icafe DLTP-1328, stress exe.close() (#900)

* modify write_docs_cn, write_docs_en, include specifications about python 2.7.15 and creating  virtual env with conda

* gitignore update

* revert .gitignore;  update write_docs

* icafe DLTP-1328, stress  exe.close()

* DLTP-1383 不可迭代更正

* DLTP-1404 修复动态图文档中每段代码的格式和大小都不一样

* DLTP-1390 Pyreader中文显示格式问题

* DLTP-1393 无效链接

* DLTP-1421 paddle.fluid.layers.reduce_max中文翻译有问题

* DyGraph 调整标签结构

doc/fluid/advanced_usage/best_practice/dist_training_gpu.rst

@@ -24,8 +24,8 @@ PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性
     :header: "调节项", "可选值说明", "配置方法"
     :widths: 3, 3, 5
 
-    "通信模式", "pserver模式；NCCL2模式（collective [#]_ ）", "配置方法参考： `这里 <../../user_guides/howto/training/cluster_howto.html#permalink-8--nccl2->`_ "
-    "执行模式", "单进程；单进程ParallelGraph；多进程", "配置方法参考： `这里 <../../user_guides/howto/training/cluster_howto.html#permalink-9--nccl2->`_ "
+    "通信模式", "pserver模式；NCCL2模式（collective [#]_ ）", "配置方法参考：:ref:`cluster_howto`"
+    "执行模式", "单进程；单进程ParallelGraph；多进程", "配置方法参考：:ref:`cluster_howto`"
     "同步AllReduce操作", "开启则使每次调用等待AllReduce同步", "设置环境变量 :code:`FLAGS_sync_nccl_allreduce`"
     "CPU线程数", "int值，配置使用的CPU线程数", "参考本片后续说明"
     "预先分配足够的显存", "0~1之间的float值，预先分配显存的占比", "设置环境变量 :code:`FLAGS_fraction_of_gpu_memory_to_use`"
@@ -41,7 +41,7 @@ PaddlePaddle Fluid可以支持在现代GPU [#]_ 服务器集群上完成高性
 选择通信模式和执行模式
 +++++++++++++++++++
 
-GPU分布式训练场景，使用多进程+NCCL2模式（collective）通常可以获得最好的性能。参考 `这里 <../../user_guides/howto/training/cluster_howto.html#permalink-8--nccl2->`_ 配置您的程序使用多进程NCCL2模式训练。
+GPU分布式训练场景，使用多进程+NCCL2模式（collective）通常可以获得最好的性能。参考 :ref:`cluster_howto` 配置您的程序使用多进程NCCL2模式训练。
 
 在进程模式下，每台服务器的每个GPU卡都会对应启动一个训练进程，
 集群中的所有进程之间会互相通信完成训练。以此方式最大限度的降低进程内部资源抢占的开销。

doc/fluid/api_cn/io_cn.rst

@@ -196,7 +196,7 @@ PyReader
 
 **代码示例**
 
-1.如果iterable=false，则创建的Pyreader对象几乎与 ``fluid.layers.py_reader（）`` 相同。算子将被插入program中。用户应该在每个epoch之前调用start（），并在epoch结束时捕获 ``Executor.run（）`` 抛出的 ``fluid.core.EOFException `` 。一旦捕获到异常，用户应该调用reset（）手动重置reader。
+1.如果iterable=False，则创建的Pyreader对象几乎与 ``fluid.layers.py_reader（）`` 相同。算子将被插入program中。用户应该在每个epoch之前调用start（），并在epoch结束时捕获 ``Executor.run（）`` 抛出的 ``fluid.core.EOFException `` 。一旦捕获到异常，用户应该调用reset（）手动重置reader。
 
 ..  code-block:: python
 
@@ -220,7 +220,7 @@ PyReader
               break
 
 
-2.如果iterable=True，则创建的Pyreader对象与程序分离。程序中不会插入任何算子。在本例中，创建的reader是一个python生成器，它是不可迭代的。用户应将从Pyreader对象生成的数据输入 ``Executor.run(feed=...)`` 
+2.如果iterable=True，则创建的Pyreader对象与程序分离。程序中不会插入任何算子。在本例中，创建的reader是一个python生成器，它是可迭代的。用户应将从Pyreader对象生成的数据输入 ``Executor.run(feed=...)`` 
 
 ..  code-block:: python
 
@@ -239,15 +239,15 @@ PyReader
         for data in reader():
             executor.run(feed=data, ...)
 
