Fix bug 0902 (#1134)

* fixed one error of http://newicafe.baidu.com/issue/DLTP-2186/show

* update api_cn of develop

* fixed some errors of http://newicafe.baidu.com/issue/DLTP-2129/show

doc/fluid/api_cn/fluid_cn/Executor_cn.rst

@@ -136,7 +136,7 @@ feed map为该program提供输入数据。fetch_list提供program训练结束后
   - **fetch_var_name** (str) – 结果获取算子(fetch operator)的输出变量名称
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。缺省为全局域
   - **return_numpy** (bool) – 如果为True,则将结果张量（fetched tensor）转化为numpy
-  - **use_program_cache** (bool) – 是否跨批使用缓存程序设置。设置为True时，只有当（1）程序没有用数据并行编译，并且（2）program、 feed变量名和fetch_list变量名与上一步相比没有更改时，运行速度才会更快。
+  - **use_program_cache** (bool) – 是否在不同的批次间使用相同的缓存程序设置。设置为True时，只有当（1）程序没有用数据并行编译，并且（2）program、 feed变量名和fetch_list变量名与上一步相比没有更改时，运行速度才会更快。
   
 返回: 根据fetch_list来获取结果
 

doc/fluid/api_cn/io_cn/save_persistables_cn.rst

@@ -13,8 +13,6 @@ save_persistables
  - **executor**  (Executor) – 保存变量的 executor
  - **dirname**  (str) – 目录路径
  - **main_program**  (Program|None) – 需要保存变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
- - **predicate**  (function|None) – 如果不等于None，当指定main_program， 那么只有 predicate(variable)==True 时，main_program中的变量
- - **vars**  (list[Variable]|None) –  要保存的所有变量的列表。 优先级高于main_program。默认值: None
  - **filename**  (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None
  
