dygraph API translation & bug fix (#998) (#1032)

* dygraph translation

* cn doc bug fix

* translate dygraph according to 1.5.1 website + bug fix

doc/fluid/api_cn/dygraph_cn.rst

+###################
+fluid.dygraph
+###################
+
+
+
+.. _cn_api_fluid_dygraph_BackwardStrategy:
+
+BackwardStrategy
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.BackwardStrategy
+
+BackwardStrategy是描述反向过程的描述符，现有如下功能:
+
+1. ``sort_sum_gradient`` 按回溯逆序将梯度加和
+
+
+**代码示例**
+
+.. code-block:: python
+
+    import numpy as np
+    import paddle.fluid as fluid
+    from paddle.fluid import FC
+
+    x = np.ones([2, 2], np.float32)
+    with fluid.dygraph.guard():
+        inputs2 = []
+        for _ in range(10):
+            inputs2.append(fluid.dygraph.base.to_variable(x))
+        ret2 = fluid.layers.sums(inputs2)
+        loss2 = fluid.layers.reduce_sum(ret2)
+        backward_strategy = fluid.dygraph.BackwardStrategy()
+        backward_strategy.sort_sum_gradient = True
+        loss2.backward(backward_strategy)
+
+
+
+
+.. _cn_api_fluid_dygraph_BatchNorm:
+
+BatchNorm
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.BatchNorm(name_scope, num_channels, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, dtype='float32', data_layout='NCHW', in_place=False, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, fuse_with_relu=False, use_global_stats=False, trainable_statistics=False)
+
+
+批正则化层（Batch Normalization Layer）
+
+可用作conv2d和全连接操作的正则化函数。该层需要的数据格式如下：
+
+1.NHWC[batch,in_height,in_width,in_channels]
+2.NCHW[batch,in_channels,in_height,in_width]
+
+更多详情请参考 : `Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift <https://arxiv.org/pdf/1502.03167.pdf>`_
+
+``input`` 是mini-batch的输入特征。
+
+.. math::
+    \mu_{\beta}        &\gets \frac{1}{m} \sum_{i=1}^{m} x_i                                 \quad &// mini-batch-mean \\
+    \sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \mu_{\beta})^2               \quad &// mini-batch-variance \\
+    \hat{x_i}          &\gets \frac{x_i - \mu_\beta} {\sqrt{\sigma_{\beta}^{2} + \epsilon}}  \quad &// normalize \\
+    y_i &\gets \gamma \hat{x_i} + \beta                                                      \quad &// scale-and-shift
+
+当use_global_stats = True时， :math:`\mu_{\beta}` 和 :math:`\sigma_{\beta}^{2}` 不是一个minibatch的统计数据。 它们是全局（或运行）统计数据。 （它通常来自预训练模型）。训练和测试（或预测）具有相同的行为：
+
+.. math::
+
+    \hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\
+    \sigma_{\beta}^{2} + \epsilon}}  \\
+    y_i &\gets \gamma \hat{x_i} + \beta
+
+
+
+参数：
+    - **name_scope** (str) - 该类的名称
+    - **act** （string，默认None）- 激活函数类型，linear|relu|prelu|...
+    - **is_test** （bool,默认False） - 指示它是否在测试阶段。
+    - **momentum** （float，默认0.9）- 此值用于计算 moving_mean and moving_var. 更新公式为:  :math:`moving\_mean = moving\_mean * momentum + new\_mean * (1. - momentum` :math:`moving\_var = moving\_var * momentum + new\_var * (1. - momentum` ， 默认值0.9.
+    - **epsilon** （float，默认1e-05）- 加在分母上为了数值稳定的值。默认值为1e-5。
+    - **param_attr** （ParamAttr|None） - batch_norm参数范围的属性，如果设为None或者是ParamAttr的一个属性，batch_norm创建ParamAttr为param_attr。如果没有设置param_attr的初始化函数，参数初始化为Xavier。默认：None
+    - **bias_attr** （ParamAttr|None） - batch_norm bias参数的属性，如果设为None或者是ParamAttr的一个属性，batch_norm创建ParamAttr为bias_attr。如果没有设置bias_attr的初始化函数，参数初始化为0。默认：None
+    - **data_layout** （string,默认NCHW) - NCHW|NHWC。默认NCHW
+    - **in_place** （bool，默认False）- 得出batch norm可复用记忆的输入和输出
+    - **moving_mean_name** （string，默认None）- moving_mean的名称，存储全局Mean均值。 
+    - **moving_variance_name** （string，默认None）- moving_variance的名称，存储全局方差。 
+    - **do_model_average_for_mean_and_var** （bool，默认False）- 是否为mean和variance做模型均值
+    - **fuse_with_relu** （bool）- 如果为True，batch norm后该操作符执行relu。默认为False。
+    - **use_global_stats** （bool, Default False） – 是否使用全局均值和方差。 在预测或测试模式下，将use_global_stats设置为true或将is_test设置为true，并且行为是等效的。 在训练模式中，当设置use_global_stats为True时，在训练期间也使用全局均值和方差。
+    - **trainable_statistics** （bool）- eval模式下是否计算mean均值和var方差。eval模式下，trainable_statistics为True时，由该批数据计算均值和方差。默认为False。
+
+返回： 张量，在输入中运用批正则后的结果
+
+返回类型：变量（Variable）
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+
+    with fluid.dygraph.guard():
+        fc = fluid.FC('fc', size=200, param_attr='fc1.w')
+        hidden1 = fc(x)
+        batch_norm = fluid.BatchNorm("batch_norm", 10)
+        hidden2 = batch_norm(hidden1)
+
+
+
+.. _cn_api_fluid_dygraph_BilinearTensorProduct:
+
+BilinearTensorProduct
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.BilinearTensorProduct(name_scope, size, name=None, act=None, param_attr=None, bias_attr=None)
+
+该层可将一对张量进行双线性乘积计算，例如：
+
+.. math::
+
+    out_{i} = x * W_{i} * {y^\mathrm{T}}, i=0,1,...,size-1
+
+式中，
+
+- :math:`x` ： 第一个输入，分别包含M个元素，形为[batch_size, M]
+- :math:`y` ：第二个输入，分别包含N个元素，形为[batch_size, N]
+- :math:`W_i` ：第i个学习到的权重，形为[M,N]
+- :math:`out_i` ：输出的第i个元素
+- :math:`y^T` ： :math:`y_2` 的转置
+
+
+参数：
+    - **name_scope**  (str) – 类的名称。
+    - **size**  (int) – 该层的维度大小。
+    - **act**  (str) – 对输出应用的激励函数。默认:None。
+    - **name**  (str) – 该层的名称。 默认: None。
+    - **param_attr**  (ParamAttr) – 该层中可学习权重/参数w的参数属性。默认: None.
+    - **bias_attr**  (ParamAttr) – 该层中偏置(bias)的参数属性。若为False, 则输出中不应用偏置。如果为None, 偏置默认为0。默认: None.
+
+返回：形为 [batch_size, size]的二维张量
+
+返回类型： Variable
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        layer1 = numpy.random.random((5, 5)).astype('float32')
+        layer2 = numpy.random.random((5, 4)).astype('float32')
+        bilinearTensorProduct = fluid.dygraph.nn.BilinearTensorProduct(
+               'BilinearTensorProduct', size=1000)
+        ret = bilinearTensorProduct(fluid.dygraph.base.to_variable(layer1),
+                           fluid.dygraph.base.to_variable(layer2))
+
+
+
+
+.. _cn_api_fluid_dygraph_Conv2D:
+
+Conv2D
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Conv2D(name_scope, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, dtype='float32')
+
+卷积二维层（convolution2D layer）根据输入、滤波器（filter）、步长（stride）、填充（padding）、dilations、一组参数计算输出。输入和输出是NCHW格式，N是批尺寸，C是通道数，H是特征高度，W是特征宽度。滤波器是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : `卷积 <http://ufldl.stanford.edu/tutorial/supervised/FeatureExtractionUsingConvolution/>`_ 。如果提供了bias属性和激活函数类型，bias会添加到卷积（convolution）的结果中相应的激活函数会作用在最终结果上。
+
+对每个输入X，有等式：
+
+.. math::
+
+    Out = \sigma \left ( W * X + b \right )
+
+其中：
+    - :math:`X` ：输入值，NCHW格式的张量（Tensor）
+    - :math:`W` ：滤波器值，MCHW格式的张量（Tensor）
+    - :math:`*` ： 卷积操作
+    - :math:`b` ：Bias值，二维张量（Tensor），shape为 ``[M,1]``
+    - :math:`\sigma` ：激活函数
+    - :math:`Out` ：输出值，``Out`` 和 ``X`` 的shape可能不同
+
+**示例**
+
+- 输入：
+
+  输入shape：:math:`( N,C_{in},H_{in},W_{in} )`
+
+  滤波器shape： :math:`( C_{out},C_{in},H_{f},W_{f} )`
+
+- 输出：
+
+  输出shape： :math:`( N,C_{out},H_{out},W_{out} )`
+
+其中
+
+.. math::
+
+    H_{out} = \frac{\left ( H_{in}+2*paddings[0]-\left ( dilations[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{strides[0]}+1
+
+    W_{out} = \frac{\left ( W_{in}+2*paddings[1]-\left ( dilations[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{strides[1]}+1
+
+参数：
+    - **name_scope** (str) - 该类的名称
+    - **num_fliters** (int) - 滤波器数。和输出图像通道相同
