Update cn_api (#496) (#504)

[cherry-pick] Update cn_api from develop to release/1.2

doc/fluid/api_cn/fluid_cn.rst

@@ -9,7 +9,7 @@
 AsyncExecutor
 -------------------------------
 
-.. py:function:: paddle.fluid.AsyncExecutor(place=None)
+.. py:class:: paddle.fluid.AsyncExecutor(place=None)
 
 Python中的异步执行器。AsyncExecutor利用多核处理器和数据排队的强大功能，使数据读取和融合解耦，每个线程并行运行。
 
@@ -122,8 +122,9 @@ str类型。在 ``ParallelExecutor`` 中，存在三种定义 *loss@grad* 的方
 
 str类型。在 ``ParallelExecutor`` 中，存在两种减少策略（reduce strategy），即 ``AllReduce`` 和 ``Reduce`` 。如果你需要在所有执行场所上独立地进行参数优化，可以使用 ``AllReduce`` 。反之，如果使用 ``Reduce`` 策略，所有参数的优化将均匀地分配给不同的执行场所，随之将优化后的参数广播给其他执行场所。在一些模型中， ``Reduce`` 策略执行速度更快一些。默认值为 ``AllReduce`` 。
 
+.. py:attribute:: remove_unnecessary_lock
 
-
+BOOL类型。如果设置为True, GPU操作中的一些锁将被释放，ParallelExecutor将运行得更快，默认为 False。
 
 
 
@@ -270,7 +271,7 @@ CUDAPlace
 DataFeedDesc
 -------------------------------
 
-.. py:function:: paddle.fluid.DataFeedDesc(proto_file)
+.. py:class:: paddle.fluid.DataFeedDesc(proto_file)
 
 数据描述符，描述输入训练数据格式。
 
@@ -324,7 +325,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 	- **proto_file** (string) - 包含数据feed中描述的磁盘文件
 
 
-.. py:method:: set_batch_size(self, batch_size)
+.. py:method:: set_batch_size(batch_size)
 
 设置batch size，训练期间有效
 
@@ -339,7 +340,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 	data_feed = fluid.DataFeedDesc('data.proto')
 	data_feed.set_batch_size(128)
 
-.. py:method:: set_dense_slots(self, dense_slots_name)
+.. py:method:: set_dense_slots(dense_slots_name)
 
 指定slot经过设置后将变成密集的slot，仅在训练期间有效。
 
@@ -360,7 +361,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 
 	默认情况下，所有slot都是稀疏的
 
-.. py:method:: set_use_slots(self, use_slots_name)
+.. py:method:: set_use_slots(use_slots_name)
 
 
 设置一个特定的slot是否用于训练。一个数据集包含了很多特征，通过这个函数可以选择哪些特征将用于指定的模型。
@@ -380,7 +381,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 	默认值不用于所有slot
 
 
-.. py:method:: desc(self)
+.. py:method:: desc()
 
 返回此DataFeedDesc的protobuf信息
 
@@ -1231,10 +1232,10 @@ ParamAttr
 Program
 -------------------------------
 
-.. py:function::  paddle.fluid.Program
+.. py:class::  paddle.fluid.Program
 
 
-创建python program， 在paddleFluid内部会被转换为ProgramDesc描述语言，是被用来创建c++ Program。Program像容器一样也是一种独立的程序语言。Program包括至少一个块（Block），控制流比如conditional_block包括while_op，该Program将会含有嵌套块（nested block）。详情请参阅framework.proto。
+创建python program， 在paddleFluid内部会被转换为ProgramDesc描述语言，用来创建一段 c++ 程序。Program像容器一样，是一种自包含的程序语言。Program中包括至少一个块（Block），当 block 中存在条件选择的控制流op（例如 while_op）时，该Program将会含有嵌套块（nested block）。详情请参阅framework.proto。
 
 注意：默认情况下，paddleFluid内部默认含有 ``default_startup_program`` 和 ``default_main_program`` ，它们将共享参数。 ``default_startup_program`` 只运行一次来初始化参数， ``default_main_program`` 在每个mini batch中运行并调整权重。
 

doc/fluid/api_cn/layers_cn.rst

@@ -354,7 +354,7 @@ equal
 IfElse
 -------------------------------
 
-.. py:function:: paddle.fluid.layers.IfElse(cond, name=None)
+.. py:class:: paddle.fluid.layers.IfElse(cond, name=None)
 
 if-else控制流。  
 
@@ -633,7 +633,7 @@ StaticRNN
 Switch
 -------------------------------
 
-.. py:function:: paddle.fluid.layers.Switch (name=None)
+.. py:class:: paddle.fluid.layers.Switch (name=None)
 