-.. py:method::start()
+..  py:function:: start()
 
 启动数据输入线程。只能在reader对象不可迭代时调用。
 
-.. py:method::reset()
+..  py:function:: reset()
 
 当 ``fluid.core.EOFException`` 提升时重置reader对象。只能在reader对象不可迭代时调用。
 
-.. py:method::decorate_sample_generator(sample_generator, batch_size, drop_last=True, places=None)
+..  py:function:: decorate_sample_generator(sample_generator, batch_size, drop_last=True, places=None)
 
 设置Pyreader对象的数据源。
 
@@ -264,7 +264,7 @@ PyReader
   - **places** (None|list(CUDAPlace)|list(CPUPlace)) –  位置列表。当PyReader可迭代时必须被提供
 
 
-.. py:method::decorate_sample_list_generator(reader, places=None)
+..  py:function:: decorate_sample_list_generator(reader, places=None)
 
 设置Pyreader对象的数据源。
 
@@ -277,7 +277,7 @@ PyReader
   - **places** (None|list(CUDAPlace)|list(CPUPlace)) –  位置列表。当PyReader可迭代时必须被提供
 
 
-.. py:method::decorate_batch_generator(reader, places=None)
+..  py:function:: decorate_batch_generator(reader, places=None)
 
 设置Pyreader对象的数据源。
 

doc/fluid/api_cn/layers_cn.rst

@@ -6839,7 +6839,7 @@ reduce_max
 
 参数：
           - **input** （Variable）：输入变量为Tensor或LoDTensor。
-          - **dim** （list | int | None）：函数运算的维度。如果为None，则计算所有元素的平均值并返回单个元素的Tensor变量，否则必须在  :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将减小为 :math:`rank+dim[i]` 。
+          - **dim** （list | int | None）：函数运算的维度。如果为None，则计算所有元素中的最大值并返回单个元素的Tensor变量，否则必须在  :math:`[−rank(input),rank(input)]` 范围内。如果 :math:`dim [i] <0` ，则维度将减小为 :math:`rank+dim[i]` 。
           - **keep_dim** （bool | False）：是否在输出Tensor中保留减小的维度。除非 ``keep_dim`` 为true，否则结果张量将比输入少一个维度。
           - **name** （str | None）：这一层的名称（可选）。如果设置为None，则将自动命名这一层。
 

doc/fluid/user_guides/howto/dygraph/DyGraph.md

@@ -23,19 +23,24 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
 1. 升级到最新的PaddlePaddle 1.4:	
 
+    ```
     pip install -q --upgrade paddlepaddle==1.4
+    ```
 
 2. 使用`fluid.dygraph.guard(place=None)` 上下文：
 		
+    ```python
     import paddle.fluid as fluid
     with fluid.dygraph.guard():
     	# write your executable dygraph code here             
+    ```
 
-	现在您就可以在`fluid.dygraph.guard()`上下文环境中使用DyGraph的模式运行网络了，DyGraph将改变以往PaddlePaddle的执行方式： 现在他们将会立即执行，并且将计算结果返回给Python。
+现在您就可以在`fluid.dygraph.guard()`上下文环境中使用DyGraph的模式运行网络了，DyGraph将改变以往PaddlePaddle的执行方式： 现在他们将会立即执行，并且将计算结果返回给Python。
 
