diff --git a/doc/fluid/api_cn/layers_cn/accuracy_cn.rst b/doc/fluid/api_cn/layers_cn/accuracy_cn.rst
index c607d770d0d0b7f1b80f688dfb080741d43d67db..b83239c01adf66fe6694121bda5a947540de1a86 100755
--- a/doc/fluid/api_cn/layers_cn/accuracy_cn.rst
+++ b/doc/fluid/api_cn/layers_cn/accuracy_cn.rst
@@ -10,8 +10,8 @@ accuracy layer。 参考 https://en.wikipedia.org/wiki/Precision_and_recall
 使用输入和标签计算准确率。 如果正确的标签在topk个预测值里，则计算结果加1。注意：输出正确率的类型由input类型决定，input和lable的类型可以不一样。
 
 参数：
-    - **input** (Tensor|LoDTensor)-数据类型为float32,float64。输入为网络的预测值。
-    - **label** (Tensor|LoDTensor)-数据类型为int64，int32。输入为数据集的标签。
+    - **input** (Tensor|LoDTensor)-数据类型为float32,float64。输入为网络的预测值。shape为 ``[sample_number, class_dim]`` 。
+    - **label** (Tensor|LoDTensor)-数据类型为int64，int32。输入为数据集的标签。shape为 ``[sample_number, 1]`` 。
     - **k** (int64|int32) - 取每个类别中k个预测值用于计算。
     - **correct** (int64|int32)-正确预测值的个数。
     - **total** (int64|int32)-总共的预测值。
@@ -46,4 +46,4 @@ accuracy layer。 参考 https://en.wikipedia.org/wiki/Precision_and_recall
     """
     Output:
     [array([0.6666667], dtype=float32)]
-    """
\ No newline at end of file
+    """