+    - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个元组，则必须包含两个整型数，（filter_size，filter_size_W）。否则，滤波器为square
+    - **stride** (int|tuple) - 步长(stride)大小。如果步长（stride）为元组，则必须包含两个整型数，（stride_H,stride_W）。否则，stride_H = stride_W = stride。默认：stride = 1
+    - **padding** (int|tuple) - 填充（padding）大小。如果填充（padding）为元组，则必须包含两个整型数，（padding_H,padding_W)。否则，padding_H = padding_W = padding。默认：padding = 0
+    - **dilation** (int|tuple) - 膨胀（dilation）大小。如果膨胀（dialation）为元组，则必须包含两个整型数，（dilation_H,dilation_W）。否则，dilation_H = dilation_W = dilation。默认：dilation = 1
+    - **groups** (int) - 卷积二维层（Conv2D Layer）的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=2，滤波器的前一半仅和输入通道的前一半连接。滤波器的后一半仅和输入通道的后一半连接。默认：groups = 1
+    - **param_attr** (ParamAttr|None) - conv2d的可学习参数/权重的参数属性。如果设为None或者ParamAttr的一个属性，conv2d创建ParamAttr为param_attr。如果param_attr的初始化函数未设置，参数则初始化为 :math:`Normal(0.0,std)` ，并且std为 :math:`\frac{2.0}{filter\_elem\_num}^{0.5}` 。默认为None
+    - **bias_attr** (ParamAttr|bool|None) - conv2d bias的参数属性。如果设为False，则没有bias加到输出。如果设为None或者ParamAttr的一个属性，conv2d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.默认为None
+    - **use_cudnn** （bool） - 是否用cudnn核，仅当下载cudnn库才有效。默认：True
+    - **act** (str) - 激活函数类型，如果设为None，则未添加激活函数。默认：None
+
+
+抛出异常:
+  - ``ValueError`` - 如果输入shape和filter_size，stride,padding和groups不匹配。
+
+
+**代码示例**
+
+.. code-block:: python
+
+    from paddle.fluid.dygraph.base import to_variable
+    import paddle.fluid as fluid
+    from paddle.fluid.dygraph import Conv2D
+    import numpy as np
+
+    data = np.random.uniform( -1, 1, [10, 3, 32, 32] ).astype('float32')
+    with fluid.dygraph.guard():
+        conv2d = Conv2D( "conv2d", 2, 3)
+        data = to_variable( data )
+        conv = conv2d( data )
+
+
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_Conv2DTranspose:
+
+Conv2DTranspose
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Conv2DTranspose(name_scope, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None)
+
+
+2-D卷积转置层（Convlution2D transpose layer）
+
+该层根据 输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充（padding）来计算输出。输入(Input)和输出(Output)为NCHW格式，其中 ``N`` 为batch大小， ``C`` 为通道数（channel），``H`` 为特征高度， ``W`` 为特征宽度。参数(膨胀、步长、填充)分别都包含两个元素。这两个元素分别表示高度和宽度。欲了解卷积转置层细节，请参考下面的说明和 参考文献_ 。如果参数 ``bias_attr`` 和 ``act`` 不为 ``None``，则在卷积的输出中加入偏置，并对最终结果应用相应的激活函数。
+
+.. _参考文献: http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf
+
+输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
+
+.. math::
+                        Out=\sigma (W*X+b)\\
+
+其中：
+    -  :math:`X` : 输入张量，具有 ``NCHW`` 格式
+
+    -  :math:`W` : 滤波器张量，具有 ``NCHW`` 格式
+
+    -  :math:`*` : 卷积操作
+
+    -  :math:`b` : 偏置（bias），二维张量，shape为 ``[M,1]``
+
+    -  :math:`σ` : 激活函数
+
+    -  :math:`Out` : 输出值，Out和 ``X`` 的 ``shape`` 可能不一样
+
+**样例**：
+
+输入：
+
+.. math::
+
+    输入张量的shape :  （N，C_{in}， H_{in}， W_{in})
+
+    滤波器（filter）shape ： （C_{in}, C_{out}, H_f, W_f)
+
+输出：
+
+.. math::
+    输出张量的 shape ： （N，C_{out}, H_{out}, W_{out})
+
+其中
+
+.. math::
+
+        & H'_{out} = (H_{in}-1)*strides[0]-2*paddings[0]+dilations[0]*(H_f-1)+1\\
+        & W'_{out} = (W_{in}-1)*strides[1]-2*paddings[1]+dilations[1]*(W_f-1)+1 \\
+        & H_{out}\in[H'_{out},H'_{out} + strides[0])\\
+        & W_{out}\in[W'_{out},W'_{out} + strides[1])\\
+
+
+
+参数:
+    - **name_scope** (str) - 该类的名称
+    - **num_filters** (int) - 滤波器（卷积核）的个数，与输出的图片的通道数（ channel ）相同
+    - **output_size** (int|tuple|None) - 输出图片的大小。如果output_size是一个元组（tuple），则该元形式为（image_H,image_W),这两个值必须为整型。如果output_size=None,则内部会使用filter_size、padding和stride来计算output_size。如果output_size和filter_size是同时指定的，那么它们应满足上面的公式。默认为None。
+    - **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。默认为None。
+    - **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。
+    - **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。
+    - **use_cudnn** (bool) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。
+    - **act** (str) -  激活函数类型，如果设置为None，则不使用激活函数。默认值:None。
+
+
+返回： 存储卷积转置结果的张量。
+
+返回类型: 变量（variable）
+
+抛出异常:
+    -  ``ValueError`` : 如果输入的shape、filter_size、stride、padding和groups不匹配，抛出ValueError
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        data = numpy.random.random((3, 32, 32)).astype('float32')
+        conv2DTranspose = fluid.dygraph.nn.Conv2DTranspose(
+              'Conv2DTranspose', num_filters=2, filter_size=3)
+        ret = conv2DTranspose(fluid.dygraph.base.to_variable(data))
+
+
+
+
+
+.. _cn_api_fluid_dygraph_Conv3D:
+
+Conv3D
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Conv3D(name_scope, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None)
+
+
+3D卷积层（convolution3D layer）根据输入、滤波器（filter）、步长（stride）、填充（padding）、膨胀（dilations）、组数参数计算得到输出。输入和输出是NCHW格式，N是批尺寸，C是通道数，H是特征高度，W是特征宽度。卷积三维（Convlution3D）和卷积二维（Convlution2D）相似，但多了一维深度（depth）。如果提供了bias属性和激活函数类型，bias会添加到卷积（convolution）的结果中相应的激活函数会作用在最终结果上。
+
+对每个输入X，有等式：
+
+.. math::
+
+
+    Out = \sigma \left ( W * X + b \right )
+
+其中：
+    - :math:`X` ：输入值，NCDHW格式的张量（Tensor）
+    - :math:`W` ：滤波器值，MCDHW格式的张量（Tensor）
+    - :math:`*` ： 卷积操作
+    - :math:`b` ：Bias值，二维张量（Tensor），形为 ``[M,1]``
+    - :math:`\sigma` ：激活函数
+    - :math:`Out` ：输出值, 和 ``X`` 的形状可能不同
+
+**示例**
+
+- 输入：
+    输入shape： :math:`(N, C_{in}, D_{in}, H_{in}, W_{in})`
+
+    滤波器shape： :math:`(C_{out}, C_{in}, D_f, H_f, W_f)`
+- 输出：
+    输出shape： :math:`(N, C_{out}, D_{out}, H_{out}, W_{out})`
+
+其中
+
+.. math::
+
+
+    D_{out}&= \frac{(D_{in} + 2 * paddings[0] - (dilations[0] * (D_f - 1) + 1))}{strides[0]} + 1 \\
+    H_{out}&= \frac{(H_{in} + 2 * paddings[1] - (dilations[1] * (H_f - 1) + 1))}{strides[1]} + 1 \\
+    W_{out}&= \frac{(W_{in} + 2 * paddings[2] - (dilations[2] * (W_f - 1) + 1))}{strides[2]} + 1
+
+参数：
+    - **name_scope** (str) - 该类的名称
+    - **num_fliters** (int) - 滤波器数。和输出图像通道相同
+    - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，(filter_size_D, filter_size_H, filter_size_W)。否则，滤波器为棱长为int的立方体形。
+    - **stride** (int|tuple) - 步长(stride)大小。如果步长（stride）为元组，则必须包含三个整型数， (stride_D, stride_H, stride_W)。否则，stride_D = stride_H = stride_W = stride。默认：stride = 1
+    - **padding** (int|tuple) - 填充（padding）大小。如果填充（padding）为元组，则必须包含三个整型数，(padding_D, padding_H, padding_W)。否则， padding_D = padding_H = padding_W = padding。默认：padding = 0
+    - **dilation** (int|tuple) - 膨胀（dilation）大小。如果膨胀（dialation）为元组，则必须包含两个整型数， (dilation_D, dilation_H, dilation_W)。否则，dilation_D = dilation_H = dilation_W = dilation。默认：dilation = 1
+    - **groups** (int) - 卷积二维层（Conv2D Layer）的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=2，滤波器的前一半仅和输入通道的前一半连接。滤波器的后一半仅和输入通道的后一半连接。默认：groups = 1
+    - **param_attr** (ParamAttr|None) - conv2d的可学习参数/权重的参数属性。如果设为None或者ParamAttr的一个属性，conv2d创建ParamAttr为param_attr。如果param_attr的初始化函数未设置，参数则初始化为 :math:`Normal(0.0,std)`，并且std为 :math:`\left ( \frac{2.0}{filter\_elem\_num} \right )^{0.5}` 。默认为None
+    - **bias_attr** (ParamAttr|bool|None) - conv2d bias的参数属性。如果设为False，则没有bias加到输出。如果设为None或者ParamAttr的一个属性，conv2d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.默认为None
+    - **use_cudnn** （bool） - 是否用cudnn核，仅当下载cudnn库才有效。默认：True
+    - **act** (str) - 激活函数类型，如果设为None，则未添加激活函数。默认：None
+
+
+返回：张量，存储卷积和非线性激活结果
+