 
-	Dygraph将非常适合和Numpy一起使用，使用`fluid.dygraph.base.to_variable(x)`将会将ndarray转换为`fluid.Variable`，而使用`fluid.Variable.numpy()`将可以把任意时刻获取到的计算结果转换为Numpy`ndarray`：         
+Dygraph将非常适合和Numpy一起使用，使用`fluid.dygraph.base.to_variable(x)`将会将ndarray转换为`fluid.Variable`，而使用`fluid.Variable.numpy()`将可以把任意时刻获取到的计算结果转换为Numpy`ndarray`：         
 
+    ```python
     x = np.ones([2, 2], np.float32)
     with fluid.dygraph.guard():
         inputs = []
@@ -43,29 +48,39 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
             inputs.append(fluid.dygraph.base.to_variable(x))
         ret = fluid.layers.sums(inputs)
         print(ret.numpy())
+    ```		
 		    
 
+
+得到输出 ：
+         
+    ```
     [[10. 10.]
     [10. 10.]]
 
     Process finished with exit code 0
+    ```
 
+>	这里创建了一系列`ndarray`的输入，执行了一个`sum`操作之后，我们可以直接将运行的结果打印出来
 
-	>	这里创建了一系列`ndarray`的输入，执行了一个`sum`操作之后，我们可以直接将运行的结果打印出来
+然后通过调用`reduce_sum`后使用`Variable.backward()`方法执行反向，使用`Variable.gradient()`方法即可获得反向网络执行完成后的梯度值的`ndarray`形式：
 
-	然后通过调用`reduce_sum`后使用`Variable.backward()`方法执行反向，使用`Variable.gradient()`方法即可获得反向网络执行完成后的梯度值的`ndarray`形式：
 
+
+    ```python
     loss = fluid.layers.reduce_sum(ret)
     loss.backward()
     print(loss.gradient())
+    ```
 
 
 		
+得到输出 ：
+    ```
     [1.]
 
     Process finished with exit code 0
-
-
+    ```
 
 <!--3. 使用Python和Numpy的操作来构建一个网络：
 
@@ -111,44 +126,61 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
     1. 建立一个可以在DyGraph模式中执行的，Object-Oriented的网络，需要继承自`fluid.Layer`，其中需要调用基类的`__init__`方法，并且实现带有参数`name_scope`（用来标识本层的名字）的`__init__`构造函数，在构造函数中，我们通常会执行一些例如参数初始化，子网络初始化的操作，执行这些操作时不依赖于输入的动态信息:
 		
+
+        ```python
         class MyLayer(fluid.Layer):
             def __init__(self, name_scope):
                 super(MyLayer, self).__init__(name_scope)    
+        ```
 
     2. 实现一个`forward(self, *inputs)`的执行函数，该函数将负责执行实际运行时网络的执行逻辑， 该函数将会在每一轮训练/预测中被调用，这里我们将执行一个简单的`relu` -> `elementwise add` -> `reduce sum`：
 	
+
+        ```python
         def forward(self, inputs):
             x = fluid.layers.relu(inputs)
             self._x_for_debug = x
             x = fluid.layers.elementwise_mul(x, x)
             x = fluid.layers.reduce_sum(x)
             return [x]       
+        ```
 
     3. （可选）实现一个`build_once(self, *inputs)` 方法，该方法将作为一个单次执行的函数，用于初始化一些依赖于输入信息的参数和网络信息, 例如在`FC`（fully connected layer）当中, 需要依赖输入的`shape`初始化参数， 这里我们并不需要这样的操作，仅仅为了展示，因此这个方法可以直接跳过：
 		
+
+        ```python
         def build_once(self, input):
             pass
+        ```
 
 2. 在`fluid.dygraph.guard()`中执行：
 
+
     1. 使用Numpy构建输入：
 		
+
+    	```python
         np_inp = np.array([1.0, 2.0, -1.0], dtype=np.float32)
+        ```
 
     2. 输入转换并执行前向网络获取返回值： 使用`fluid.dygraph.base.to_variable(np_inp)`转换Numpy输入为DyGraph接收的输入，然后使用`l(var_inp)[0]`调用callable object并且获取了`x`作为返回值，利用`x.numpy()`方法直接获取了执行得到的`x`的`ndarray`返回值。
 
 
+    	```python
         with fluid.dygraph.guard():
             var_inp = fluid.dygraph.base.to_variable(np_inp)
             l = MyLayer("my_layer")
             x = l(var_inp)[0]
             dy_out = x.numpy()
+        ```
 