 返回: None

doc/fluid/api_cn/layers_cn.rst

@@ -28,7 +28,6 @@ fluid.layers
     layers_cn/atan_cn.rst
     layers_cn/auc_cn.rst
     layers_cn/autoincreased_step_counter_cn.rst
-    layers_cn/batch_cn.rst
     layers_cn/batch_norm_cn.rst
     layers_cn/beam_search_cn.rst
     layers_cn/beam_search_decode_cn.rst
@@ -41,6 +40,7 @@ fluid.layers
     layers_cn/brelu_cn.rst
     layers_cn/cast_cn.rst
     layers_cn/ceil_cn.rst
+    layers_cn/center_loss_cn.rst
     layers_cn/chunk_eval_cn.rst
     layers_cn/clip_by_norm_cn.rst
     layers_cn/clip_cn.rst
@@ -96,9 +96,11 @@ fluid.layers
     layers_cn/exp_cn.rst
     layers_cn/expand_cn.rst
     layers_cn/exponential_decay_cn.rst
+    layers_cn/eye_cn.rst
     layers_cn/fc_cn.rst
     layers_cn/fill_constant_batch_size_like_cn.rst
     layers_cn/fill_constant_cn.rst
+    layers_cn/filter_by_instag_cn.rst
     layers_cn/flatten_cn.rst
     layers_cn/floor_cn.rst
     layers_cn/fsp_matrix_cn.rst
@@ -116,6 +118,7 @@ fluid.layers
     layers_cn/gru_unit_cn.rst
     layers_cn/hard_shrink_cn.rst
     layers_cn/hard_sigmoid_cn.rst
+    layers_cn/hard_swish_cn.rst
     layers_cn/has_inf_cn.rst
     layers_cn/has_nan_cn.rst
     layers_cn/hash_cn.rst
@@ -141,6 +144,7 @@ fluid.layers
     layers_cn/linear_lr_warmup_cn.rst
     layers_cn/linspace_cn.rst
     layers_cn/load_cn.rst
+    layers_cn/lod_append_cn.rst
     layers_cn/lod_reset_cn.rst
     layers_cn/log_cn.rst
     layers_cn/log_loss_cn.rst
@@ -153,6 +157,7 @@ fluid.layers
     layers_cn/lstm_cn.rst
     layers_cn/lstm_unit_cn.rst
     layers_cn/margin_rank_loss_cn.rst
+    layers_cn/match_matrix_tensor_cn.rst
     layers_cn/matmul_cn.rst
     layers_cn/maxout_cn.rst
     layers_cn/mean_cn.rst
@@ -165,11 +170,12 @@ fluid.layers
     layers_cn/natural_exp_decay_cn.rst
     layers_cn/nce_cn.rst
     layers_cn/noam_decay_cn.rst
+    layers_cn/Normal_cn.rst
     layers_cn/not_equal_cn.rst
     layers_cn/npair_loss_cn.rst
     layers_cn/one_hot_cn.rst
     layers_cn/ones_cn.rst
-    layers_cn/open_files_cn.rst
+    layers_cn/ones_like_cn.rst
     layers_cn/pad_cn.rst
     layers_cn/pad_constant_like_cn.rst
     layers_cn/pad2d_cn.rst
@@ -181,14 +187,12 @@ fluid.layers
     layers_cn/pool3d_cn.rst
     layers_cn/pow_cn.rst
     layers_cn/prelu_cn.rst
-    layers_cn/Preprocessor_cn.rst
     layers_cn/Print_cn.rst
     layers_cn/prior_box_cn.rst
     layers_cn/psroi_pool_cn.rst
     layers_cn/py_func_cn.rst
     layers_cn/py_reader_cn.rst
     layers_cn/random_crop_cn.rst
-    layers_cn/random_data_generator_cn.rst
     layers_cn/range_cn.rst
     layers_cn/rank_cn.rst
     layers_cn/rank_loss_cn.rst
@@ -207,6 +211,7 @@ fluid.layers
     layers_cn/reshape_cn.rst
     layers_cn/resize_bilinear_cn.rst
     layers_cn/resize_nearest_cn.rst
+    layers_cn/resize_trilinear_cn.rst
     layers_cn/retinanet_detection_output_cn.rst
     layers_cn/retinanet_target_assign_cn.rst
     layers_cn/reverse_cn.rst
@@ -239,6 +244,7 @@ fluid.layers
     layers_cn/sequence_softmax_cn.rst
     layers_cn/sequence_unpad_cn.rst
     layers_cn/shape_cn.rst
+    layers_cn/shard_index_cn.rst
     layers_cn/shuffle_channel_cn.rst
     layers_cn/shuffle_cn.rst
     layers_cn/sigmoid_cn.rst
@@ -280,10 +286,15 @@ fluid.layers
     layers_cn/topk_cn.rst
     layers_cn/transpose_cn.rst
     layers_cn/tree_conv_cn.rst
+    layers_cn/unfold_cn.rst
+    layers_cn/Uniform_cn.rst
     layers_cn/uniform_random_cn.rst
     layers_cn/uniform_random_batch_size_like_cn.rst
+    layers_cn/unique_cn.rst
+    layers_cn/unique_with_counts_cn.rst
     layers_cn/unsqueeze_cn.rst
     layers_cn/unstack_cn.rst
+    layers_cn/var_conv_2d_cn.rst
     layers_cn/warpctc_cn.rst
     layers_cn/where_cn.rst
     layers_cn/While_cn.rst

doc/fluid/api_cn/layers_cn/Preprocessor_cn.rst

-.. _cn_api_fluid_layers_Preprocessor:
-
-Preprocessor
--------------------------------
-
-.. py:class:: paddle.fluid.layers.Preprocessor(reader, name=None)
-
-reader变量中数据预处理块。
-
-参数：
-    - **reader** (Variable)-reader变量
-    - **name** (str,默认None)-reader的名称
-
-**代码示例**:
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    reader = fluid.layers.io.open_files(
-        filenames=['./data1.recordio', './data2.recordio'],
-        shapes=[(3, 224, 224), (1, )],
-        lod_levels=[0, 0],
-        dtypes=['float32', 'int64'])
-
-    preprocessor = fluid.layers.io.Preprocessor(reader=reader)
-    with preprocessor.block():
-        img, lbl = preprocessor.inputs()
-        img_out = img / 2
-        lbl_out = lbl + 1
-        preprocessor.outputs(img_out, lbl_out)
-    data_file = fluid.layers.io.double_buffer(preprocessor())
-
-
-
-
-
-
-
-
-

doc/fluid/api_cn/layers_cn/anchor_generator_cn.rst

@@ -19,7 +19,7 @@ anchor_generator
     - **name** (str) - 先验框操作符名称。默认：None
 
 返回：
-    - Anchors(Varibale): 输出anchor，布局[H,W,num_anchors,4] , ``H``  是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每位的框数,每个anchor格式（未归一化）为(xmin,ymin,xmax,ymax)
+    - Anchors(Varibale): 输出anchor，布局[H,W,num_anchors,4] , ``H``  是输入的高度， ``W`` 是输入的宽度， ``num_anchors`` 是输入每位的框数,每个anchor格式（未归一化）为(xmin,ymin,xmax,ymax)
 