+返回类型：变量（Variable）
+
+抛出异常：
+  - ``ValueError`` - 如果 ``input`` 的形和 ``filter_size`` ， ``stride`` , ``padding`` 和 ``groups`` 不匹配。
+
+**代码示例**：
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
+        conv3d = fluid.dygraph.nn.Conv3D(
+              'Conv3D', num_filters=2, filter_size=3, act="relu")
+        ret = conv3d(fluid.dygraph.base.to_variable(data))
+
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_Conv3DTranspose:
+
+Conv3DTranspose
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Conv3DTranspose(name_scope, num_filters, output_size=None, filter_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None)
+
+
+3-D卷积转置层（Convlution3D transpose layer)
+
+该层根据 输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充来计算输出。输入(Input)和输出(Output)为NCDHW格式。其中 ``N`` 为batch大小， ``C`` 为通道数（channel）, ``D``  为特征深度, ``H`` 为特征高度， ``W`` 为特征宽度。参数(膨胀、步长、填充)分别包含两个元素。这两个元素分别表示高度和宽度。欲了解卷积转置层细节，请参考下面的说明和 参考文献_ 。如果参数 ``bias_attr`` 和 ``act`` 不为None，则在卷积的输出中加入偏置，并对最终结果应用相应的激活函数
+
+.. _参考文献: http://www.matthewzeiler.com/wp-content/uploads/2017/07/cvpr2010.pdf
+
+输入X和输出Out函数关系X，有等式如下：
+
+.. math::
+                        \\Out=\sigma (W*X+b)\\
+
+其中：
+    -  :math:`X` : 输入张量，具有 ``NCDHW`` 格式
+
+    -  :math:`W` : 滤波器张量，，具有 ``NCDHW`` 格式
+
+    -  :math:`*` : 卷积操作
+
+    -  :math:`b` : 偏置（bias），二维张量，shape为 ``[M,1]``
+
+    -  :math:`σ` : 激活函数
+
+    -  :math:`Out` : 输出值， ``Out`` 和 ``X`` 的 shape可能不一样
+
+
+**样例**
+
+输入:
+
+    输入形状: :math:`(N,C_{in},D_{in},H_{in},W_{in})` 
+
+    Filter形状: :math:`(C_{in},C_{out},D_f,H_f,W_f)` 
+
+
+
+输出:
+
+    输出形状: :math:`(N,C_{out},D_{out},H_{out},W_{out})`
+
+
+其中：
+
+.. math::
+
+
+
+    D_{out}=(D_{in}-1)*strides[0]-2*paddings[0]+dilations[0]*(D_f-1)+1
+
+    H_{out}=(H_{in}-1)*strides[1]-2*paddings[1]+dilations[1]*(H_f-1)+1
+
+    W_{out}=(W_{in}-1)*strides[2]-2*paddings[2]+dilations[2]*(W_f-1)+1
+
+
+
+参数:
+      - **name_scope** （str）- 该类的名称
+      - **num_filters** (int) - 滤波器（卷积核）的个数，与输出的图片的通道数（channel）相同
+      - **output_size** (int|tuple|None) - 输出图片的大小。如果 ``output_size`` 是一个元组（tuple），则该元形式为（image_H,image_W),这两个值必须为整型。如果 ``output_size=None`` ,则内部会使用filter_size、padding和stride来计算output_size。如果 ``output_size`` 和 ``filter_size`` 是同时指定的，那么它们应满足上面的公式。
+      - **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。
+      - **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。
+      - **use_cudnn** (bool) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。
+      - **act** (str) -  激活函数类型，如果设置为None，则不使用激活函数。默认值:None。
+      - **name** (str|None) - 该layer的名称(可选)。如果设置为None， 将自动命名该layer。默认值:True。
+
+
+返回： 存储卷积转置结果的张量。
+
+返回类型: 变量（variable）
+
+抛出异常:
+    -  ``ValueError``  - 如果输入的shape、filter_size、stride、padding和groups不匹配，抛出ValueError
+
+
+**代码示例**
+
+..  code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
+
+        conv3dTranspose = fluid.dygraph.nn.Conv3DTranspose(
+               'Conv3DTranspose',
+               num_filters=12,
+               filter_size=12,
+               use_cudnn=False)
+        ret = conv3dTranspose(fluid.dygraph.base.to_variable(data))
+
+
+
+
+
+.. _cn_api_fluid_dygraph_CosineDecay:
+
+CosineDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.CosineDecay(learning_rate, step_each_epoch, epochs, begin=0, step=1, dtype='float32')
+
+使用 cosine decay 的衰减方式进行学习率调整。
+
+在训练模型时，建议一边进行训练一边降低学习率。 通过使用此方法，学习率将通过如下cosine衰减策略进行衰减：
+
+.. math::
+
+    decayed\_lr = learning\_rate * 0.5 * (math.cos * (epoch * \frac{math.pi}{epochs} ) + 1)
+
+
+参数：
+    - **learning_rate** (Variable | float) - 初始学习率。
+    - **step_each_epoch** （int） - 一次迭代中的步数。
+    - **begin** (int) - 起始步，默认为0。
+    - **step** (int) - 步大小，默认为1。
+    - **dtype**  (str) - 学习率的dtype，默认为‘float32’
+
+
+**代码示例**
+
+.. code-block:: python
+
+    base_lr = 0.1
+    with fluid.dygraph.guard():
+        optimizer  = fluid.optimizer.SGD(
+            learning_rate = fluid.dygraph.CosineDecay(
+                    base_lr, 10000, 120) )
+
+
+
+
+.. _cn_api_fluid_dygraph_Embedding:
+
+Embedding
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Embedding(name_scope, size, is_sparse=False, is_distributed=False, padding_idx=None, param_attr=None, dtype='float32')
+
+Embedding层
+
+该层用于在查找表中查找 ``input`` 中的ID对应的embeddings。查找的结果是input里每个ID对应的embedding。
+所有的输入变量都作为局部变量传入LayerHelper构造器
+
+参数：
+    - **name_scope** (str)-该类的名称。
+    - **size** (tuple|list)-查找表参数的维度。应当有两个参数，一个代表嵌入矩阵字典的大小，一个代表每个嵌入向量的大小。
+    - **is_sparse** (bool)-代表是否用稀疏更新的标志。
+    - **is_distributed** (bool)-是否从远程参数服务端运行查找表。
+    - **padding_idx** (int|long|None)-如果为 ``None`` ，对查找结果无影响。如果 ``padding_idx`` 不为空，表示一旦查找表中找到input中对应的 ``padding_idx``，则用0填充输出结果。如果 ``padding_idx`` <0 ,则在查找表中使用的 ``padding_idx`` 值为 :math:`size[0]+dim` 。默认：None。
+    - **param_attr** (ParamAttr)-该层参数。默认为None。
+    - **dtype** (np.dtype|core.VarDesc.VarType|str)-数据类型：float32,float_16,int等。默认:‘float32’
+
+返回：张量，存储已有输入的嵌入矩阵。
+
+返回类型：变量(Variable)
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import paddle.fluid.dygraph.base as base
+    import numpy as np
+
+    inp_word = np.array([[[1]]]).astype('int64')
+    dict_size = 20
+    with fluid.dygraph.guard():
+        emb = fluid.dygraph.Embedding(
+            name_scope='embedding',
+            size=[dict_size, 32],
+            param_attr='emb.w',
+            is_sparse=False)
+        static_rlt3 = emb(base.to_variable(inp_word))
+
+
+
+
+
+.. _cn_api_fluid_dygraph_ExponentialDecay:
+
+ExponentialDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.ExponentialDecay(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')
+
+对学习率应用指数衰减。
+
+在学习率上运用指数衰减。
+训练模型时，推荐在训练过程中降低学习率。每次 ``decay_steps`` 步骤中用 ``decay_rate`` 衰减学习率。
+
+.. code-block:: text
+
+    if staircase == True:
+        decayed_learning_rate = learning_rate * decay_rate ^ floor(global_step / decay_steps)
+    else:
+        decayed_learning_rate = learning_rate * decay_rate ^ (global_step / decay_steps)
+
+参数：
+    - **learning_rate** (Variable|float)-初始学习率
+    - **decay_steps** (int)-见以上衰减运算
+    - **decay_rate** (float)-衰减率。见以上衰减运算
+    - **staircase** (Boolean)-若为True,按离散区间衰减学习率。默认：False
+    - **begin** (int) - 起始步，默认为0。
+    - **step** (int) - 步大小，默认为1。
+    - **dtype**  (str) - 学习率的dtype，默认为‘float32’
+
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    base_lr = 0.1
+    with fluid.dygraph.guard():
+        sgd_optimizer = fluid.optimizer.SGD(
+              learning_rate=fluid.dygraph.ExponentialDecay(
+                  learning_rate=base_lr,
+                  decay_steps=10000,
+                  decay_rate=0.5,
+                  staircase=True))
+
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_FC:
+
+FC
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.FC(name_scope, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, is_test=False, dtype='float32')
+
+
+
+
+**全连接层**
+
+该函数在神经网络中建立一个全连接层。 它可以将一个或多个tensor（ ``input`` 可以是一个list或者Variable，详见参数说明）作为自己的输入，并为每个输入的tensor创立一个变量，称为“权”（weights），等价于一个从每个输入单元到每个输出单元的全连接权矩阵。FC层用每个tensor和它对应的权相乘得到形状为[M, size]输出tensor，M是批大小。如果有多个输入tensor，那么形状为[M, size]的多个输出张量的结果将会被加起来。如果 ``bias_attr`` 非空，则会新创建一个偏向变量（bias variable），并把它加入到输出结果的运算中。最后，如果 ``act`` 非空，它也会加入最终输出的计算中。
+
+当输入为单个张量：
+