 Switch类实现的功能十分类似if-elif-else。它可以在学习率调度器(learning rate scheduler)中调整学习率。
 :: 
@@ -689,7 +689,7 @@ Switch类实现的功能十分类似if-elif-else。它可以在学习率调度
 While
 -------------------------------
 
-.. py:function:: paddle.fluid.layers.While (cond, is_test=False, name=None)
+.. py:class:: paddle.fluid.layers.While (cond, is_test=False, name=None)
 
 
 该类用于实现while循环控制功能。
@@ -1669,7 +1669,7 @@ bilinear_tensor_product
 例如:
 
 .. math::
-       out{i} = x * W_{i} * {y^\mathrm{T}}, i=0,1,...,size-1
+       out_{i} = x * W_{i} * {y^\mathrm{T}}, i=0,1,...,size-1
 
 在这个公式中：
 	- :math:`x`: 第一个输入，包含M个元素，形状为[batch_size, M]
@@ -2646,7 +2646,7 @@ dropout操作
 
 dropout操作符可以从程序中移除，程序变得高效。
 
-返回：带有x维的张量
+返回：与输入X，shape相同的张量
 
 返回类型：变量
 
@@ -3592,6 +3592,8 @@ fc
 flatten
 -------------------------------
 
+.. py:function::  paddle.fluid.layers.flatten(x, axis=1, name=None)
+
 将输入张量压扁成二维矩阵
 
 例如：
@@ -3713,7 +3715,11 @@ gaussian_random算子。
 
 返回类型：        输出（Variable）
 
+**代码示例：**
+
+.. code-block:: python
 
+    out = layers.gaussian_random(shape=[20, 30])       
 
 
 
@@ -3747,7 +3753,14 @@ gaussian_random_batch_size_like
 
 
 
+**代码示例：**
 
+.. code-block:: python
+
+    input = layers.data(name="input", shape=[13, 11], dtype='float32')
+
+    out = layers.gaussian_random_batch_size_like(
+        input, shape=[-1, 11], mean=1.0, std=2.0)
 
 
 
@@ -4236,6 +4249,7 @@ image_resize
 支持重新取样方法: 
 
     BILINEAR：双线性插值
+
     NEAREST：最近邻插值
 
 参数:
@@ -4495,27 +4509,31 @@ linear_chain_crf
 
 该操作符实现了线性链条件随机场（linear chain CRF）的前向——反向算法。详情请参照 http://www.cs.columbia.edu/~mcollins/fb.pdf 和 http://cseweb.ucsd.edu/~elkan/250Bwinter2012/loglinearCRFs.pdf。
 
-公式：
 
-	1.这里x代表Emission
+长度为L的序列s的概率定义如下：
+
+.. math::
+
+    P(s) = (1/Z) exp(a_{s_1} + b_{s_L} + sum_{l=1}^L x_{s_l} + sum_{l=2}^L w_{s_{l-1},s_l})
 
-	2.Transition的第一维度值，代表起始权重，这里用a表示
 
-	3.Transition的下一维值，代表末尾权重，这里用b表示
+其中Z是正则化值，所有可能序列的P(s)之和为1，x是线性链条件随机场（linear chain CRF）的发射（emission）特征权重。
 
-	4.Transition剩下的值，代表转移权重，这里用w表示
+线性链条件随机场最终输出mini-batch每个训练样本的条件概率的对数
 
-	5.Label用s表示
 
-	长度为L的序列s的概率定义如下：
+	1.这里 :math:`x` 代表Emission
 
-.. math::
+	2.Transition的第一维度值，代表起始权重，这里用 :math:`a` 表示
+
+	3.Transition的下一维值，代表末尾权重，这里用 :math:`b` 表示
+
+	4.Transition剩下的值，代表转移权重，这里用 :math:`w` 表示
+
+	5.Label用 :math:`s` 表示
 
-    P(s) = (1/Z)exp(a_{s_{1}}+b_{s_{L}}+sum_{L}^{l=1}x_{s+{l}}+sum_{L}^{l=2}w_{s_{l-1},s_{l}})
 	
