fix hash doc (#1330)

* fix hash doc
test=document_preview

* fix
test=document_preview

* fix
test=document_preview

* fix
test=document_preview

* fix hash attr name
test=document_preview

doc/fluid/api_cn/layers_cn/hash_cn.rst

@@ -5,75 +5,50 @@ hash
 
 .. py:function::  paddle.fluid.layers.hash(input, hash_size, num_hash=1, name=None)
 
-将输入 hash 到一个整数，该数的值小于给定的 hash size
+该OP将输入 hash 成为一个整数，该数的值小于给定的 ``hash_size`` 。**仅支持输入为LoDTensor**。
 
-我们使用的哈希算法是 xxHash - `Extremely fast hash algorithm <https://github.com/Cyan4973/xxHash/tree/v0.6.5>`_
+该OP使用的哈希算法是：xxHash - `Extremely fast hash algorithm <https://github.com/Cyan4973/xxHash/tree/v0.6.5>`_
 
-提供一简单的例子：
-
-.. code-block:: text
-
-  给出：
-
-    # shape [2, 2]
-    input.data = 
-        [[1, 2],
-        [3, 4]]
-
-    input.lod = [[0, 2]]
-
-    hash_size = 10000
-
-    num_hash = 4
-
-  然后:
-
-    哈希操作将这个二维input的所有数字作为哈希算法每次的输入。
-
-    每个输入都将被哈希4次，最终得到一个长度为4的数组。
-
-    数组中的每个值的范围从0到9999。
-
-
-
-    # shape [2, 4]
-    output.data = [
-        [[9662, 9217, 1129, 8487],
-        [8310, 1327, 1654, 4567]],
-    ]
-
-    output.lod = [[0, 2]]
 
 参数：
-  - **input** (Variable) - 输入变量是一个 one-hot 词。输入变量的维数必须是2。支持Tensor与LodTensor。
-  - **hash_size** (int) - 哈希算法的空间大小。输出值将保持在 :math:`[0, hash\_size - 1]` 范围内。
-  - **num_hash** (int) - 哈希次数，默认为1。
-  - **name** (str, default None) - 该层的名称
+  - **input** (Variable) - 输入是一个 **二维** ``LoDTensor`` 。**输入维数必须为2**。数据类型为：int32、int64。**仅支持LoDTensor**。
+  - **hash_size** (int) - 哈希算法的空间大小。输出值将保持在 :math:`[0, hash\_size)` 范围内。
+  - **num_hash** (int) - 哈希次数。默认值为1。
+  - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
 
-返回：哈希的结果变量，与输入变量类型相同。
+返回：``LoDTensor``
 
-返回类型： Variable
+返回类型：Variable
 
 **代码示例：**
 
 .. code-block:: python
 
-    import paddle.fluid as fluid
-
-    # titles形为[batch, 1]
-    titles = fluid.layers.data(name='titles', shape=[1], dtype='int32', lod_level=0)
-    # hash_r形为[batch, 2]
-    hash_r = fluid.layers.hash(name='hash_x', input=titles, num_hash=2, hash_size=1000)
-
-    # titles形为[batch, 1]并且拥有lod信息
-    titles = fluid.layers.data(name='titles', shape=[1], dtype='int32', lod_level=1)
-    # hash_r形为[batch, 2]并且从titles继承lod信息
-    hash_r = fluid.layers.hash(name='hash_x', input=titles, num_hash=2, hash_size=1000)
-
-
-
-
-
-
-
-
+  import paddle.fluid as fluid
+  import numpy as np
+
+  place = fluid.core.CPUPlace()
+
+  # 构建网络
+  x = fluid.layers.data(name="x", shape=[1], dtype="int32", lod_level=1)
+  res = fluid.layers.hash(name="res",input=x, hash_size=1000, num_hash=4)
+
+  # 创建CPU执行器
+  exe = fluid.Executor(place)
+  exe.run(fluid.default_startup_program())
+
+  in1 = np.array([[1,2],[3,4]]).astype("int32")
+  print(in1)
+  x_i = fluid.core.LoDTensor()
+  x_i.set(in1,place)
+  x_i.set_recursive_sequence_lengths([[0,2]])
+  res = exe.run(fluid.default_main_program(), feed={'x':x_i}, fetch_list=[res], return_numpy=False)
+  print(np.array(res[0]))
+  # [[[722]
+  #   [407]
+  #   [337]
+  #   [395]]
+  #  [[603]
+  #   [590]
+  #   [386]
+  #   [901]]]