+.. math::
+
+        \\Out = Act({XW + b})\\
+
+
+
+当输入为多个张量：
+
+.. math::
+
+        \\Out=Act(\sum^{N-1}_{i=0}X_iW_i+b) \\
+
+
+上述等式中：
+  - :math:`N` ：输入的数目,如果输入是变量列表，N等于len（input）
+  - :math:`X_i` ：第i个输入的tensor
+  - :math:`W_i` ：对应第i个输入张量的第i个权重矩阵
+  - :math:`b` ：该层创立的bias参数
+  - :math:`Act` ：activation function(激励函数)
+  - :math:`Out` ：输出tensor
+
+::
+
+            Given:
+                data_1.data = [[[0.1, 0.2],
+                               [0.3, 0.4]]]
+                data_1.shape = (1, 2, 2) # 1 is batch_size
+
+                data_2 = [[[0.1, 0.2, 0.3]]]
+                data_2.shape = (1, 1, 3)
+
+                out = fluid.layers.fc(input=[data_1, data_2], size=2)
+
+            Then:
+                out.data = [[0.18669507, 0.1893476]]
+                out.shape = (1, 2)
+
+
+参数:
+  - **name_scope** (str) – 该类的名称
+  - **size** (int) – 该层输出单元的数目
+  - **num_flatten_dims** (int, 默认为1) – fc层可以接受一个维度大于2的tensor。此时， 它首先会被扁平化(flattened)为一个二维矩阵。 参数 ``num_flatten_dims`` 决定了输入tensor的flattened方式: 前 ``num_flatten_dims`` (包含边界，从1开始数) 个维度会被扁平化为最终矩阵的第一维 (维度即为矩阵的高), 剩下的 rank(X) - num_flatten_dims 维被扁平化为最终矩阵的第二维 (即矩阵的宽)。 例如， 假设X是一个五维tensor，其形可描述为(2, 3, 4, 5, 6), 且num_flatten_dims = 3。那么扁平化的矩阵形状将会如此： (2 x 3 x 4, 5 x 6) = (24, 30)
+  - **param_attr** (ParamAttr|list of ParamAttr|None) – 该层可学习的参数/权的参数属性
+  - **bias_attr** (ParamAttr|list of ParamAttr, default None) – 该层bias变量的参数属性。如果值为False， 则bias变量不参与输出单元运算。 如果值为None，bias变量被初始化为0。默认为 None。
+  - **act** (str|None) – 应用于输出的Activation（激励函数）
+  - **is_test** (bool) – 表明当前执行是否处于测试阶段的标志
+  - **dtype** (str) – 权重的数据类型
+
+
+弹出异常：``ValueError`` - 如果输入tensor的维度小于2
+
+**代码示例**
+
+..  code-block:: python
+
+    from paddle.fluid.dygraph.base import to_variable
+    import paddle.fluid as fluid
+    from paddle.fluid.dygraph import FC
+    import numpy as np
+
+    data = np.random.uniform( -1, 1, [30, 10, 32] ).astype('float32')
+    with fluid.dygraph.guard():
+        fc = FC( "fc", 64, num_flatten_dims=2)
+        data = to_variable( data )
+        conv = fc( data )
+
+
+
+
+.. _cn_api_fluid_dygraph_GroupNorm:
+
+GroupNorm
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.GroupNorm(name_scope, groups, epsilon=1e-05, param_attr=None, bias_attr=None, act=None, data_layout='NCHW')
+
+**Group Normalization层**
+
+请参考 `Group Normalization <https://arxiv.org/abs/1803.08494>`_ 。
+
+参数：
+    - **name_scope** (str) - 该类名称
+    - **groups** (int) - 从 channel 中分离出来的 group 的数目
+    - **epsilon** (float) - 为防止方差除零，增加一个很小的值
+    - **param_attr** (ParamAttr|None)  - 可学习标度的参数属性 :math:`g`,如果设置为False，则不会向输出单元添加标度。如果设置为0，偏差初始化为1。默认值:None
+    - **bias_attr** (ParamAttr|None) - 可学习偏置的参数属性 :math:`b ` , 如果设置为False，则不会向输出单元添加偏置量。如果设置为零，偏置初始化为零。默认值:None。
+    - **act** (str) - 将激活应用于输出的 group normalizaiton
+    - **data_layout** (string|NCHW) - 只支持NCHW。
+
+返回： 一个张量变量，它是对输入进行 group normalization 后的结果。
+
+返回类型：Variable
+
+
+**代码示例**
+
+..  code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        x = numpy.random.random((8, 32, 32)).astype('float32')
+        groupNorm = fluid.dygraph.nn.GroupNorm('GroupNorm', groups=4)
+        ret = groupNorm(fluid.dygraph.base.to_variable(x))
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_GRUUnit:
+
+GRUUnit
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.GRUUnit(name_scope, size, param_attr=None, bias_attr=None, activation='tanh', gate_activation='sigmoid', origin_mode=False, dtype='float32')
+
+GRU单元层。GRU执行步骤基于如下等式：
+
+
+如果origin_mode为True，则该运算公式来自论文
+`Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling  <https://arxiv.org/pdf/1412.3555.pdf>`_ 。
+
+公式如下:
+
+.. math::
+    u_t=actGate(xu_t+W_{u}h_{t-1}+b_u)
+.. math::
+    r_t=actGate(xr_t+W_{r}h_{t-1}+b_r)
+.. math::
+    m_t=actNode(xm_t+W_{c}dot(r_t,h_{t-1})+b_m)
+.. math::
+    h_t=dot((1-u_t),m_t)+dot(u_t,h_{t-1})
+
+
+如果origin_mode为False，则该运算公式来自论文
+`Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation <https://arxiv.org/pdf/1406.1078.pdf>`_ 。
+
+.. math::
+    u_t & = actGate(xu_{t} + W_u h_{t-1} + b_u)\\
+    r_t & = actGate(xr_{t} + W_r h_{t-1} + b_r)\\
+    m_t & = actNode(xm_t + W_c dot(r_t, h_{t-1}) + b_m)\\
+    h_t & = dot((1-u_t), h_{t-1}) + dot(u_t, m_t)
+
+
+GRU单元的输入包括 :math:`z_t` ， :math:`h_{t-1}` 。在上述等式中， :math:`z_t` 会被分割成三部分： :math:`xu_t` 、 :math:`xr_t` 和 :math:`xm_t`  。
+这意味着要为一批输入实现一个全GRU层，我们需要采用一个全连接层，才能得到 :math:`z_t=W_{fc}x_t` 。
+:math:`u_t` 和 :math:`r_t` 分别代表了GRU神经元的update gates（更新门）和reset gates(重置门)。
+和LSTM不同，GRU少了一个门（它没有LSTM的forget gate）。但是它有一个叫做中间候选隐藏状态（intermediate candidate hidden output）的输出，
+记为 :math:`m_t` 。 该层有三个输出： :math:`h_t, dot(r_t,h_{t-1})` 以及 :math:`u_t，r_t，m_t` 的连结(concatenation)。
+
+
+
+
+参数:
+    - **name_scope** (str) – 该类的名称
+    - **size** (int) – 输入数据的维度
+    - **param_attr** (ParamAttr|None) – 可学习的隐藏层权重矩阵的参数属性。
+    注意：
+      - 该权重矩阵形为 :math:`(T×3D)` ， :math:`D` 是隐藏状态的规模（hidden size）
+      - 该权重矩阵的所有元素由两部分组成， 一是update gate和reset gate的权重，形为 :math:`(D×2D)` ；二是候选隐藏状态（candidate hidden state）的权重矩阵，形为 :math:`(D×D)`
+      如果该函数参数值为None或者 ``ParamAttr`` 类中的属性之一，gru_unit则会创建一个 ``ParamAttr`` 类的对象作为param_attr。如果param_attr没有被初始化，那么会由Xavier来初始化它。默认值为None
+    - **bias_attr** (ParamAttr|bool|None) - GRU的bias变量的参数属性。形为 :math:`(1x3D)` 的bias连结（concatenate）在update gates（更新门），reset gates(重置门)以及candidate calculations（候选隐藏状态计算）中的bias。如果值为False，那么上述三者将没有bias参与运算。若值为None或者 ``ParamAttr`` 类中的属性之一，gru_unit则会创建一个 ``ParamAttr`` 类的对象作为 bias_attr。如果bias_attr没有被初始化，那它会被默认初始化为0。默认值为None。
+    - **activation** (str) –  神经元 “actNode” 的激励函数（activation）类型。默认类型为‘tanh’
+    - **gate_activation** (str) – 门 “actGate” 的激励函数（activation）类型。 默认类型为 ‘sigmoid’。
+    - **dtype** (str) – 该层的数据类型，默认为‘float32’。
+
+
+返回：  hidden value（隐藏状态的值），reset-hidden value(重置隐藏状态值)，gate values(门值)
+
+返回类型:  元组（tuple）
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import paddle.fluid.dygraph.base as base
+    import numpy
+
+    lod = [[2, 4, 3]]
+    D = 5
+    T = sum(lod[0])
+
+    hidden_input = numpy.random.rand(T, D).astype('float32')
+    with fluid.dygraph.guard():
+        x = numpy.random.random((3, 32, 32)).astype('float32')
+        gru = fluid.dygraph.GRUUnit('gru', size=D * 3)
+        dy_ret = gru(
+          base.to_variable(input), base.to_variable(hidden_input))
+
+
+
+
+.. _cn_api_fluid_dygraph_guard:
+
+guard
+-------------------------------
+
+.. py:function:: paddle.fluid.dygraph.guard(place=None)
+
+创建一个dygraph上下文，用于运行dygraph。
+
+参数：
+    - **place** (fluid.CPUPlace|fluid.CUDAPlace|None) – 执行场所
+
+返回： None
+
+**代码示例**
+
+.. code-block:: python
+
+    import numpy as np
+    import paddle.fluid as fluid
+
+    with fluid.dygraph.guard():
+        inp = np.ones([3, 32, 32], dtype='float32')
+        t = fluid.dygraph.base.to_variable(inp)
+        fc1 = fluid.FC('fc1', size=4, bias_attr=False, num_flatten_dims=1)
+        fc2 = fluid.FC('fc2', size=4)
+        ret = fc1(t)
+        dy_ret = fc2(ret)
+
+
+.. _cn_api_fluid_dygraph_InverseTimeDecay:
+
+InverseTimeDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.InverseTimeDecay(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')
+
+在初始学习率上运用逆时衰减。
+
+训练模型时，最好在训练过程中降低学习率。通过执行该函数，将对初始学习率运用逆向衰减函数。
