fix prroi_pool API cn doc,test=develop

doc/fluid/api_cn/layers_cn/prroi_pool_cn.rst

@@ -7,9 +7,9 @@ prroi_pool
 
 PRROIPool运算
 
-精确区域池化方法（Precise region of interest pooling，也称为PRROIPooling）是对输入的 "感兴趣区域"(RoI)执行插值处理，将离散的特征图数据映射到一个连续空间，使用二重积分再求均值的方式实现Pooling。
+精确区域池化方法（Precise region of interest pooling，也称为PRROIPooling）是对输入的 "感兴趣区域"(RoI)执行插值处理，将离散的特征图数据映射到一个连续空间，对ROI区域计算二重积分再求均值的方式实现roi Pooling。
 
-通过积分方式计算ROI特征，反向传播时基于连续输入值计算梯度，使得反向传播连续可导的PRROIPooling。 有关更多详细信息，请参阅 https://arxiv.org/abs/1807.11590。
+通过积分方式计算ROI特征，使得反向传播连续可导的PRROIPooling。 有关更多详细信息，请参阅 https://arxiv.org/abs/1807.11590。
 
 参数：
     - **input** （Variable） - （Tensor），PRROIPoolOp的输入。 输入张量的格式是NCHW。 其中N是批大小batch_size，C是输入通道的数量，H是输入特征图的高度，W是特征图宽度
@@ -18,6 +18,7 @@ PRROIPool运算
     - **spatial_scale** （float） - （float，default 1.0），乘法空间比例因子，用于将ROI坐标从其输入比例转换为池化使用的比例。默认值：1.0
     - **pooled_height** （integer） - （int，默认值1），池化输出的高度。默认值：1
     - **pooled_width** （integer） - （int，默认值1），池化输出的宽度。默认值：1
+    - **batch_roi_nums**  （Variable） -  （Tensor）， 记录一个batch中每个图像或特征对应的roi数量。形状为[N]，N是batch_size大小，和输入input的第一个维度相同。batch_roi_nums有值时，输入input的lod信息应该为空。
     - **name** （str，default None） - 此层的名称。
 
 返回： （Tensor），PRROIPoolOp的输出是形为 (num_rois，output_channels，pooled_h，pooled_w) 的4-D Tensor。
@@ -28,10 +29,18 @@ PRROIPool运算
 
 .. code-block:: python
 
-    import paddle.fluid as fluid
-    x = fluid.layers.data(name='x', shape=[490, 28, 28], dtype='float32')
-    rois = fluid.layers.data(name='rois', shape=[4], lod_level=1, dtype='float32')
-    pool_out = fluid.layers.prroi_pool(x, rois, 10, 1.0, 7, 7)
+
+	import paddle.fluid as fluid
+	x = fluid.data(name='x', shape=[None, 490, 28, 28], dtype='float32')
+	rois = fluid.data(name='rois', shape=[None, 4], lod_level=1, dtype='float32')
+	pool_out = fluid.layers.prroi_pool(x, rois, 1.0, 7, 7)
+
+	## prroi_pool with batch_roi_num
+	batchsize=4
+	x2 = fluid.data(name='x2', shape=[batchsize, 490, 28, 28], dtype='float32')
+	rois2 = fluid.data(name='rois2', shape=[batchsize, 4], dtype='float32')
+	batch_rois_num = fluid.data(name='rois_nums', shape=[batchsize], dtype='int64')
+	pool_out2 = fluid.layers.prroi_pool(x2, rois2, 1.0, 7, 7, batch_roi_nums=batch_rois_num)