     3. 计算梯度：自动微分对于实现机器学习算法（例如用于训练神经网络的反向传播）来说很有用， 使用`x.backward()`方法可以从某个`fluid.Varaible`开始执行反向网络，同时利用`l._x_for_debug.gradient()`获取了网络中`x`梯度的`ndarray` 返回值：
 		
+
+    	```python
         x.backward()
         dy_grad = l._x_for_debug.gradient()
-
+        ```
 
 
 ## 使用DyGraph训练模型
@@ -160,11 +192,14 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
 1.	准备数据，我们使用`paddle.dataset.mnist`作为训练所需要的数据集：
 	
+    ```python
     train_reader = paddle.batch(
     paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True)
+    ```
 
 2. 构建网络，虽然您可以根据之前的介绍自己定义所有的网络结构，但是您也可以直接使用`fluid.Layer.nn`当中我们为您定制好的一些基础网络结构，这里我们利用`fluid.Layer.nn.Conv2d`以及`fluid.Layer.nn.Pool2d`构建了基础的`SimpleImgConvPool`：
     	
+    ```python
     class SimpleImgConvPool(fluid.dygraph.Layer):
         def __init__(self,
                      name_scope,
@@ -212,7 +247,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
             x = self._conv2d(inputs)
             x = self._pool2d(x)
             return x
-
+    ```
 
 
     > 注意: 构建网络时子网络的定义和使用请在`__init__`中进行， 而子网络的调用则在`forward`函数中调用
@@ -222,6 +257,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
 3. 利用已经构建好的`SimpleImgConvPool`组成最终的`MNIST`网络：
 	
+    ```python
     class MNIST(fluid.dygraph.Layer):
         def __init__(self, name_scope):
             super(MNIST, self).__init__(name_scope)
@@ -247,12 +283,13 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
             x = self._simple_img_conv_pool_2(x)
             x = self._fc(x)
             return x
-				  
+    ```		  
 
 
 			
 4. 在`fluid.dygraph.guard()`中定义配置好的`MNIST`网络结构，此时即使没有训练也可以在`fluid.dygraph.guard()`中调用模型并且检查输出：
 	
+    ```python
     with fluid.dygraph.guard():
     	mnist = MNIST("mnist")
     	id, data = list(enumerate(train_reader()))[0]
@@ -261,9 +298,11 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
     	     for x in data]).astype('float32')
     	img = to_variable(dy_x_data)
     	print("cost is: {}".format(mnist(img).numpy()))
+    ```	
     				
+    得到输出：
 
-				
+    ```
     cost is: [[0.10135901 0.1051138  0.1027941  ... 0.0972859  0.10221873 0.10165327]
     [0.09735426 0.09970362 0.10198303 ... 0.10134517 0.10179105 0.10025002]
     [0.09539858 0.10213123 0.09543551 ... 0.10613529 0.10535969 0.097991  ]
@@ -273,9 +312,11 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
     [0.09097178 0.10078511 0.10198414 ... 0.10317434 0.10087223 0.09816764]]
     	
     Process finished with exit code 0
+    ```
 
 5. 构建训练循环，在每一轮参数更新完成后我们调用`mnist.clear_gradients()`来重置梯度：
 
+    ```python
     for epoch in range(epoch_num):
         for batch_id, data in enumerate(train_reader()):
             dy_x_data = np.array(
@@ -296,7 +337,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
             avg_loss.backward()
             sgd.minimize(avg_loss)
             mnist.clear_gradients()
-
+    ```
 
 
 
@@ -306,6 +347,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
 	反向运行后调用之前定义的`SGD`优化器对象的`minimize`方法进行参数更新:
     		
+    ```python
     with fluid.dygraph.guard():
         fluid.default_startup_program().random_seed = seed
         fluid.default_main_program().random_seed = seed
@@ -347,10 +389,13 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
         print("Final loss: {:.7}".format(avg_loss.numpy()))
         print("_simple_img_conv_pool_1_conv2d W's mean is: {}".format(mnist._simple_img_conv_pool_1._conv2d._filter_param.numpy().mean()))
         print("_simple_img_conv_pool_1_conv2d Bias's mean is: {}".format(mnist._simple_img_conv_pool_1._conv2d._bias_param.numpy().mean()))
+    ```
 