+
+.. code-block:: text
+
+    if staircase == True:
+         decayed_learning_rate = learning_rate / (1 + decay_rate * floor(global_step / decay_step))
+    else:
+         decayed_learning_rate = learning_rate / (1 + decay_rate * global_step / decay_step)
+
+参数：
+    - **learning_rate** (Variable|float)-初始学习率
+    - **decay_steps** (int)-见以上衰减运算
+    - **decay_rate** (float)-衰减率。见以上衰减运算
+    - **staircase** (Boolean)-若为True，按间隔区间衰减学习率。默认：False
+    - **begin** (int) - 起始步，默认为0。
+    - **step** (int) - 步大小，默认为1。
+    - **dtype**  (str) - 学习率的dtype，默认为‘float32’
+
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    base_lr = 0.1
+    with fluid.dygraph.guard():
+        sgd_optimizer = fluid.optimizer.SGD(
+            learning_rate=fluid.dygraph.InverseTimeDecay(
+                  learning_rate=base_lr,
+                  decay_steps=10000,
+                  decay_rate=0.5,
+                  staircase=True))
+
+
+
+.. _cn_api_fluid_dygraph_Layer:
+
+Layer
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Layer(name_scope, dtype=VarType.FP32)
+
+由多个算子组成的层。
+
+参数：
+    - **name_scope** - 层为其参数命名而采用的名称前缀。如果前缀为“my_model/layer_1”，在一个名为MyLayer的层中，参数名为“my_model/layer_1/MyLayer/w_n”，其中w是参数的基础名称，n为自动生成的具有唯一性的后缀。
+    - **dtype** - 层中变量的数据类型
+
+
+.. py:method:: full_name()
+
+层的全名。
+
+组成方式如下：
+
+name_scope + “/” + MyLayer.__class__.__name__
+
+返回：  层的全名
+
+
+.. py:method:: create_parameter(attr, shape, dtype, is_bias=False, default_initializer=None)
+
+为层(layers)创建参数。
+
+参数：
+    - **attr** (ParamAttr)- 参数的参数属性
+    - **shape** - 参数的形状
+    - **dtype** - 参数的数据类型
+    - **is_bias** - 是否为偏置bias参数      
+    - **default_initializer** - 设置参数的默认初始化方法
+
+返回：    创建的参数变量
+
+
+.. py:method:: create_variable(name=None, persistable=None, dtype=None, type=VarType.LOD_TENSOR)
+
+为层创建变量
+
+参数：
+    - **name** - 变量名
+    - **persistable** - 是否为持久性变量
+    - **dtype** - 变量中的数据类型
+    - **type** - 变量类型   
+
+返回： 创建的变量(Variable)
+
+
+.. py:method:: parameters(include_sublayers=True)
+
+返回一个由当前层及其子层的参数组成的列表。
+
+参数：
+    - **include_sublayers** - 如果为True，返回的列表中包含子层的参数
+
+返回：  一个由当前层及其子层的参数组成的列表
+
+
+
+.. py:method:: sublayers(include_sublayers=True)
+
+返回一个由所有子层组成的列表。
+
+参数：
+    - **include_sublayers** - 如果为True，则包括子层中的各层
+
+返回： 一个由所有子层组成的列表
+
+
+.. py:method:: add_sublayer(name, sublayer)
+
+添加子层实例。被添加的子层实例的访问方式和self.name类似。
+
+参数：
+    - **name** - 该子层的命名
+    - **sublayer** - Layer实例
+
+返回：   传入的子层
+
+
+.. py:method:: add_parameter(name, parameter)
+
+添加参数实例。被添加的参数实例的访问方式和self.name类似。
+
+参数：
+    - **name** - 该子层的命名
+    - **parameter** - Parameter实例
+
+返回：   传入的参数实例   
+
+
+.. _cn_api_fluid_dygraph_LayerNorm:
+
+LayerNorm
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.LayerNorm(name_scope, scale=True, shift=True, begin_norm_axis=1, epsilon=1e-05, param_attr=None, bias_attr=None, act=None)
+
+
+假设特征向量存在于维度 ``begin_norm_axis ... rank (input）`` 上，计算大小为 ``H`` 的特征向量a在该维度上的矩统计量，然后使用相应的统计量对每个特征向量进行归一化。 之后，如果设置了 ``scale`` 和 ``shift`` ，则在标准化的张量上应用可学习的增益和偏差以进行缩放和移位。
+
+请参考 `Layer Normalization <https://arxiv.org/pdf/1607.06450v1.pdf>`_
+
+公式如下
+
+.. math::
+            \\\mu=\frac{1}{H}\sum_{i=1}^{H}a_i\\
+.. math::
+            \\\sigma=\sqrt{\frac{1}{H}\sum_i^H{(a_i-\mu)^2}}\\
+.. math::
+             \\h=f(\frac{g}{\sigma}(a-\mu) + b)\\
+
+- :math:`\alpha` : 该层神经元输入总和的向量表示
+- :math:`H` : 层中隐藏的神经元个数
+- :math:`g` : 可训练的缩放因子参数
+- :math:`b` : 可训练的bias参数
+
+
+参数:
+    - **name_scope** (str) – 该类的名称
+    - **scale** （bool） - 是否在归一化后学习自适应增益g。默认为True。
+    - **shift** （bool） - 是否在归一化后学习自适应偏差b。默认为True。
+    - **begin_norm_axis** （int） - ``begin_norm_axis`` 到 ``rank（input）`` 的维度执行规范化。默认1。
+    - **epsilon** （float） - 添加到方差的很小的值，以防止除零。默认1e-05。
+    - **param_attr** （ParamAttr | None） - 可学习增益g的参数属性。如果  ``scale`` 为False，则省略 ``param_attr`` 。如果 ``scale`` 为True且 ``param_attr`` 为None，则默认 ``ParamAttr`` 将作为比例。如果添加了 ``param_attr``， 则将其初始化为1。默认None。
+    - **bias_attr** （ParamAttr | None） - 可学习偏差的参数属性b。如果 ``shift`` 为False，则省略 ``bias_attr`` 。如果 ``shift`` 为True且 ``param_attr`` 为None，则默认 ``ParamAttr`` 将作为偏差。如果添加了 ``bias_attr`` ，则将其初始化为0。默认None。
+    - **act** （str） - 激活函数。默认 None
+
+
+返回： 标准化后的结果
+
+**代码示例**
+
+..  code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        x = numpy.random.random((3, 32, 32)).astype('float32')
+        layerNorm = fluid.dygraph.nn.LayerNorm(
+              'LayerNorm', begin_norm_axis=1)
+       ret = layerNorm(fluid.dygraph.base.to_variable(x))
+
+
+
+
+
+.. _cn_api_fluid_dygraph_load_persistables:
+
+load_persistables
+-------------------------------
+
+.. py:function:: paddle.fluid.dygraph.load_persistables(dirname='save_dir')
+
+该函数尝试从dirname中加载持久性变量。
+
+
+参数:
+    - **dirname**  (str) – 目录路径。默认为save_dir
+
+
+返回:   两个字典:从文件中恢复的参数字典;从文件中恢复的优化器字典
+
+返回类型:   dict
+  
+**代码示例**
+
+.. code-block:: python
+
+    my_layer = layer(fluid.Layer)
+    param_path = "./my_paddle_model"
+    sgd = SGDOptimizer(learning_rate=1e-3)
+    param_dict, optimizer_dict = fluid.dygraph.load_persistables(my_layer.parameters(), param_path)
+    param_1 = param_dict['PtbModel_0.w_1']
+    sgd.load(optimizer_dict)
+
+
+
+.. _cn_api_fluid_dygraph_NaturalExpDecay:
+
+NaturalExpDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.NaturalExpDecay(learning_rate, decay_steps, decay_rate, staircase=False, begin=0, step=1, dtype='float32')
+
+为初始学习率应用指数衰减策略。
+
+.. code-block:: text
+
+    if not staircase:
+        decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
+    else:
+        decayed_learning_rate = learning_rate * exp(- decay_rate * (global_step / decay_steps))
+
+参数：
+    - **learning_rate** (Variable|float)- 类型为float32的标量值或为一个Variable。它是训练的初始学习率。
+    - **decay_steps** (int)-一个Python int32 数。
+    - **decay_rate** (float)- 一个Python float数。
+    - **staircase** (Boolean)-布尔型。若为True,每隔decay_steps衰减学习率。
+    - **begin**  – Python ‘int32’ 数，起始步(默认为0)。
+    - **step**  – Python ‘int32’ 数, 步大小(默认为1)。
+    - **dtype**  – Python ‘str’ 类型, 初始化学习率变量的dtype(默认为‘float32’)。
+
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    base_lr = 0.1
+    with fluid.dygraph.guard():
+        sgd_optimizer = fluid.optimizer.SGD(
+                learning_rate=fluid.dygraph.NaturalExpDecay(
+                      learning_rate=base_lr,
+                      decay_steps=10000,
+                      decay_rate=0.5,
+                      staircase=True))
+
+
+
+
+
+.. _cn_api_fluid_dygraph_NCE:
+
+NCE
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.NCE(name_scope, num_total_classes, param_attr=None, bias_attr=None, num_neg_samples=None, sampler='uniform', custom_dist=None, seed=0, is_sparse=False)
+
+计算并返回噪音对比估计（ noise-contrastive estimation training loss）。 
+`请参考Noise-contrastive estimation: A new estimation principle for unnormalized statistical models
+<http://www.jmlr.org/proceedings/papers/v9/gutmann10a/gutmann10a.pdf>`_
+
+该operator默认使用均匀分布进行抽样。
+
+参数:
+    - **name_scope** (str) – 该类的名称
+    - **num_total_classes** (int) - 所有样本中的类别的总数
+    - **sample_weight** (Variable|None) - 存储每个样本权重，shape为[batch_size, 1]存储每个样本的权重。每个样本的默认权重为1.0