-其中Z是正则化值，所有可能序列的P(s)之和为1，x是线性链条件随机场（linear chain CRF）的发射（emission）特征权重。
 
-线性链条件随机场最终输出mini-batch每个训练样本的条件概率的对数
 
 **注意：**
 
@@ -4620,7 +4638,7 @@ lod_reset
 
 返回类型：变量
 
-提示：抛出异常 - 如果y和target_lod都为空
+抛出异常：``TypeError`` - 如果y和target_lod都为空
 
 **代码示例**：
 
@@ -5150,7 +5168,7 @@ matmul
 当前输入的张量可以为任意阶，但当任意一个输入的阶数大于3时，两个输入的阶必须相等。
 实际的操作取决于x,y的维度和 ``transpose_x`` , ``transpose_y`` 的标记值。具体如下：
 
-- 如果transpose值为真，则对应 ``tensor`` 的最后两位将被转置。如：x是一个shape=[D]的一阶张量，那么x在非转置形式中为[1,D]，在转置形式中为[D,1],而y则相反，在非转置形式中作为[D,1]，在转置形式中作为[1,D]。
+- 如果transpose值为真，则对应 ``tensor`` 的最后两维将被转置。如：x是一个shape=[D]的一阶张量，那么x在非转置形式中为[1,D]，在转置形式中为[D,1],而y则相反，在非转置形式中作为[D,1]，在转置形式中作为[1,D]。
 
 - 转置后，这两个`tensors`将为 2-D 或 n-D ,并依据下列规则进行矩阵相乘：
 	- 如果两个都是2-D，则同普通矩阵一样进行矩阵相乘
@@ -5163,7 +5181,7 @@ matmul
     - **x** (Variable)-输入变量，类型为Tensor或LoDTensor
     - **y** (Variable)-输入变量，类型为Tensor或LoDTensor
     - **transpose_x** (bool)-相乘前是否转置x
-    - **transeptse_y** (bool)-相乘前是否转置y
+    - **transpose_y** (bool)-相乘前是否转置y
     - **alpha** (float)-输出比例。默认为1.0
     - **name** (str|None)-该层名称（可选）。如果设置为空，则自动为该层命名
 
@@ -5218,10 +5236,10 @@ maxout
 
 	y_{si+j} &= \max_k x_{gsi + sk + j} \\
 	g &= groups \\
-	s &= \frac{input.size}{num_channels} \\
-	0 &\le i < \frac{num_channels}{groups} \\
-	0 &\le j < s \\
-	0 &\le k < groups
+	s &= \frac{input.size}{num\_channels} \\
+	0 \le &i < \frac{num\_channels}{groups} \\
+	0 \le &j < s \\
+	0 \le &k < groups
 
 
 请参阅论文:
@@ -5281,7 +5299,7 @@ mean_iou
 
 均值IOU（Mean  Intersection-Over-Union）是语义图像分割中的常用的评价指标之一，它首先计算每个语义类的IOU，然后计算类之间的平均值。定义如下:
       
-          .. math::   IOU = \frac{true_positi}{true_positive+false_positive+false_negative}
+          .. math::   IOU = \frac{true_{positive}}{true_{positive}+false_{positive}+false_{negative}}
           
 在一个混淆矩阵中累积得到预测值，然后从中计算均值-IOU。
 
@@ -5886,6 +5904,10 @@ pow
 
 指数激活算子（Pow Activation Operator.）
 
+.. math::
+
+    out = x^{factor}
+
 参数
     - **x** (Variable) - Pow operator的输入
     - **factor** (FLOAT|1.0) - Pow的指数因子
@@ -6643,7 +6665,17 @@ sampling_id算子。用于从输入的多项分布中对id进行采样的图层
 返回类型：        输出（Variable）。
 
 
+**代码示例：**
+
+.. code-block:: python
 
+    x = layers.data(
+    name="X",
+    shape=[13, 11],
+    dtype='float32',
+    append_batch_size=False)
+
+    out = layers.sampling_id(x)
 
 
 
@@ -6792,8 +6824,8 @@ sequence_concat
 sequence_concat操作通过序列信息连接LoD张量（Tensor）。例如：X1的LoD = [0,3,7]，X2的LoD = [0,7,9]，结果的LoD为[0，（3 + 7），（7 + 9）]，即[0,10,16]。
 
 参数:
-        - **input** (list) – List of Variables to be concatenated.
-        - **name** (str|None) – A name for this layer(optional). If set None, the layer will be named automatically.
+        - **input** (list) – 要连接变量的列表
+        - **name** (str|None) – 此层的名称(可选)。如果没有设置，该层将被自动命名。
         