     - Variances(Variable): anchor的扩展变量布局为 [H,W,num_priors,4]。 ``H`` 是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每个位置的框数,每个变量的格式为(xcenter,ycenter,w,h)。
 

doc/fluid/api_cn/layers_cn/batch_cn.rst

-.. _cn_api_fluid_layers_batch:
-
-batch
--------------------------------
-
-.. py:function:: paddle.fluid.layers.batch(reader, batch_size)
-
-该层是一个reader装饰器。接受一个reader变量并添加``batching``装饰。读取装饰的reader，输出数据自动组织成batch的形式。
-
-参数：
-    - **reader** (Variable)-装饰有“batching”的reader变量
-    - **batch_size** (int)-批尺寸
-
-返回：装饰有``batching``的reader变量
-
-返回类型：变量(Variable)
-
-**代码示例**：
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    raw_reader = fluid.layers.io.open_files(filenames=['./data1.recordio',
-                                               './data2.recordio'],
-                                        shapes=[(3,224,224), (1,)],
-                                        lod_levels=[0, 0],
-                                        dtypes=['float32', 'int64'],
-                                        thread_num=2,
-                                        buffer_size=2)
-    batch_reader = fluid.layers.batch(reader=raw_reader, batch_size=5)
-
-    # 如果用raw_reader读取数据：
-    #     data = fluid.layers.read_file(raw_reader)
-    # 只能得到数据实例。
-    #
-    # 但如果用batch_reader读取数据：
-    #     data = fluid.layers.read_file(batch_reader)
-    # 每5个相邻的实例自动连接成一个batch。因此get('data')得到的是一个batch数据而不是一个实例。
-
-
-
-
-
-
-
-
-

doc/fluid/api_cn/layers_cn/beam_search_cn.rst

@@ -22,7 +22,7 @@ beam_search
 参数:
   - **pre_ids** （Variable） -  LodTensor变量，它是上一步 ``beam_search`` 的输出。在第一步中。它应该是LodTensor，shape为 :math:`(batch\_size，1)` ， :math:`lod [[0,1，...，batch\_size]，[0,1，...，batch\_size]]`
   - **pre_scores** （Variable） -  LodTensor变量，它是上一步中beam_search的输出
-  - **ids** （Variable） - 包含候选ID的LodTensor变量。shape为 :math:`（batch\_size×beam\_ize，K）` ，其中 ``K`` 应该是 ``beam_size``
+  - **ids** （Variable） - 包含候选ID的LodTensor变量。shape为 :math:`（batch\_size×beam\_size，K）` ，其中 ``K`` 应该是 ``beam_size``
   - **scores** （Variable） - 与 ``ids`` 及其shape对应的累积分数的LodTensor变量, 与 ``ids`` 的shape相同。
   - **beam_size** （int） - 束搜索中的束宽度。
   - **end_id** （int） - 结束标记的id。

doc/fluid/api_cn/layers_cn/conv2d_transpose_cn.rst

@@ -65,7 +65,7 @@ conv2d_transpose
   - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个tuple，则形式为(filter_size_H, filter_size_W)。否则，滤波器将是一个方阵。如果filter_size=None，则内部会计算输出大小。
   - **padding** (int|tuple) - 填充大小。如果padding是一个元组，它必须包含两个整数(padding_H、padding_W)。否则，padding_H = padding_W = padding。默认:padding = 0。
   - **stride** (int|tuple) - 步长大小。如果stride是一个元组，那么元组的形式为(stride_H、stride_W)。否则，stride_H = stride_W = stride。默认:stride = 1。
-  - **dilation** (int|元组) - 膨胀(dilation)大小。如果dilation是一个元组，那么元组的形式为(dilation_H, dilation_W)。否则，dilation_H = dilation_W = dilation_W。默认:dilation= 1。
+  - **dilation** (int|元组) - 膨胀(dilation)大小。如果dilation是一个元组，那么元组的形式为(dilation_H, dilation_W)。否则，dilation_H = dilation_W = dilation。默认:dilation= 1。
   - **groups** (int) - Conv2d转置层的groups个数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，前半部分滤波器只连接到输入通道的前半部分，而后半部分滤波器只连接到输入通道的后半部分。默认值:group = 1。
   - **param_attr** (ParamAttr|None) - conv2d_transfer中可学习参数/权重的属性。如果param_attr值为None或ParamAttr的一个属性，conv2d_transfer使用ParamAttrs作为param_attr的值。如果没有设置的param_attr初始化器，那么使用Xavier初始化。默认值:None。
   - **bias_attr** (ParamAttr|bool|None) - conv2d_tran_bias中的bias属性。如果设置为False，则不会向输出单元添加偏置。如果param_attr值为None或ParamAttr的一个属性，将conv2d_transfer使用ParamAttrs作为，bias_attr。如果没有设置bias_attr的初始化器，bias将初始化为零。默认值:None。

doc/fluid/api_cn/layers_cn/elu_cn.rst

@@ -10,11 +10,11 @@ ELU激活层（ELU Activation Operator）
 根据 https://arxiv.org/abs/1511.07289 对输入张量中每个元素应用以下计算。
 