+    - **param_attr** (ParamAttr|None) - :math:`可学习参数/nce权重` 的参数属性。如果它没有被设置为ParamAttr的一个属性，nce将创建ParamAttr为param_attr。如没有设置param_attr的初始化器，那么参数将用Xavier初始化。默认值:None
+    - **bias_attr** (ParamAttr|bool|None) -  nce偏置的参数属性。如果设置为False，则不会向输出添加偏置（bias）。如果值为None或ParamAttr的一个属性，则bias_attr=ParamAtt。如果没有设置bias_attr的初始化器，偏置将被初始化为零。默认值:None
+    - **num_neg_samples** (int) - 负样例的数量。默认值是10
+    - **name** (str|None) - 该layer的名称(可选)。如果设置为None，该层将被自动命名
+    - **sampler** (str) – 取样器，用于从负类别中进行取样。可以是 ‘uniform’, ‘log_uniform’ 或 ‘custom_dist’。 默认 ‘uniform’
+    - **custom_dist** (float[]) – 一个 float[] 并且它的长度为 ``num_total_classes`` 。  如果取样器类别为‘custom_dist’，则使用此参数。 custom_dist[i] 是第i个类别被取样的概率。默认为 None
+    - **seed** (int) – 取样器使用的seed。默认为0
+    - **is_sparse** (bool) – 标志位，指明是否使用稀疏更新,  :math:`weight@GRAD` 和 :math:`bias@GRAD` 会变为 SelectedRows
+
+返回： nce loss
+
+返回类型: 变量（Variable）
+
+
+**代码示例**
+
+..  code-block:: python
+
+
+    import numpy as np
+    import paddle.fluid as fluid
+
+    window_size = 5
+    dict_size = 20
+    label_word = int(window_size // 2) + 1
+    inp_word = np.array([[[1]], [[2]], [[3]], [[4]], [[5]]]).astype('int64')
+    nid_freq_arr = np.random.dirichlet(np.ones(20) * 1000).astype('float32')
+
+    with fluid.dygraph.guard():
+        words = []
+        for i in range(window_size):
+            words.append(fluid.dygraph.base.to_variable(inp_word[i]))
+
+        emb = fluid.Embedding(
+            'embedding',
+            size=[dict_size, 32],
+            param_attr='emb.w',
+            is_sparse=False)
+
+        embs3 = []
+        for i in range(window_size):
+            if i == label_word:
+                continue
+
+            emb_rlt = emb(words[i])
+            embs3.append(emb_rlt)
+
+        embs3 = fluid.layers.concat(input=embs3, axis=1)
+        nce = fluid.NCE('nce',
+                     num_total_classes=dict_size,
+                     num_neg_samples=2,
+                     sampler="custom_dist",
+                     custom_dist=nid_freq_arr.tolist(),
+                     seed=1,
+                     param_attr='nce.w',
+                     bias_attr='nce.b')
+
+        nce_loss3 = nce(embs3, words[label_word])
+
+
+
+
+.. _cn_api_fluid_dygraph_NoamDecay:
+
+NoamDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.NoamDecay(d_model, warmup_steps, begin=1, step=1, dtype='float32')
+
+Noam衰减方法。noam衰减的numpy实现如下。
+
+.. code-block:: python
+
+    import numpy as np
+    # 设置超参数
+    d_model = 2
+    current_steps = 20
+    warmup_steps = 200
+    # 计算
+    lr_value = np.power(d_model, -0.5) * np.min([
+                           np.power(current_steps, -0.5),
+                           np.power(warmup_steps, -1.5) * current_steps])
+
+请参照 `attention is all you need <https://arxiv.org/pdf/1706.03762.pdf>`_
+
+参数：
+    - **d_model** (Variable)-模型的输入和输出维度
+    - **warmup_steps** (Variable)-超参数
+    - **begin**  – 起始步(默认为0)。
+    - **step**  – 步大小(默认为1)。
+    - **dtype**  – 初始学习率的dtype(默认为‘float32’)。
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    warmup_steps = 100
+    learning_rate = 0.01
+    with fluid.dygraph.guard():
+        optimizer  = fluid.optimizer.SGD(
+            learning_rate = fluid.dygraph.NoamDecay(
+                   1/(warmup_steps *(learning_rate ** 2)),
+                   warmup_steps) )
+
+
+
+.. _cn_api_fluid_dygraph_PiecewiseDecay:
+
+PiecewiseDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.PiecewiseDecay(boundaries, values, begin, step=1, dtype='float32')
+
+对初始学习率进行分段(piecewise)衰减。
+
+该算法可用如下代码描述。
+
+.. code-block:: text
+
+    boundaries = [10000, 20000]
+    values = [1.0, 0.5, 0.1]
+    if step < 10000:
+        learning_rate = 1.0
+    elif 10000 <= step < 20000:
+        learning_rate = 0.5
+    else:
+        learning_rate = 0.1
+
+参数：
+    - **boundaries** -一列代表步数的数字
+    - **values** -一列学习率的值，从不同的步边界中挑选
+    - **begin**  – 用于初始化self.step_num的起始步(默认为0)。
+    - **step**  – 计算新的step_num步号时使用的步大小(默认为1)。
+    - **dtype**  – 初始化学习率变量的dtype
+
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    boundaries = [10000, 20000]
+    values = [1.0, 0.5, 0.1]
+    with fluid.dygraph.guard():
+        optimizer = fluid.optimizer.SGD(
+           learning_rate=fluid.dygraph.PiecewiseDecay(boundaries, values, 0) )
+
+
+
+
+
+.. _cn_api_fluid_dygraph_PolynomialDecay:
+
+PolynomialDecay
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.PolynomialDecay(learning_rate, decay_steps, end_learning_rate=0.0001, power=1.0, cycle=False, begin=0, step=1, dtype='float32')
+
+为初始学习率应用多项式衰减。
+
+
+.. code-block:: text
+
+    if cycle:
+        decay_steps = decay_steps * ceil(global_step / decay_steps)
+    else:
+        global_step = min(global_step, decay_steps)
+        decayed_learning_rate = (learning_rate - end_learning_rate) *
+            (1 - global_step / decay_steps) ^ power + end_learning_rate
+
+参数：
+    - **learning_rate** (Variable|float32)-标量float32值或变量。是训练过程中的初始学习率
+    - **decay_steps** (int32)-Python int32数
+    - **end_learning_rate** (float)-Python float数
+    - **power** (float)-Python float数
+    - **cycle** (bool)-若设为true，每decay_steps衰减学习率
+    - **begin** (int) – 起始步(默认为0)
+    - **step** (int) – 步大小(默认为1)
+    - **dtype**  (str)– 初始化学习率变量的dtype(默认为‘float32’)
+
+返回：衰减的学习率
+
+返回类型：变量（Variable）
+
+**代码示例**
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    start_lr = 0.01
+    total_step = 5000
+    end_lr = 0
+    with fluid.dygraph.guard():
+        optimizer  = fluid.optimizer.SGD(
+            learning_rate = fluid.dygraph.PolynomialDecay(
+            start_lr, total_step, end_lr, power=1.0) )
+
+
+
+
+.. _cn_api_fluid_dygraph_Pool2D:
+
+Pool2D
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.Pool2D(name_scope, pool_size=-1, pool_type='max', pool_stride=1, pool_padding=0, global_pooling=False, use_cudnn=True, ceil_mode=False, exclusive=True, dtype=VarType.FP32)
+
+pooling2d操作符根据 ``input`` ， 池化类型 ``pooling_type`` ， 池化核大小 ``ksize`` , 步长 ``strides`` ，填充 ``paddings`` 这些参数得到输出。
+
+输入X和输出Out是NCHW格式，N为batch尺寸，C是通道数，H是特征高度，W是特征宽度。
+
+参数（ksize,strides,paddings）含有两个元素。这两个元素分别代表高度和宽度。输入X的大小和输出Out的大小可能不一致。
+
+
+参数：
+    - **name_scope** (str) - 该类的名称
+    - **pool_size** (int|list|tuple)  - 池化核的大小。如果它是一个元组或列表，它必须包含两个整数值， (pool_size_Height, pool_size_Width)。其他情况下，若为一个整数，则它的平方值将作为池化核大小，比如若pool_size=2, 则池化核大小为2x2，默认值为-1。
+    - **pool_type** (string) - 池化类型，可以是“max”对应max-pooling，“avg”对应average-pooling，默认值为max。
+    - **pool_stride** (int|list|tuple)  - 池化层的步长。如果它是一个元组或列表，它将包含两个整数，(pool_stride_Height, pool_stride_Width)。否则它是一个整数的平方值。默认值为1。
+    - **pool_padding** (int|list|tuple) - 填充大小。如果它是一个元组，它必须包含两个整数值，(pool_padding_on_Height, pool_padding_on_Width)。否则它是一个整数的平方值。默认值为0。
+    - **global_pooling** （bool）- 是否用全局池化。如果global_pooling = true， ``ksize`` 和 ``paddings`` 将被忽略。默认值为false
+    - **use_cudnn** （bool）- 只在cudnn核中用，需要安装cudnn，默认值为True。
+    - **ceil_mode** （bool）- 是否用ceil函数计算输出高度和宽度。默认False。如果设为False，则使用floor函数。默认值为false。
+    - **exclusive** (bool) - 是否在平均池化模式忽略填充值。默认为True。
+
+返回：池化结果
+
+返回类型：变量（Variable）
+
+抛出异常：
+    - ``ValueError`` - 如果 ``pool_type`` 既不是“max”也不是“avg”
+    - ``ValueError`` - 如果 ``global_pooling`` 为False并且‘pool_size’为-1
+    - ``ValueError`` - 如果 ``use_cudnn`` 不是bool值