 返回:     连接好的输出变量。
 
@@ -6971,7 +7003,7 @@ sequence_expand_as
 
 Sequence Expand As Layer
 
-这一层将根据y的第0级lod展开输入变量x。当前实现要求输入（Y）的lod层数必须为1，输入（X）的第一维应当和输入（Y）的第0层lod的大小相同，不考虑输入（X）的lod。
+这一层将根据y的第0级lod扩展输入变量x。当前实现要求输入（Y）的lod层数必须为1，输入（X）的第一维应当和输入（Y）的第0层lod的大小相同，不考虑输入（X）的lod。
 
 以下示例解释sequence_expand如何工作：
 
@@ -6989,6 +7021,23 @@ Sequence Expand As Layer
         Out.data = [[a], [a], [a], [b], [b], [b], [c], [d]]
         Out.dims = [8, 1]
 
+    *例2
+
+    给定一个 input(X)：
+        X.data = [[a, b], [c, d], [e, f]]
+        X.dims = [3, 2]
+    
+    和 input(Y):
+        Y.lod = [[0, 2, 3, 6]]
+    ref_level: 0
+
+    得到输出张量：
+    
+        Out.lod =  [[0,             2,     3,                    6]]
+        Out.data = [[a, b], [a, b] [c, d], [e, f], [e, f], [e, f]]
+        Out.dims = [6, 2]
+
+
 参数：
     - **x** (Variable) - 输入变量，类型为Tensor或LoDTensor
     - **y** (Variable) - 输入变量，为LoDTensor
@@ -7112,9 +7161,11 @@ sequence_last_step
 sequence_mask
 -------------------------------
 
-该层根据输入 ``x`` 和 ```maxlen`` 输出一个掩码，数据类型为dtype。
+.. py:function::  paddle.fluid.layers.sequence_mask(x, maxlen=None, dtype='int64', name=None)
 
-假设x是一个形状为[d_1, d_2，…]的张量。， y是一个形为[d_1, d_2，… ，d_n, maxlen]的掩码，其中:
+该层根据输入 ``x`` 和 ``maxlen`` 输出一个掩码，数据类型为dtype。
+
+假设x是一个形状为[d_1, d_2，…, d_n]的张量。， y是一个形为[d_1, d_2，… ，d_n, maxlen]的掩码，其中:
 
 .. math::
 
@@ -7437,8 +7488,8 @@ sequence_scatter
 
 参数：
       - **input** (Variable) - input 秩（rank） >= 1。
-      - **index** (Variable) - index 秩（rank）=1。由于用于索引dtype应该是int32或int64。
-      - **updates** (Variable) - input需要被更新的值。
+      - **index** (Variable) - LoD Tensor， index 是 sequence scatter op 的输入索引，该函数的input将依据index进行更新。 秩（rank）=1。由于用于索引dtype应该是int32或int64。
+      - **updates** (Variable) - 一个 LoD Tensor , update 的值将被 sactter 到输入x。update 的 LoD信息必须与index一致。
       - **name** (str|None) - 输出变量名。默认：None。
 
 返回： 输出张量维度应该和输入张量相同
@@ -7646,7 +7697,13 @@ shape算子
 返回类型：        输出（Variable）。
         
         
+**代码示例：**
 
+.. code-block:: python
+
+    input = layers.data(
+        name="input", shape=[3, 100, 100], dtype="float32")
+    out = layers.shape(input)        
 
 
 
@@ -7845,7 +7902,18 @@ slice算子。
 返回类型：        输出（Variable）。
 
 
+**代码示例：**
+
+.. code-block:: python
+
+    starts = [1, 0, 2]
+    ends = [3, 3, 4]
+    axes = [0, 1, 2]
+
+    input = layers.data(
+        name="input", shape=[3, 4, 5, 6], dtype='float32')
 
+    out = layers.slice(input, axes=axes, starts=starts, ends=ends)
 
 
 
@@ -7860,7 +7928,7 @@ smooth_l1
 
 .. py:function:: paddle.fluid.layers.smooth_l1(x, y, inside_weight=None, outside_weight=None, sigma=None)
 
-该layer计算变量x1和y 的smooth L1 loss，它以x和y的第一维大小作为批处理大小。对于每个实例，按元素计算smooth L1 loss，然后计算所有loss。输出变量的形状是[batch_size, 1]
+该layer计算变量 ``x`` 和 ``y`` 的smooth L1 loss，它以 ``x`` 和 ``y`` 的第一维大小作为批处理大小。对于每个实例，按元素计算smooth L1 loss，然后计算所有loss。输出变量的形状是[batch_size, 1]
 
