Follow comments

source/user_guides/howto/training/save_load_variables.rst

@@ -43,7 +43,7 @@
 ==========================
 
 如果我们保存模型的目的是用于对新样本的预测，那么只保存模型参数就足够了。我们可以使用
-:code:`fluid.io.save_params` 接口来进行模型参数的保存。
+:ref:`api_fluid_io_save_params` 接口来进行模型参数的保存。
 
 例如：
 
@@ -66,7 +66,7 @@
 
 在训练过程中，我们可能希望在一些节点上将当前的训练状态保存下来，
 以便在将来需要的时候恢复训练环境继续进行训练。这一般被称作“checkpoint”。
-想要保存checkpoint，可以使用 :code:`fluid.io.save_checkpoint` 接口。
+想要保存checkpoint，可以使用 :ref:`api_fluid_io_save_checkpoint` 接口。
 
 例如：
 
@@ -98,7 +98,7 @@
 如何载入模型变量
 ################
 
-与模型变量的保存相对应，我们提供了两套API来分别进行模型的参数和checkpoint的载入。
+与模型变量的保存相对应，我们提供了两套API来分别载入模型的参数和载入模型的checkpoint。
 
 载入模型用于对新样本的预测
 ==========================
@@ -152,7 +152,7 @@
 
 上面的例子中，通过调用 :code:`fluid.io.save_checkpoint` 函数，PaddlePaddle Fluid会对
 :code:`prog` 中的所有模型变量进行扫描，根据内置规则自动筛选出需要加载的变量，
-并尝试从 :code:`path` 之中读取加载它们。
+并尝试从 :code:`path` 之中加载它们。
 
 参数 :code:`serial` 用来标记具体要加载的checkpoint的版本号。在保存checkpoint的时候，
 一个checkpoint会被保存在一个子目录中，并在目录名上体现出自己的版本号。

source/user_guides/howto/training/single_node.rst

@@ -45,9 +45,9 @@
 
 用户配置完模型后，参数初始化操作会被写入到\
 :code:`fluid.default_startup_program()` 中。使用 :ref:`api_fluid_Executor` 运行
-这一程序，即可在全局 :ref:`api_fluid_Scope` 中随机初始化参数。例如:
+这一程序，即可在全局 :ref:`api_fluid_global_scope` 中随机初始化参数。例如:
 
-.. code-blocks:: python
+.. code-block:: python
 
    exe = fluid.Executor(fluid.CUDAPlace(0))
    exe.run(program=fluid.default_startup_program())
@@ -84,7 +84,7 @@
 1. feed的数据格式，请参考文章 :ref:`user_guide_feed_data_to_executor`。
 2. :code:`Executor.run` 的返回值是 :code:`fetch_list=[...]` 的variable值。被fetch\
    的Variable必须是persistable的。 :code:`fetch_list` 可以传入Variable的列表，\
-   也可以传入Varialbe的名字列表。当只Fetch一个对象时，返回值是一个元素。否则，\
+   也可以传入Variable的名字列表。当只fetch一个对象时，返回值是一个元素。否则，\
    返回一个列表。
 3. 如果需要取回的数据包含序列信息，可以设置
    :code:`exe.run(return_numpy=False, ...)` 直接返回 :ref:`api_guide_lod_tensor`
@@ -105,7 +105,7 @@
 这里有几点注意事项:
 
 1. :code:`ParallelExecutor` 的构造函数需要指明要执行的 :ref:`api_fluid_Program` ,
-   并在执行过程中不能修改。
+   并在执行过程中不能修改。默认值是 :ref:`api_fluid_default_main_program` 。
 2. :code:`ParallelExecutor` 需要明确指定是否使用 CUDA 显卡进行训练。在显卡训练\
    模式下会占用全部显卡。用户可以配置 `CUDA_VISIBLE_DEVICES <http://www.acceleware.com/blog/cudavisibledevices-masking-gpus>`_ 来修改占用\
    的显卡。

source/user_guides/howto/training/test_while_training.rst

@@ -8,7 +8,9 @@
 
 1. 评价测试不进行反向传播，不优化更新参数。
 2. 评价测试执行的操作可以不同。
+
    * 例如 BatchNorm 操作，在训练和测试时执行不同的算法。
+
    * 评价模型与训练相比可以是完全不同的模型。
 
 生成测试 :ref:`api_fluid_Program`
@@ -18,7 +20,7 @@
 =======================================================================
 
 :code:`Program.clone()` 方法可以复制出新的 :ref:`api_fluid_Program` 。 通过设置
-:code:`Program.clone(for_test=True)` 复制出用于测试的操作。简单的使用方法如下:
+:code:`Program.clone(for_test=True)` 复制含有用于测试的操作Program。简单的使用方法如下:
 
 .. code-block:: python
 
@@ -46,7 +48,7 @@
 分别配置训练 :ref:`api_fluid_Program` 和测试 :ref:`api_fluid_Program`
 =====================================================================
 
-如果训练程序和测试程序相差较大时，用户也可以完全通过定义两个不同的
+如果训练程序和测试程序相差较大时，用户也可以通过完全定义两个不同的
 :ref:`api_fluid_Program`，分别进行训练和测试。在PaddlePaddle Fluid中，\
 所有的参数都有名字。如果两个不同的操作，甚至两个不同的网络使用了同样名字的参数，\
 那么他们的值和内存空间都是共享的。