+
+**代码示例**
+
+.. code-block:: python
+
+          import paddle.fluid as fluid
+          import numpy
+
+          with fluid.dygraph.guard():
+             data = numpy.random.random((3, 32, 32)).astype('float32')
+
+             pool2d = fluid.dygraph.Pool2D("pool2d",pool_size=2,
+                            pool_type='max',
+                            pool_stride=1,
+                            global_pooling=False)
+             pool2d_res = pool2d(data)
+
+
+
+
+
+.. _cn_api_fluid_dygraph_PRelu:
+
+PRelu
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.PRelu(name_scope, mode, param_attr=None)
+
+等式：
+
+.. math::
+    y = max(0, x) + \alpha min(0, x)
+
+
+参数：
+          - **name_scope** （string）- 该类的名称。
+          - **mode** (string) - 权重共享模式。共提供三种激活方式：
+
+             .. code-block:: text
+
+                all: 所有元素使用同一个权值
+                channel: 在同一个通道中的元素使用同一个权值
+                element: 每一个元素有一个独立的权值
+          - **param_attr** (ParamAttr|None) - 可学习权重 :math:`[\alpha]` 的参数属性。
+
+
+返回： 输出Tensor与输入tensor的shape相同。
+
+返回类型：  变量（Variable）
+
+**代码示例：**
+
+.. code-block:: python
+
+          import paddle.fluid as fluid
+          import numpy as np
+
+          inp_np = np.ones([5, 200, 100, 100]).astype('float32')
+          with fluid.dygraph.guard():
+              mode = 'channel'
+              prelu = fluid.PRelu(
+                 'prelu',
+                 mode=mode,
+                 param_attr=fluid.ParamAttr(initializer=fluid.initializer.Constant(1.0)))
+              dy_rlt = prelu(fluid.dygraph.base.to_variable(inp_np))
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_save_persistables:
+
+save_persistables
+-------------------------------
+
+.. py:function:: paddle.fluid.dygraph.save_persistables(model_dict, dirname='save_dir', optimizers=None)
+
+该函数把传入的层中所有参数以及优化器进行保存。
+
+``dirname`` 用于指定保存长期变量的目录。
+
+参数:
+ - **model_dict**  (dict of Parameters) – 参数将会被保存，如果设置为None，不会处理。
+ - **dirname**  (str) – 目录路径
+ - **optimizers**  (fluid.Optimizer|list(fluid.Optimizer)|None) –  要保存的优化器。 
+
+返回: None
+  
+**代码示例**
+
+.. code-block:: python
+    
+          import paddle.fluid as fluid
+
+          ptb_model = PtbModel(
+                hidden_size=hidden_size,
+                vocab_size=vocab_size,
+                num_layers=num_layers,
+                num_steps=num_steps,
+                init_scale=init_scale)
+          sgd = fluid.optimizer.SGD(learning_rate=0.01)
+          x_data = np.arange(12).reshape(4, 3).astype('int64')
+          y_data = np.arange(1, 13).reshape(4, 3).astype('int64')
+          x_data = x_data.reshape((-1, num_steps, 1))
+          y_data = y_data.reshape((-1, 1))
+          init_hidden_data = np.zeros(
+                (num_layers, batch_size, hidden_size), dtype='float32')
+          init_cell_data = np.zeros(
+                (num_layers, batch_size, hidden_size), dtype='float32')
+          x = to_variable(x_data)
+          y = to_variable(y_data)
+          init_hidden = to_variable(init_hidden_data)
+          init_cell = to_variable(init_cell_data)
+          dy_loss, last_hidden, last_cell = ptb_model(x, y, init_hidden,
+                                                        init_cell)
+          dy_loss.backward()
+          sgd.minimize(dy_loss)
+          ptb_model.clear_gradient()
+          param_path = "./my_paddle_model"
+          fluid.dygraph.save_persistables(ptb_model.state_dict(), dirname=param_path, sgd)
+    
+    
+
+
+
+
+
+.. _cn_api_fluid_dygraph_SpectralNorm:
+
+SpectralNorm
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.SpectralNorm(name_scope, dim=0, power_iters=1, eps=1e-12, name=None)
+
+
+该层计算了fc、conv1d、conv2d、conv3d层的权重参数的谱正则值，其参数应分别为2-D, 3-D, 4-D, 5-D。计算结果如下。
+
+步骤1：生成形状为[H]的向量U,以及形状为[W]的向量V,其中H是输入权重的第 ``dim`` 个维度，W是剩余维度的乘积。
+
+步骤2： ``power_iters`` 应该是一个正整数，用U和V迭代计算 ``power_iters`` 轮。
+
+.. math::
+
+    \mathbf{v} &:= \frac{\mathbf{W}^{T} \mathbf{u}}{\|\mathbf{W}^{T} \mathbf{u}\|_2}\\
+    \mathbf{u} &:= \frac{\mathbf{W}^{T} \mathbf{v}}{\|\mathbf{W}^{T} \mathbf{v}\|_2}
+
+步骤3：计算 \sigma(\mathbf{W}) 并权重值归一化。
+
+.. math::
+    \sigma(\mathbf{W}) &= \mathbf{u}^{T} \mathbf{W} \mathbf{v}\\
+    \mathbf{W} &= \frac{\mathbf{W}}{\sigma(\mathbf{W})}
+
+可参考: `Spectral Normalization <https://arxiv.org/abs/1802.05957>`_
+
+参数：
+    - **name_scope** (str)-该类的名称。
+    - **dim** (int)-将输入（weight）重塑为矩阵之前应排列到第一个的维度索引，如果input（weight）是fc层的权重，则应设置为0；如果input（weight）是conv层的权重，则应设置为1，默认为0。
+    - **power_iters** (int)-将用于计算spectral norm的功率迭代次数，默认值1。
+    - **eps** (float)-epsilon用于计算规范中的数值稳定性，默认值为1e-12
+    - **name** (str)-此层的名称，可选。
+
+返回：谱正则化后权重参数的张量变量
+
+返回类型：Variable
+
+**代码示例**：
+
+.. code-block:: python
+
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        x = numpy.random.random((2, 8, 32, 32)).astype('float32')
+        spectralNorm = fluid.dygraph.nn.SpectralNorm('SpectralNorm', dim=1, power_iters=2)
+        ret = spectralNorm(fluid.dygraph.base.to_variable(x))
+
+
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_to_variable:
+
+to_variable
+-------------------------------
+
+.. py:function:: paddle.fluid.dygraph_to_variable(value, block=None, name=None)
+
+该函数会从ndarray创建一个variable。
+
+参数：
+    - **value**  (ndarray) – 需要转换的numpy值
+    - **block**  (fluid.Block) – variable所在的block，默认为None
+    - **name**  (str) – variable的名称，默认为None
+
+
+返回： 从指定numpy创建的variable
+
+返回类型：Variable
+
+**代码示例**:
+
+.. code-block:: python
+    
+    import numpy as np
+    import paddle.fluid as fluid
+
+    with fluid.dygraph.guard():
+        x = np.ones([2, 2], np.float32)
+        y = fluid.dygraph.to_variable(x)
+
+
+
+
+
+
+.. _cn_api_fluid_dygraph_TreeConv:
+
+TreeConv
+-------------------------------
+
+.. py:class:: paddle.fluid.dygraph.TreeConv(name_scope, output_size, num_filters=1, max_depth=2, act='tanh', param_attr=None, bias_attr=None, name=None)
+
+基于树结构的卷积Tree-Based Convolution运算。
+
+基于树的卷积是基于树的卷积神经网络（TBCNN，Tree-Based Convolution Neural Network）的一部分，它用于对树结构进行分类，例如抽象语法树。 Tree-Based Convolution提出了一种称为连续二叉树的数据结构，它将多路（multiway）树视为二叉树。提出 `基于树的卷积论文 <https://arxiv.org/abs/1409.5718v1>`_
+
+
+参数：
+    - **name_scope**  (str) – 该类的名称
+    - **output_size**  (int) – 输出特征宽度
+    - **num_filters**  (int) – filter数量，默认值1
+    - **max_depth**  (int) – filter的最大深度，默认值2
+    - **act**  (str) – 激活函数，默认 tanh
+    - **param_attr**  (ParamAttr) – filter的参数属性，默认None
+    - **bias_attr**  (ParamAttr) – 此层bias的参数属性，默认None
+    - **name**  (str) – 此层的名称（可选）。如果设置为None，则将自动命名层，默认为None
+
+
+返回： （Tensor）子树的特征向量。输出张量的形状是[max_tree_node_size，output_size，num_filters]。输出张量可以是下一个树卷积层的新特征向量
+
+返回类型：out（Variable）
+
+**代码示例**:
+
+.. code-block:: python
+    
+    import paddle.fluid as fluid
+    import numpy
+
+    with fluid.dygraph.guard():
+        nodes_vector = numpy.random.random((1, 10, 5)).astype('float32')
+        edge_set = numpy.random.random((1, 9, 2)).astype('int32')
+        treeConv = fluid.dygraph.nn.TreeConv(
+          'TreeConv', output_size=6, num_filters=1, max_depth=2)
+        ret = treeConv(fluid.dygraph.base.to_variable(nodes_vector), fluid.dygraph.base.to_variable(edge_set))
+
+
+
+
+
+
+