 
 参数:
@@ -7942,7 +8010,7 @@ softmax操作符计算k维向量输入中所有其他维的指数和指数值的
 
 .. math::
 
-    Out[i,j] = \frac{exp(X[i,j])}{\sum{j}_exp(X[i,j])}
+    Out[i,j] = \frac{exp(X[i,j])}{\sum_j exp(X[i,j])}
 
 参数：
     - **input** (Variable) - 输入变量
@@ -8161,7 +8229,7 @@ square_error_cost
 
 **代码示例**：
 
- .. code-block:: python
+.. code-block:: python
 
     y = layers.data(name='y', shape=[1], dtype='float32')
     y_predict = layers.data(name='y_predict', shape=[1], dtype='float32')
@@ -8311,7 +8379,12 @@ sum算子。
 返回类型：        Variable
 
 
+**代码示例：**
+
+.. code-block:: python
 
+    input = layers.data(name="input", shape=[13, 11], dtype='float32')
+    out = layers.sum(input)
 
 
 
@@ -8329,10 +8402,10 @@ swish
 Swish 激活函数
 
 .. math::   
-         \\out = \frac{x}{e^(1+betax)}\\
+         out = \frac{x}{1 + e^{- beta x}}
 
 参数：
-    - **x** (Variable) -  Swishoperator的输入
+    - **x** (Variable) -  Swish operator 的输入
     - **beta** (浮点|1.0) - Swish operator 的常量beta
     - **name** (str|None) - 这个层的名称(可选)。如果设置为None，该层将被自动命名。
 
@@ -8398,7 +8471,7 @@ topk
 
 返回类型：元组[变量]
 
-提示：抛出异常-如果k<1或者k不小于输入的最后维
+抛出异常: ``ValueError`` - 如果k<1或者k不小于输入的最后维
 
 **代码示例**：
 
@@ -8478,8 +8551,13 @@ uniform_random_batch_size_like算子。
 返回类型:        Variable
 
 
+**代码示例：**
+
+.. code-block:: python
 
 
+    input = layers.data(name="input", shape=[13, 11], dtype='float32')
+    out = layers.uniform_random_batch_size_like(input, [-1, 11])
 
 
 
@@ -8546,7 +8624,7 @@ unstack
 
 返回: 经unstack运算后的变量
 
-返回类型: Variable
+返回类型: list(Variable)
   
 
 
@@ -8779,7 +8857,7 @@ HardShrink激活函数(HardShrink activation operator)
 
 **代码示例**：
 
-    .. code-block:: python
+.. code-block:: python
 
     data = fluid.layers.data(name="input", shape=[784])
     result = fluid.layers.hard_shrink(x=data, threshold=0.3)    
@@ -9087,9 +9165,9 @@ thresholded_relu
 
 .. py:function:: paddle.fluid.layers.thresholded_relu(x,threshold=None)
 
-    ThresholdedRelu激活函数
+ThresholdedRelu激活函数
 
-    .. math::
+.. math::
 
 	out = \left\{\begin{matrix}
 	    x, if&x > threshold\\ 
@@ -9097,14 +9175,14 @@ thresholded_relu
 	    \end{matrix}\right.
 
 参数：
-        - **x** -ThresholdedRelu激活函数的输入
-        - **threshold** (FLOAT)-激活函数threshold的位置。[默认1.0]。
+- **x** -ThresholdedRelu激活函数的输入
+- **threshold** (FLOAT)-激活函数threshold的位置。[默认1.0]。
 
-    返回：ThresholdedRelu激活函数的输出
+返回：ThresholdedRelu激活函数的输出
 
-    **代码示例**：
+**代码示例**：
 
-    .. code-block:: python
+.. code-block:: python
 
 	data = fluid.layers.data(name="input", shape=[1])
 	result = fluid.layers.thresholded_relu(data, threshold=0.4)
@@ -9123,7 +9201,7 @@ uniform_random
 -------------------------------
 
 .. py:function:: Paddle.fluid.layers.uniform_random(shape,dtype=None,min=None,max=None,seed=None)
-该操作符初始化一个张量，该张量的值是从正太分布中抽样的随机值
+该操作符初始化一个张量，该张量的值是从均匀分布中抽样的随机值
 
 参数：
     - **shape** (LONGS)-输出张量的维
@@ -9160,23 +9238,23 @@ uniform_random
 argmax
 -------------------------------
 