 
 
+    得到输出：
 
+    ```
     Loss at step 0: [2.302]
     Loss at step 20: [1.616]
     Loss at step 40: [1.244]
@@ -378,23 +423,25 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
     Final loss: [0.164]
     _simple_img_conv_pool_1_conv2d W's mean is: 0.00606656912714
     _simple_img_conv_pool_1_conv2d Bias's mean is: -3.4576318285e-05
+    ```
 
 7.	性能
 
 	在使用`fluid.dygraph.guard()`可以通过传入`fluid.CUDAPlace(0)`或者`fluid.CPUPlace()`来选择执行DyGraph的设备，通常如果不做任何处理将会自动适配您的设备。
 
-## 模型参数的保存
+    ## 模型参数的保存
 
-
在模型训练中可以使用`                    fluid.dygraph.save_persistables(your_model_object.state_dict(), "save_dir")`来保存`your_model_object`中所有的模型参数。也可以自定义需要保存的“参数名” - “参数对象”的Python Dictionary传入。
+    
在模型训练中可以使用`                    fluid.dygraph.save_persistables(your_model_object.state_dict(), "save_dir")`来保存`your_model_object`中所有的模型参数。也可以自定义需要保存的“参数名” - “参数对象”的Python Dictionary传入。
 
-同样可以使用`your_modle_object.load_dict(fluid.dygraph.load_persistables("save_dir"))`接口来恢复保存的模型参数从而达到继续训练的目的。
+    同样可以使用`your_modle_object.load_dict(fluid.dygraph.load_persistables("save_dir"))`接口来恢复保存的模型参数从而达到继续训练的目的。
 
 
 
 
-下面的代码展示了如何在“手写数字识别”任务中保存参数并且读取已经保存的参数来继续训练。
+    下面的代码展示了如何在“手写数字识别”任务中保存参数并且读取已经保存的参数来继续训练。
 
 
+    ```python
     dy_param_init_value={}
     for epoch in range(epoch_num):
         for batch_id, data in enumerate(train_reader()):
@@ -429,6 +476,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
         if (not np.allclose(value.numpy(), dy_param_init_value[value.name])) or (not np.isfinite(value.numpy().all())) or (np.isnan(value.numpy().any())):
             success = False
     print("model save and load success? {}".format(success))
+    ```
 
 
         
@@ -443,7 +491,8 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
 
 我们在第二个`fluid.dygraph.guard()`上下文中利用之前保存的`checkpoint`进行预测，同样的在执行预测前需要使用`YourModel.eval()`来切换的预测模式。
 			
-	with fluid.dygraph.guard():
+```python
+with fluid.dygraph.guard():
     fluid.default_startup_program().random_seed = seed
     fluid.default_main_program().random_seed = seed
 
@@ -483,7 +532,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
     fluid.dygraph.save_persistables(mnist.state_dict(), "save_dir")
     print("checkpoint saved")
 
-    with fluid.dygraph.guard():
+with fluid.dygraph.guard():
     fluid.default_startup_program().random_seed = seed
     fluid.default_main_program().random_seed = seed
 
@@ -508,54 +557,58 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
     results = mnist_infer(to_variable(tensor_img))
     lab = np.argsort(results.numpy())
     print("Inference result of image/infer_3.png is: %d" % lab[0][-1])
+```
 
 
+得到输出：
 
+```
+Loss at epoch 3 , Test avg_loss is: 0.0721620170576, acc is: 0.97796474359
+Loss at epoch 4 step 0: [0.01078923]
+Loss at epoch 4 step 100: [0.10447877]
+Loss at epoch 4 step 200: [0.05149534]
+Loss at epoch 4 step 300: [0.0122997]
+Loss at epoch 4 step 400: [0.0281883]
+Loss at epoch 4 step 500: [0.10709661]
+Loss at epoch 4 step 600: [0.1306036]
+Loss at epoch 4 step 700: [0.01628026]
+Loss at epoch 4 step 800: [0.07947419]
+Loss at epoch 4 step 900: [0.02067161]
+Loss at epoch 4 , Test avg_loss is: 0.0802323290939, acc is: 0.976963141026
+checkpoint saved
+checkpoint loaded
 