doc/fluid/api_cn/fluid_cn.rst

 #################
- fluid
+fluid
 #################
 
 .. _cn_api_fluid_BuildStrategy:
@@ -1618,9 +1618,9 @@ LoD是多层序列（Level of Details）的缩写，通常用于不同长度的
 
 举例:
 
-X 为 LoDTensor，它包含两个序列。第一个长度是2，第二个长度是3。
+X 为 LoDTensor，它包含两个逻辑子序列。第一个长度是2，第二个长度是3。
 
-从Lod中可以计算出X的第一维度为5， 因为5=2+3， 说明X中有5个序列。在X中的每个序列中的每个元素有2列，因此X的shape为[5,2]。
+从Lod中可以计算出X的第一维度为5， 因为5=2+3。在X中的每个序列中的每个元素有2列，因此X的shape为[5,2]。
 
 ::
 
@@ -1631,7 +1631,7 @@ X 为 LoDTensor，它包含两个序列。第一个长度是2，第二个长度
   x.shape = [5, 2]
 
 
-LoD可以有多个level(例如，一个段落可以有多个句子，一个句子可以有多个单词)。下面的例子中，Y为LoDTensor ，lod_level为2。表示有2个序列，第一个序列的长度是2(有2个子序列)，第二个序列的长度是1。第一序列的两个子序列长度分别为2和2。第二个序列的子序列的长度是3。
+LoD可以有多个level(例如，一个段落可以有多个句子，一个句子可以有多个单词)。下面的例子中，Y为LoDTensor ，lod_level为2。表示有2个逻辑序列，第一个逻辑序列的长度是2(有2个子序列)，第二个逻辑序列的长度是1。第一个逻辑序列的两个子序列长度分别为2和2。第二个序列的子序列的长度是3。
 
 
 ::
@@ -1652,7 +1652,7 @@ LoD可以有多个level(例如，一个段落可以有多个句子，一个句
 
   在上面的描述中，LoD是基于长度的。在paddle内部实现中，lod是基于偏移的。因此,在内部,y.lod表示为[[0,2,3]，[0,2,4,7]](基于长度的Lod表示为为[[2-0,3-2]，[2-0,4-2,7-4]])。
 
-  可以将LoD理解为recursive_sequence_length（递归序列长度）。此时，LoD必须是基于长度的。由于历史原因。当LoD在API中被称为lod时，它可能是基于偏移的。用户应该注意。
+  可以将LoD理解为recursive_sequence_length（递归序列长度）。此时，LoD必须是基于长度的。由于历史原因，当LoD在API中被称为lod时，它可能是基于偏移的。用户应该注意。
 
 
 

doc/fluid/api_cn/index_cn.rst

@@ -13,6 +13,7 @@ API
     clip_cn.rst
     data_feeder_cn.rst
     dataset_cn.rst
+    dygraph_cn.rst
     executor_cn.rst
     initializer_cn.rst
     io_cn.rst
@@ -25,3 +26,4 @@ API
     transpiler_cn.rst
     data/dataset_cn.rst
     data/data_reader_cn.rst
+

doc/fluid/api_cn/layers_cn/io_cn.rst

@@ -289,7 +289,7 @@ open_files
 Preprocessor
 -------------------------------
 
-.. py:class:: class paddle.fluid.layers.Preprocessor(reader, name=None)
+.. py:class:: paddle.fluid.layers.Preprocessor(reader, name=None)
 
 reader变量中数据预处理块。
 

doc/fluid/api_cn/layers_cn/learning_rate_scheduler_cn.rst

@@ -43,7 +43,7 @@ exponential_decay
 .. py:function:: paddle.fluid.layers.exponential_decay(learning_rate,decay_steps,decay_rate,staircase=False)
 
 在学习率上运用指数衰减。
-训练模型时，在训练过程中通常推荐降低学习率。每次 ``decay_steps`` 步骤中用 ``decay_rate`` 衰减学习率。
+训练模型时，推荐在训练过程中降低学习率。每次 ``decay_steps`` 步骤中用 ``decay_rate`` 衰减学习率。
 
 .. code-block:: text
 
@@ -93,7 +93,7 @@ inverse_time_decay
 
 在初始学习率上运用逆时衰减。
 
-训练模型时，在训练过程中通常推荐降低学习率。通过执行该函数，将对初始学习率运用逆向衰减函数。
+训练模型时，最好在训练过程中降低学习率。通过执行该函数，将对初始学习率运用逆向衰减函数。
 
 .. code-block:: python
 
@@ -285,7 +285,7 @@ piecewise_decay
         learning_rate = 0.1
 
 参数：
-    - **boundaries** -一列代表步数的数字
+    - **boundaries** -一列代表步数的数字
     - **values** -一列学习率的值，从不同的步边界中挑选
 
 返回：衰减的学习率

doc/fluid/api_cn/layers_cn/nn_cn.rst

@@ -428,15 +428,15 @@ batch_norm
     - **input** (Variable) - 输入变量的排序，可以为 2, 3, 4, 5
     - **act** （string，默认None）- 激活函数类型，linear|relu|prelu|...
     - **is_test** （bool,默认False） - 指示它是否在测试阶段。
-    - **momentum** （float，默认0.9）- 此值用于计算 moving_mean and moving_var. 更新公式为:  :math:`\(moving\_mean = moving\_mean * momentum + new\_mean * (1. - momentum)\)` :math:`\(moving\_var = moving\_var * momentum + new\_var * (1. - momentum)\)` ， 默认值0.9.
+    - **momentum** （float，默认0.9）- 此值用于计算 moving_mean 和 moving_var。更新公式为:  :math:`moving\_mean = moving\_mean * momentum + new\_mean * (1. - momentum)` ， :math:`moving\_var = moving\_var * momentum + new\_var * (1. - momentum)` ， 默认值0.9.
     - **epsilon** （float，默认1e-05）- 加在分母上为了数值稳定的值。默认值为1e-5。
     - **param_attr** （ParamAttr|None） - batch_norm参数范围的属性，如果设为None或者是ParamAttr的一个属性，batch_norm创建ParamAttr为param_attr。如果没有设置param_attr的初始化函数，参数初始化为Xavier。默认：None
     - **bias_attr** （ParamAttr|None） - batch_norm bias参数的属性，如果设为None或者是ParamAttr的一个属性，batch_norm创建ParamAttr为bias_attr。如果没有设置bias_attr的初始化函数，参数初始化为0。默认：None
     - **data_layout** （string,默认NCHW) - NCHW|NHWC
     - **in_place** （bool，默认False）- 得出batch norm可复用记忆的输入和输出
     - **name** （string，默认None）- 该层名称（可选）。若设为None，则自动为该层命名
-    - **moving_mean_name** （string，默认None）- moving_mean的名称，存储全局Mean。如果将其设置为None, ``batch_norm``将随机命名全局平均值；否则， `batch_norm`将命名全局平均值为``moving_mean_name``
-    - **moving_variance_name** （string，默认None）- moving_variance的名称，存储全局变量。如果将其设置为None,``batch_norm``将随机命名全局方差；否则， `batch_norm`将命名全局方差为``moving_mean_name``
+    - **moving_mean_name** （string，默认None）- moving_mean的名称，存储全局Mean。如果将其设置为None, ``batch_norm`` 将随机命名全局平均值；否则， ``batch_norm`` 将命名全局平均值为 ``moving_mean_name``   
+    - **moving_variance_name** （string，默认None）- moving_variance的名称，存储全局变量。如果将其设置为None, ``batch_norm`` 将随机命名全局方差；否则， ``batch_norm`` 将命名全局方差为 ``moving_variance_name`` 
     - **do_model_average_for_mean_and_var** （bool，默认False）- 是否为mean和variance做模型均值
     - **fuse_with_relu** （bool）- 如果为True，batch norm后该操作符执行relu
     - **use_global_stats** （bool, Default False） – 是否使用全局均值和方差。 在预测或测试模式下，将use_global_stats设置为true或将is_test设置为true，并且行为是等效的。 在训练模式中，当设置use_global_stats为True时，在训练期间也使用全局均值和方差。
@@ -3131,7 +3131,7 @@ embedding
     - **size** (tuple|list)-查找表参数的维度。应当有两个参数，一个代表嵌入矩阵字典的大小，一个代表每个嵌入向量的大小。
     - **is_sparse** (bool)-代表是否用稀疏更新的标志
     - **is_distributed** (bool)-是否从远程参数服务端运行查找表
-    - **padding_idx** (int|long|None)-如果为 ``None`` ，对查找结果无影响。如果padding_idx不为空，表示一旦查找表中找到input中对应的 ``padding_idz``，则用0填充输出结果。如果 :math:`padding_{i}dx<0` ,在查找表中使用的 ``padding_idx`` 值为 :math:`size[0]+dim` 。
+    - **padding_idx** (int|long|None)-如果为 ``None`` ，对查找结果无影响。如果padding_idx不为空，表示一旦查找表中找到input中对应的 ``padding_idz``，则用0填充输出结果。如果 :math:`padding\_idx<0` ,在查找表中使用的 ``padding_idx`` 值为 :math:`size[0]+dim` 。
     - **param_attr** (ParamAttr)-该层参数
     - **dtype** (np.dtype|core.VarDesc.VarType|str)-数据类型：float32,float_16,int等。