 .. math::
-        \\out=max(0,x)+min(0,α∗(ex−1))\\
+        \\out=max(0,x)+min(0,α∗(e^{x}−1))\\
 
 参数:
     - x(Variable)- ELU operator的输入
-    - alpha(FAOAT|1.0)- ELU的alpha值
+    - alpha(float|1.0)- ELU的alpha值
     - name (str|None) -这个层的名称(可选)。如果设置为None，该层将被自动命名。
 
 返回: ELU操作符的输出

doc/fluid/api_cn/layers_cn/lstm_unit_cn.rst

@@ -33,8 +33,8 @@ lstm单元的输入包括 :math:`x_{t}` ， :math:`h_{t-1}` 和 :math:`c_{t-1}`
 
 参数：
     - **x_t** (Variable) - 当前步的输入值，二维张量，shape为 M x N ，M是批尺寸，N是输入尺寸
-    - **hidden_t_prev** (Variable) - lstm单元的隐藏状态值，二维张量，shape为 M x S，M是批尺寸，N是lstm单元的大小
-    - **cell_t_prev** (Variable) - lstm单元的cell值，二维张量，shape为 M x S ，M是批尺寸，N是lstm单元的大小
+    - **hidden_t_prev** (Variable) - lstm单元的隐藏状态值，二维张量，shape为 M x S，M是批尺寸，S是lstm单元的大小
+    - **cell_t_prev** (Variable) - lstm单元的cell值，二维张量，shape为 M x S ，M是批尺寸，S是lstm单元的大小
     - **forget_bias** (Variable) - lstm单元的遗忘bias
     - **param_attr** (ParamAttr|None) - 可学习hidden-hidden权重的擦参数属性。如果设为None或者 ``ParamAttr`` 的一个属性，lstm_unit创建 ``ParamAttr`` 为param_attr。如果param_attr的初始化函数未设置，参数初始化为Xavier。默认：None
     - **bias_attr** (ParamAttr|None) - 可学习bias权重的bias属性。如果设为False，输出单元中则不添加bias。如果设为None或者 ``ParamAttr`` 的一个属性，lstm_unit创建 ``ParamAttr`` 为bias_attr。如果bias_attr的初始化函数未设置，bias初始化为0.默认：None

doc/fluid/api_cn/layers_cn/open_files_cn.rst

-.. _cn_api_fluid_layers_open_files:
-
-open_files
--------------------------------
-
-.. py:function:: paddle.fluid.layers.open_files(filenames, shapes, lod_levels, dtypes, thread_num=None, buffer_size=None, pass_num=1, is_test=None)
-
-打开文件(Open files)
-
-该函数获取需要读取的文件列表，并返回Reader变量。通过Reader变量，我们可以从给定的文件中获取数据。所有文件必须有名称后缀来表示它们的格式，例如，``*.recordio``。
-
-参数：
-    - **filenames** (list)-文件名列表
-    - **shape** (list)-元组类型值列表，声明数据维度
-    - **lod_levels** (list)-整形值列表，声明数据的lod层级
-    - **dtypes** (list)-字符串类型值列表，声明数据类型
-    - **thread_num** (None)-用于读文件的线程数。默认：min(len(filenames),cpu_number)
-    - **buffer_size** (None)-reader的缓冲区大小。默认：3*thread_num
-    - **pass_num** (int)-用于运行的传递数量
-    - **is_test** (bool|None)-open_files是否用于测试。如果用于测试，生成的数据顺序和文件顺序一致。反之，无法保证每一epoch之间的数据顺序是一致的
-
-返回：一个Reader变量，通过该变量获取文件数据
-
-返回类型：变量(Variable)
-
-**代码示例**：
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    reader = fluid.layers.io.open_files(filenames=['./data1.recordio',
-                                            './data2.recordio'],
-                                    shapes=[(3,224,224), (1,)],
-                                    lod_levels=[0, 0],
-                                    dtypes=['float32', 'int64'])
-
-    # 通过reader, 可使用''read_file''层获取数据:
-    image, label = fluid.layers.io.read_file(reader)
-
-
-
-
-
-
-
-
-