-	Loss at epoch 3 , Test avg_loss is: 0.0721620170576, acc is: 0.97796474359
-	Loss at epoch 4 step 0: [0.01078923]
-	Loss at epoch 4 step 100: [0.10447877]
-	Loss at epoch 4 step 200: [0.05149534]
-	Loss at epoch 4 step 300: [0.0122997]
-	Loss at epoch 4 step 400: [0.0281883]
-	Loss at epoch 4 step 500: [0.10709661]
-	Loss at epoch 4 step 600: [0.1306036]
-	Loss at epoch 4 step 700: [0.01628026]
-	Loss at epoch 4 step 800: [0.07947419]
-	Loss at epoch 4 step 900: [0.02067161]
-	Loss at epoch 4 , Test avg_loss is: 0.0802323290939, acc is: 0.976963141026
-	checkpoint saved
-	checkpoint loaded
 
+Ran 1 test in 208.017s
 
-	Ran 1 test in 208.017s
-	
-	Inference result of image/infer_3.png is: 3
+Inference result of image/infer_3.png is: 3
+```
 
 
 ## 编写兼容的模型
 
 以上一步中手写数字识别的例子为例，相同的模型代码可以直接在PaddlePaddle的`Executor`中执行：
 	
-	exe = fluid.Executor(fluid.CPUPlace(
-	) if not core.is_compiled_with_cuda() else fluid.CUDAPlace(0))
+```python
+exe = fluid.Executor(fluid.CPUPlace(
+) if not core.is_compiled_with_cuda() else fluid.CUDAPlace(0))
 
-	mnist = MNIST("mnist")
-	sgd = SGDOptimizer(learning_rate=1e-3)
-	train_reader = paddle.batch(
+mnist = MNIST("mnist")
+sgd = SGDOptimizer(learning_rate=1e-3)
+train_reader = paddle.batch(
     paddle.dataset.mnist.train(), batch_size= BATCH_SIZE, drop_last=True)
 
-	img = fluid.layers.data(
+img = fluid.layers.data(
     name='pixel', shape=[1, 28, 28], dtype='float32')
-	label = fluid.layers.data(name='label', shape=[1], dtype='int64')
-	cost = mnist(img)
-	loss = fluid.layers.cross_entropy(cost, label)
-	avg_loss = fluid.layers.mean(loss)
-	sgd.minimize(avg_loss)
+label = fluid.layers.data(name='label', shape=[1], dtype='int64')
+cost = mnist(img)
+loss = fluid.layers.cross_entropy(cost, label)
+avg_loss = fluid.layers.mean(loss)
+sgd.minimize(avg_loss)
 
-	out = exe.run(fluid.default_startup_program())
+out = exe.run(fluid.default_startup_program())
 
-	for epoch in range(epoch_num):
+for epoch in range(epoch_num):
     for batch_id, data in enumerate(train_reader()):
         static_x_data = np.array(
             [x[0].reshape(1, 28, 28)
@@ -571,6 +624,7 @@ PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：
             fetch_list=fetch_list)
 
         static_out = out[0]
+```
 
 			
 			
\ No newline at end of file

doc/fluid/user_guides/howto/training/cluster_quick_start.rst

@@ -171,6 +171,9 @@ PSERVER 节点中会保存所有 TRAINER 节点的状态信息，在 TRAINER 结
     # training process ...
     exe.close() # notify PServer to destory the resource
 
+注意：所有的trainer在退出时都需要调用exe.close()。
+
+
 启动分布式训练任务
 --------------------
 

doc/fluid/user_guides/howto/training/cluster_quick_start_en.rst

@@ -167,6 +167,7 @@ The status information of all trainer nodes is saved in the pserver node. When t
   # training process ...
   exe.close() # notify PServer to destory the resource
 
+Note: every trainer needs to call exe.close() when the trainer finishes.
 
 Start a Distributed Training Task
 ----------------------------------