到shape=[-1, C, H*factor, W*factor]的输出，num_filters = C和groups = C 表示这是按通道转置的卷积函数，输出通道为C，转置卷积的groups为C。滤波器shape为(C,1,K,K)，K为filter_size。该初始化函数为滤波器的每个通道设置(K,K)插值核。输出特征图的最终输出shape为(B,C,factor*H,factor*W)。注意学习率和权重衰减设为0，以便在训练过程中双线性插值的系数值保持不变
 
 
 

doc/fluid/api_cn/initializer_cn/ConstantInitializer_cn.rst

@@ -5,10 +5,12 @@ ConstantInitializer
 
 .. py:class:: paddle.fluid.initializer.ConstantInitializer(value=0.0, force_cpu=False)
 
-常量初始器
+该接口为常量初始化函数，用于权重初始化，通过输入的value值初始化输入变量；
 
 参数：
-        - **value** (float) - 用常量初始化变量
+        - **value** (float16|float32) - 用于初始化输入变量的值；
+
+返回：对象
 
 **代码示例**
 
@@ -17,8 +19,7 @@ ConstantInitializer
         import paddle.fluid as fluid
         x = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
         fc = fluid.layers.fc(input=x, size=10,
-            param_attr=fluid.initializer.Constant(value=2.0))
-
+            param_attr=fluid.initializer.ConstantInitializer(value=2.0))
 
 
 

doc/fluid/api_cn/initializer_cn/MSRAInitializer_cn.rst

@@ -5,10 +5,10 @@ MSRAInitializer
 
 .. py:class:: paddle.fluid.initializer.MSRAInitializer(uniform=True, fan_in=None, seed=0)
 
-实现MSRA初始化（a.k.a. Kaiming初始化）
-
-该类实现权重初始化方法，方法来自Kaiming He，Xiangyu Zhang，Shaoqing Ren 和 Jian Sun所写的论文: `Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification <https://arxiv.org/abs/1502.01852>`_ 。这是一个鲁棒性特别强的初始化方法，并且适应了非线性激活函数（rectifier nonlinearities）。
+该接口实现MSRA方式的权重初始化（a.k.a. Kaiming初始化）
 
+该接口为权重初始化函数，方法来自Kaiming He，Xiangyu Zhang，Shaoqing Ren 和 Jian Sun所写的论文: `Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification <https://arxiv.org/abs/1502.01852>`_ 。这是一个鲁棒性特别强的初始化方法，并且适应了非线性激活函数（rectifier nonlinearities）。
+可以选择使用均匀分布或者正太分布初始化权重；
 在均匀分布中，范围为[-x,x]，其中：
 
 .. math::
@@ -22,9 +22,11 @@ MSRAInitializer
     \sqrt{\frac{2.0}{fan\_in}}
 
 参数：
-    - **uniform** (bool) - 是否用均匀分布或正态分布
-    - **fan_in** (float) - MSRAInitializer的fan_in。如果为None，fan_in沿伸自变量
-    - **seed** (int) - 随机种子
+    - **uniform** (bool) - 为True表示使用均匀分布，为False表示使用正态分布
+    - **fan_in** (float16|float32) - MSRAInitializer的fan_in。如果为None，fan_in沿伸自变量，多设置为None
+    - **seed** (int32) - 随机种子
+
+返回：对象
 
 .. note:: 
 
@@ -36,8 +38,7 @@ MSRAInitializer
 
     import paddle.fluid as fluid
     x = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
-    fc = fluid.layers.fc(input=x, size=10, param_attr=fluid.initializer.MSRA(uniform=False))
-
+    fc = fluid.layers.fc(input=x, size=10, param_attr=fluid.initializer.MSRAInitializer(uniform=False))
 
 
 

doc/fluid/api_cn/initializer_cn/NormalInitializer_cn.rst

@@ -8,9 +8,11 @@ NormalInitializer
 随机正态(高斯)分布初始化函数
 
 参数：
-    - **loc** (float) - 正态分布的平均值
-    - **scale** (float) - 正态分布的标准差
-    - **seed** (int) - 随机种子
+    - **loc** (float16|float32) - 正态分布的平均值
+    - **scale** (float16|float32) - 正态分布的标准差
+    - **seed** (int32) - 随机种子
+
+返回：对象
 
 **代码示例**
 
@@ -21,4 +23,3 @@ NormalInitializer
     fc = fluid.layers.fc(input=x, size=10,
         param_attr=fluid.initializer.Normal(loc=0.0, scale=2.0))
 
-

doc/fluid/api_cn/initializer_cn/TruncatedNormalInitializer_cn.rst

@@ -8,9 +8,11 @@ TruncatedNormalInitializer
 Random Truncated Normal(高斯)分布初始化函数
 
 参数：
-    - **loc** (float) - 正态分布的平均值
-    - **scale** (float) - 正态分布的标准差
-    - **seed** (int) - 随机种子
+    - **loc** (float16|float32) - 正态分布的平均值
+    - **scale** (float16|float32) - 正态分布的标准差
+    - **seed** (int32) - 随机种子
+
+返回：对象
 