doc/fluid/api_cn/layers_cn/random_data_generator_cn.rst

-.. _cn_api_fluid_layers_random_data_generator:
-
-random_data_generator
--------------------------------
-
-.. py:function:: paddle.fluid.layers.random_data_generator(low, high, shapes, lod_levels, for_parallel=True)
-
-创建一个均匀分布随机数据生成器.
-
-该层返回一个Reader变量。该Reader变量不是用于打开文件读取数据，而是自生成float类型的均匀分布随机数。该变量可作为一个虚拟reader来测试网络，而不需要打开一个真实的文件。
-
-参数：
-    - **low** (float)--数据均匀分布的下界
-    - **high** (float)-数据均匀分布的上界
-    - **shapes** (list)-元组数列表，声明数据维度
-    - **lod_levels** (list)-整形数列表，声明数据
-    - **for_parallel** (Bool)-若要运行一系列操作命令则将其设置为True
-
-返回：Reader变量，可从中获取随机数据
-
-返回类型：变量(Variable)
-
-**代码示例**：
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    reader = fluid.layers.random_data_generator(
-                                 low=0.0,
-                                 high=1.0,
-                                 shapes=[[3,224,224], [1]],
-                                 lod_levels=[0, 0])
-    # 通过reader, 可以用'read_file'层获取数据:
-    image, label = fluid.layers.read_file(reader)
-
-
-
-
-
-
-
-
-

doc/fluid/api_cn/layers_cn/shard_index_cn.rst

+.. _cn_api_fluid_layers_shard_index:
+
+shard_index
+-------------------------------
+
+.. py:function:: paddle.fluid.layers.shard_index(input, index_num, nshards, shard_id, ignore_value=-1)
+
+该层为输入创建碎片化索引，通常在模型和数据并行混合训练时使用，索引数据（通常是标签）应该在每一个trainer里面被计算，通过
+::
+
+    assert index_num % nshards == 0
+
+    shard_size = index_num / nshards
+
+    如果 x / shard_size == shard_id
+
+    y = x % shard_size  
+
+    否则
+
+    y = ignore_value
+
+我们使用分布式 ``one-hot`` 表示来展示该层如何使用， 分布式的 ``one-hot`` 表示被分割为多个碎片, 碎片索引里不为1的都使用0来填充。为了在每一个trainer里面创建碎片化的表示，原始的索引应该先进行计算(i.e. sharded)。我们来看个例子：
+
+.. code-block:: text
+
+    X 是一个整形张量
+    X.shape = [4, 1]
+    X.data = [[1], [6], [12], [19]]
+
+    假设 index_num = 20 并且 nshards = 2, 我们可以得到 shard_size = 10
+
+    如果 shard_id == 0, 我们得到输出:
+    Out.shape = [4, 1]
+    Out.data = [[1], [6], [-1], [-1]]
+    如果 shard_id == 1, 我们得到输出:
+    Out.shape = [4, 1]
+    Out.data = [[-1], [-1], [2], [9]]
+
+    上面的例子中默认 ignore_value = -1
+
+参数：
+        - **input** (Variable）-  输入的索引，最后的维度应该为1
+        - **index_num** (scalar) - 定义索引长度的整形参数
+        - **nshards** (scalar) - shards数量
+        - **shard_id** (scalar) - 当前碎片的索引
+        - **ignore_value** (scalar) - 超出碎片索引范围的整型值
+
+返回： 输入的碎片索引
+
+返回类型：    Variable
+
+**代码示例：**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    label = fluid.layers.data(name="label", shape=[1], dtype="int64")
+    shard_label = fluid.layers.shard_index(input=label,
+                                       index_num=20,
+                                       nshards=2,
+                                       shard_id=0)
+
+
+
+
+

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

@@ -55,14 +55,14 @@ API Reference 请参考 :ref:`cn_api_fluid_layers_floor`
 sin
 ------------------
 
-对输入 :code:`Tensor` 逐元素取正玄。
+对输入 :code:`Tensor` 逐元素取正弦。
 
 API Reference 请参考 :ref:`cn_api_fluid_layers_sin`
 
 cos
 ------------------
 
-对输入 :code:`Tensor` 逐元素取余玄。
+对输入 :code:`Tensor` 逐元素取余弦。
 
 API Reference 请参考 :ref:`cn_api_fluid_layers_cos`