diff --git a/doc/fluid/api_cn/layers_cn.rst b/doc/fluid/api_cn/layers_cn.rst
index 44df24262294661b4df1a39b64a859b3f2ed1e97..7b712ed034e0b163c2a83dcf4eb4411ac4f79b77 100644
--- a/doc/fluid/api_cn/layers_cn.rst
+++ b/doc/fluid/api_cn/layers_cn.rst
@@ -42,6 +42,7 @@ fluid.layers
     layers_cn/brelu_cn.rst
     layers_cn/BeamSearchDecoder_cn.rst
     layers_cn/cast_cn.rst
+    layers_cn/Categorical_cn.rst
     layers_cn/ceil_cn.rst
     layers_cn/center_loss_cn.rst
     layers_cn/chunk_eval_cn.rst
@@ -176,6 +177,7 @@ fluid.layers
     layers_cn/multi_box_head_cn.rst
     layers_cn/multiclass_nms_cn.rst
     layers_cn/multiplex_cn.rst
+    layers_cn/MultivariateNormalDiag_cn.rst
     layers_cn/natural_exp_decay_cn.rst
     layers_cn/nce_cn.rst
     layers_cn/noam_decay_cn.rst
diff --git a/doc/fluid/api_cn/layers_cn/Categorical_cn.rst b/doc/fluid/api_cn/layers_cn/Categorical_cn.rst
new file mode 100644
index 0000000000000000000000000000000000000000..7cf79dbbf9e9d19ffc4997e0cbadf52207bfe156
--- /dev/null
+++ b/doc/fluid/api_cn/layers_cn/Categorical_cn.rst
@@ -0,0 +1,76 @@
+.. _cn_api_fluid_layers_Categorical:
+
+Categorical
+-------------------------------
+
+.. py:class:: paddle.fluid.layers.Categorical(logits)
+
+类别分布是一种离散概率分布，其随机变量可以取K个相互独立类别的其中一个。
+
+概率质量函数（pmf）为：
+
+.. math::
+
+    pmf(k; p_i) =\prod_{i=1}^{k} p_i^{[x=i]}
+
+上面公式中:
+  - :math:`[x = i]` 表示：如果 :math:`x==i` ，则表达式取值为1，否则取值为0。
+
+
+参数：
+    - **logits** (list|numpy.ndarray|Variable) - 类别分布对应的logits。数据类型为float32。
+
+**代码示例**：
+
+.. code-block:: python
+
+    import numpy as np
+    from paddle.fluid import layers
+    from paddle.fluid.layers import Categorical
+
+    a_logits_npdata = np.array([-0.602,-0.602], dtype="float32")
+    a_logits_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(a_logits_npdata, a_logits_tensor)
+
+    b_logits_npdata = np.array([-0.102,-0.112], dtype="float32")
+    b_logits_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(b_logits_npdata, b_logits_tensor)
+    
+    a = Categorical(a_logits_tensor)
+    b = Categorical(b_logits_tensor)
+
+    a.entropy()
+    # [0.6931472] with shape: [1]
+
+    b.entropy()
+    # [0.6931347] with shape: [1]
+
+    a.kl_divergence(b)
+    # [1.2516975e-05] with shape: [1]
+
+
+.. py:function:: kl_divergence(other)
+
+相对于另一个类别分布的KL散度
+
+参数：
+    - **other** (Categorical) - 输入的另一个类别分布。数据类型为float32。
+    
+返回：相对于另一个类别分布的KL散度, 数据类型为float32
+
+返回类型：Variable
+
+.. py:function:: entropy()
+
+信息熵
+    
+返回：类别分布的信息熵, 数据类型为float32
+
+返回类型：Variable
+
+
+
+
+
+
+
diff --git a/doc/fluid/api_cn/layers_cn/MultivariateNormalDiag_cn.rst b/doc/fluid/api_cn/layers_cn/MultivariateNormalDiag_cn.rst
new file mode 100644
index 0000000000000000000000000000000000000000..9af102144b2ee832e04a282560034b8b487450c5
--- /dev/null
+++ b/doc/fluid/api_cn/layers_cn/MultivariateNormalDiag_cn.rst
@@ -0,0 +1,91 @@
+.. _cn_api_fluid_layers_MultivariateNormalDiag:
+
+MultivariateNormalDiag
+-------------------------------
+
+.. py:class:: paddle.fluid.layers.MultivariateNormalDiag(loc, scale)
+
+多元高斯分布
+
+概率密度函数（pdf）为：
+
+.. math::
+
+    pdf(x; loc, scale) = \frac{e^{-\frac{||y||^2}{2}}}{Z}
+    
+    y = inv(scale) @ (x - loc)
+    
+    Z = (2\pi )^{0.5k} |det(scale)|
+
+上面公式中:
+  - :math:`inv` 表示： 对矩阵求逆
+  - :math:`@` 表示：矩阵相乘
+  - :math:`det` 表示：求行列式的值
+
+
+参数：
+    - **loc** (list|numpy.ndarray|Variable) - 形状为 :math:`[k]` 的多元高斯分布的均值列表。数据类型为float32。
+    - **scale** (list|numpy.ndarray|Variable) - 形状为 :math:`[k, k]` 的多元高斯分布的对角协方差矩阵，且除对角元素外，其他元素取值均为0。数据类型为float32。
+
+**代码示例**：
+
+.. code-block:: python
+
+    import numpy as np
+    from paddle.fluid import layers
+    from paddle.fluid.layers import MultivariateNormalDiag
+
+    a_loc_npdata = np.array([0.3,0.5],dtype="float32")
+    a_loc_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(a_loc_npdata, a_loc_tensor)
+
+
+    a_scale_npdata = np.array([[0.4,0],[0,0.5]],dtype="float32")
+    a_scale_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(a_scale_npdata, a_scale_tensor)
+
+    b_loc_npdata = np.array([0.2,0.4],dtype="float32")
+    b_loc_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(b_loc_npdata, b_loc_tensor)
+
+    b_scale_npdata = np.array([[0.3,0],[0,0.4]],dtype="float32")
+    b_scale_tensor = layers.create_tensor(dtype="float32")
+    layers.assign(b_scale_npdata, b_scale_tensor)
+
+    a = MultivariateNormalDiag(a_loc_tensor, a_scale_tensor)
+    b = MultivariateNormalDiag(b_loc_tensor, b_scale_tensor)
+    
+    a.entropy()
+    # [2.033158] with shape: [1]
+    b.entropy()
+    # [1.7777451] with shaoe: [1]
+
+    a.kl_divergence(b)
+    # [0.06542051] with shape: [1]
+
+
+.. py:function:: kl_divergence(other)
+
+计算相对于另一个多元高斯分布的KL散度
+
+参数：
+    - **other** (MultivariateNormalDiag) - 输入的另一个多元高斯分布。数据类型为float32。
+    
+返回：相对于另一个多元高斯分布的KL散度，数据类型为float32
+
+返回类型：Variable
+
+.. py:function:: entropy()
+
+信息熵
+    
+返回：多元高斯分布的信息熵，数据类型为float32
+
+返回类型：Variable
+
+
+
+
+
+
+