-.. py:function:: paddle.fluid.layers argmin(x,axis=0)
+.. py:function:: paddle.fluid.layers.argmin(x,axis=0)
     
-    **argmax**
+**argmax**
 
-    该功能计算输入张量元素中最大元素的索引，张量的元素在提供的轴上。
+该功能计算输入张量元素中最大元素的索引，张量的元素在提供的轴上。
 
-    参数：
+参数：
     - **x** (Variable)-用于计算最大元素索引的输入
     - **axis** (int)-用于计算索引的轴
 
-    返回：存储在输出中的张量
+返回：存储在输出中的张量
 
-    返回类型：变量（Variable）
+返回类型：变量（Variable）
 
-    **代码示例**：
+**代码示例**：
 
-    .. code-block:: python
+.. code-block:: python
 
     out = fluid.layers.argmax(x=in, axis=0)
     out = fluid.layers.argmax(x=in, axis=-1)
@@ -9194,23 +9272,23 @@ argmax
 argmin
 -------------------------------
 
-.. py:function:: paddle.fluid.layers argmin(x,axis=0)
+.. py:function:: paddle.fluid.layers.argmin(x,axis=0)
     
-    **argmin**
+**argmin**
 
-    该功能计算输入张量元素中最小元素的索引，张量元素在提供的轴上。
+该功能计算输入张量元素中最小元素的索引，张量元素在提供的轴上。
 
-    参数：
+参数：
     - **x** (Variable)-计算最小元素索引的输入
     - **axis** (int)-计算索引的轴
 
-    返回：存储在输出中的张量
+返回：存储在输出中的张量
 
-    返回类型：变量（Variable）
+返回类型：变量（Variable）
 
-    **代码示例**：
+**代码示例**：
 
-    .. code-block:: python
+.. code-block:: python
 
     out = fluid.layers.argmin(x=in, axis=0)
     out = fluid.layers.argmin(x=in, axis=-1)
@@ -9228,9 +9306,9 @@ argmin
 argsort
 -------------------------------
 
-.. py:function:: paddle.fluid.layers argsort(input,axis=-1,name=None)
+.. py:function:: paddle.fluid.layers.argsort(input,axis=-1,name=None)
 
-对给定轴上的输入变量进行排序，输出排序好的数据和相应的索引，其维度和输入相同
+对输入变量沿给定轴进行排序，输出排序好的数据和相应的索引，其维度和输入相同
 
 .. code-block:: text
 
@@ -9252,10 +9330,10 @@ argsort
 
 参数：
     - **input** (Variable)-用于排序的输入变量
-    - **axis** (int)-含有用于排序输入变量的轴。当axis<0,实际的轴为axis+rank(input)。默认为-1，即最后一维。
+    - **axis** (int)- 沿该参数指定的轴对输入进行排序。当axis<0,实际的轴为axis+rank(input)。默认为-1，即最后一维。
     - **name** (str|None)-（可选）该层名称。如果设为空，则自动为该层命名。
 
-返回：含有已排序的数据和索引
+返回：一组已排序的数据变量和索引
 
 返回类型：元组
 
@@ -9382,7 +9460,7 @@ create_global_var
 
 .. py:function:: paddle.fluid.layers.create_global_var(shape,value,dtype,persistable=False,force_cpu=False,name=None)
 
-在全局块中创建一个新的带有值的张量。
+在全局块中创建一个新的带有 ``value`` 的张量。
 
 参数：
     - **shape** (list[int])-变量的维度
@@ -9459,9 +9537,9 @@ create_tensor
 参数：
     - **dtype** (string)-“float32”|“int32”|..., 创建张量的数据类型。
     - **name** (string)-创建张量的名称。如果未设置，则随机取一个唯一的名称。
-    - **persistable** (bool)-为创建张量设置的永久标记
+    - **persistable** (bool)-是否将创建的张量设置为 persistable
 
-返回：存储在创建张量中的张量
+返回：一个张量，存储着创建的张量
 
 返回类型：变量（Variable）
 
@@ -9485,22 +9563,22 @@ create_tensor
 fill_constant
 -------------------------------
 
-.. py:function:: paddle.fluid.layers fill_constant(shape,dtype,value,force_cpu=False,out=None)
+.. py:function:: paddle.fluid.layers.fill_constant(shape,dtype,value,force_cpu=False,out=None)
 