 **代码示例**
 
@@ -28,4 +30,3 @@ Random Truncated Normal(高斯)分布初始化函数
 
 
 
-

doc/fluid/api_cn/initializer_cn/UniformInitializer_cn.rst

@@ -8,9 +8,11 @@ UniformInitializer
 随机均匀分布初始化器
 
 参数：
-    - **low** (float) - 下界 
-    - **high** (float) - 上界
-    - **seed** (int) - 随机种子
+    - **low** (float16|float32) - 下界 
+    - **high** (float16|float32) - 上界
+    - **seed** (int32) - 随机种子
+
+返回：对象
 
 **代码示例**
 
@@ -28,4 +30,3 @@ UniformInitializer
 
 
 
-

doc/fluid/api_cn/initializer_cn/force_init_on_cpu_cn.rst

@@ -5,7 +5,7 @@ force_init_on_cpu
 
 .. py:function:: paddle.fluid.initializer.force_init_on_cpu()
 
-标志位，是否强制在CPU上进行变量初始化。
+该接口获得一个是否强制在CPU上初始化变量的布尔型标志位。
 
 返回：状态，是否应强制在CPU上强制进行变量初始化
 

doc/fluid/api_cn/initializer_cn/init_on_cpu_cn.rst

@@ -5,7 +5,9 @@ init_on_cpu
 
 .. py:function:: paddle.fluid.initializer.init_on_cpu()
 
-强制变量在 cpu 上初始化。
+该接口设置强制变量在 cpu 上初始化。
+
+返回：无
 
 **代码示例**
 
@@ -17,6 +19,3 @@ init_on_cpu
 
 
 
-
-
-

doc/fluid/api_cn/layers_cn/row_conv_cn.rst

@@ -5,7 +5,7 @@ row_conv
 
 .. py:function:: paddle.fluid.layers.row_conv(input, future_context_size, param_attr=None, act=None)
 
-行卷积（Row-convolution operator）称为超前卷积（lookahead convolution）。下面关于DeepSpeech2的paper中介绍了这个operator
+该接口为行卷积（Row-convolution operator）或称之为超前卷积（lookahead convolution），最早介绍于DeepSpeech2论文中，论文链接：
 
     `<http://www.cs.cmu.edu/~dyogatam/papers/wang+etal.iclrworkshop2016.pdf>`_
 
@@ -25,12 +25,12 @@ row_conv
 详细请参考 `设计文档  <https://github.com/PaddlePaddle/Paddle/issues/2228#issuecomment-303903645>`_  。
 
 参数:
-    - **input** (Variable) -- 输入是一个LodTensor，它支持可变时间长度的输入序列。这个LodTensor的内部张量是一个具有形状(T x N)的矩阵，其中T是这个mini batch中的总的timestep，N是输入数据维数。
-    - **future_context_size** (int) -- 下文大小。请注意，卷积核的shape是[future_context_size + 1, D]。
+    - **input** (Variable) -- 支持输入为LodTensor和Tensor，输入类型可以是[float32, float64]，它支持可变时间长度的输入序列。当输入input为LodTensor时，其内部张量是一个具有形状(T x N)的矩阵，其中T是这个mini batch中的总的timestep，N是输入数据维数。当输入input为Tensor时，其形状为(B x T x N)的三维矩阵，B为mini batch大小，T为每个batch输入中的最大timestep，N是输入数据维数。当输入input为LoDTensor，形状为[9, N],LoD信息为[2, 3, 4]，等价于输入input为形状是[3, 4, N]的Tensor。
+    - **future_context_size** (int) -- 下文大小。请注意，卷积核的shape是[future_context_size + 1, N]，N和输入input的数据维度N保持一致。
     - **param_attr** (ParamAttr) --  参数的属性，包括名称、初始化器等。
     - **act** (str) -- 非线性激活函数。
 
-返回: 输出(Out)是一个LodTensor，它支持可变时间长度的输入序列。这个LodTensor的内部量是一个形状为 T x N 的矩阵，和X的 shape 一样。
+返回：表示row_conv计算结果的Variable，数据类型、维度和输入input相同。
 
 
 **代码示例**
@@ -38,9 +38,17 @@ row_conv
 ..  code-block:: python
 
   import paddle.fluid as fluid
+  # LoDTensor input
+  x = fluid.layers.data(name='x', shape=[9, 16],
+                        dtype='float32', lod_level=3,
+                        append_batch_size=False)
+  out = fluid.layers.row_conv(input=x, future_context_size=2)
 
-  x = fluid.layers.data(name='x', shape=[16],
-                        dtype='float32', lod_level=1)
+  # Tensor input
+  x = fluid.layers.data(name='x', shape=[9, 4, 16],
+                        dtype='float32',
+                        append_batch_size=False)
   out = fluid.layers.row_conv(input=x, future_context_size=2)
 
 
+