 **fill_constant**
 
-该功能创建一个张量，具体含有shape,dtype和batch尺寸。并用值中提供的常量初始化该张量。
+该功能创建一个张量，含有具体的shape,dtype和batch尺寸。并用 ``value`` 中提供的常量初始化该张量。
 
 创建张量的属性stop_gradient设为True。
 
 参数：
-    - **shape** (tuple|list|None)-输出张量的维
-    - **dtype** (np.dtype|core.VarDesc.VarType|str)-输出张量的数据类型
-    - **value** (float)-用于初始化输出张量的常量值
+    - **shape** (tuple|list|None)-输出张量的形状
+    - **dtype** (np.dtype|core.VarDesc.VarType|str)-输出张量的数据类型
+    - **value** (float)-用于初始化输出张量的常量值
     - **out** (Variable)-输出张量
     - **force_cpu** (True|False)-若设为true,数据必须在CPU上
 
-返回：存储在输出中的张量
+返回：存储着输出的张量
 
 返回类型：变量（Variable）
 
@@ -9525,17 +9603,17 @@ fill_constant_batch_size_like
 
 .. py:function:: paddle.fluid.layers.fill_constant_batch_size_like(input,shape,dtype,value,input_dim_idx=0,output_dim_idx=0)
 
-该功能创建一个张量，具体含有shape,dtype和batch尺寸。并用值中提供的常量初始化该张量。该批尺寸从输入张量中获取。它还将stop_gradient设置为True.
+该功能创建一个张量，含有具体的shape,dtype和batch尺寸。并用 ``Value`` 中提供的常量初始化该张量。该批尺寸从输入张量中获取。它还将stop_gradient设置为True.
 
 参数：
     - **input** (Variable)-张量，其input_dim_idx个维具体指示batch_size
-    - **shape** (INTS)-输出的维
+    - **shape** (INTS)-输出的形状
     - **dtype** (INT)-可以为numpy.dtype。输出数据类型。默认为float32
     - **value** (FLOAT)-默认为0.将要被填充的值
     - **input_dim_idx** (INT)-默认为0.输入批尺寸维的索引
     - **output_dim_idx** (INT)-默认为0.输出批尺寸维的索引
 
-返回：具体维的张量填充有具体值
+返回：具有特定形状和值的张量
 
 **代码示例**：
 
@@ -9568,7 +9646,7 @@ has_inf
 返回：
   tensor变量存储输出值，包含一个bool型数值
 
-
+返回类型：Variable
 
 
 
@@ -9597,7 +9675,7 @@ has_nan
 返回：
   tensor变量存储输出值，包含一个bool型数值
 
-
+返回类型：Variable
 
 
 
@@ -9620,7 +9698,7 @@ isfinite
 返回:
   Variable: tensor变量存储输出值，包含一个bool型数值
 
-
+返回类型：Variable
 
 
 
@@ -9676,8 +9754,8 @@ reverse
 该功能将给定轴上的输入‘x’逆序
 
 参数：
-  - **x** (Variable)-预逆序到输入
-  - **axis** (int|tuple|list)-其上元素逆序排列的轴。
+  - **x** (Variable)-预逆序的输入
+  - **axis** (int|tuple|list) - 元素逆序排列的轴。如果该参数是一个元组或列表，则对该参数中每个元素值所指定的轴上进行逆序运算。
 
 返回：逆序的张量
 
@@ -9774,6 +9852,8 @@ tensor_array_to_tensor
 返回：
     Variable: 连接的输出变量,输入LodTensorArray沿指定axis连接。
 
+返回类型： Variable
+
 **代码示例：**
 
 .. code-block:: python
@@ -9868,7 +9948,7 @@ append_LARS
 exponential_decay 
 -------------------------------
 
-.. py:function:: paddle.fluid.layers exponential_decay(learning_rate,decay_steps,decay_rate,staircase=False)
+.. 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。
@@ -9935,9 +10015,9 @@ inverse_time_decay
     - **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
 
-    返回：衰减的学习率
+返回：衰减的学习率
 
-    返回类型：变量（Variable）
+返回类型：变量（Variable）
 
 **示例代码：**
 
@@ -9997,7 +10077,7 @@ natural_exp_decay
 noam_decay
 -------------------------------
 
-.. py:function:: paddle.fluid.layers noam_decay(d_model,warmup_steps)
+.. py:function:: paddle.fluid.layers.noam_decay(d_model,warmup_steps)
 
 Noam衰减方法。noam衰减的numpy实现如下。
 
@@ -10008,7 +10088,7 @@ Noam衰减方法。noam衰减的numpy实现如下。
                            np.power(current_steps, -0.5),
                            np.power(warmup_steps, -1.5) * current_steps])
 
-请参照 attention is all you need。
+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
@@ -10117,27 +10197,17 @@ anchor_generator
 
 参数：
     - **input** (Variable) - 输入特征图，格式为NCHW
-    - **anchor_sizes** (list|tuple|float) - 生成锚的锚大小
-    - **in absolute pixels** 等[64.,128.,256.,512.](给定)-实例，锚大小为64意味该锚的面积等于64*2
+    - **anchor_sizes** (list|tuple|float) - 生成锚的锚大小，以绝对像素的形式表示，例如：[64.,128.,256.,512.]若锚的大小为64，则意味着这个锚的面积等于64**2。
     - **aspect_ratios** (list|tuple|float) - 生成锚的高宽比，例如[0.5,1.0,2.0]
     - **variance** (list|tuple) - 变量，在框回归delta中使用。默认：[0.1,0.1,0.2,0.2]
     - **stride** (list|tuple) - 锚在宽度和高度方向上的步长，比如[16.0,16.0]
     - **offset** (float) - 先验框的中心位移。默认：0.5
     - **name** (str) - 先验框操作符名称。默认：None
 
-::
-
-
-    输出anchor，布局[H,W,num_anchors,4]
-        H是输入的高度，W是输入的宽度，num_priors是输入每位的框数
-        每个anchor格式（非正式格式）为(xmin,ymin,xmax,ymax)
-    
-::
-
+返回：
+    - Anchors(Varibale): 输出anchor，布局[H,W,num_anchors,4] , ``H``  是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每位的框数,每个anchor格式（未归一化）为(xmin,ymin,xmax,ymax)
     
-    变量(Variable):锚的扩展变量
-        布局为[H,W,num_priors,4]。H是输入的高度，W是输入的宽度，num_priors是输入每位的框数
-	每个变量的格式为(xcenter,ycenter)。
+    - Variances(Variable): 锚的扩展变量布局为 [H,W,num_priors,4]。 ``H`` 是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每个位置的框数,每个变量的格式为(xcenter,ycenter,w,h)。
 
 返回类型：anchor（Variable)
 
@@ -10773,7 +10843,7 @@ roi_perspective_transform
     - **spatial_scale** (float) - 空间尺度因子，用于缩放ROI坐标，默认：1.0。
 
 返回：
-   ``ROIPerspectiveTransformOp`` 的输出，带有shape的四维张量(num_rois,channels,transformed_h,transformed_w)
+ ``ROIPerspectiveTransformOp`` 的输出，它是一个4维张量，形为 (num_rois,channels,transformed_h,transformed_w)
 
 返回类型：变量（Variable）
 

doc/fluid/api_cn/metrics_cn.rst

@@ -246,7 +246,7 @@ https://arxiv.org/abs/1512.02325
 
 返回：当前 mini-batch 的 mAP 变量，和跨 mini-batch 的 mAP 累加和
 
-.. py:methord::  reset(executor, reset_program=None)
+.. py:method::  reset(executor, reset_program=None)
 
 在指定 batch 的每一 pass/user  开始时重置度量状态。
 
@@ -380,7 +380,7 @@ Recall
 
 .. py:class:: paddle.fluid.metrics.Recall(name=None)
 
-召回率（也称为敏感度）是度量有多个正例被分为正例
+召回率（也称为敏感度）是指得到的相关实例数占相关实例总数的比重
 
 https://en.wikipedia.org/wiki/Precision_and_recall
 

doc/fluid/api_cn/optimizer_cn.rst

@@ -262,7 +262,7 @@ FtrlOptimizer
  
 FTRL (Follow The Regularized Leader) Optimizer.
 
-TFRTL 原始论文: ( `https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf <https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf>`_)
+FTRL 原始论文: ( `https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf <https://www.eecs.tufts.edu/~dsculley/papers/ad-click-prediction.pdf>`_)
 
 
 .. math::
@@ -439,9 +439,10 @@ MomentumOptimizer
 
 .. math::
 	& velocity = mu * velocity + gradient\\
-	& if (use\_nesterov):\
-	\&\quad   param = param - (gradient + mu * velocity) * learning\_rate\\
+	& if (use\_nesterov):\\
+	&\quad   param = param - (gradient + mu * velocity) * learning\_rate\\
 	& else:\\&\quad   param = param - learning\_rate * velocity
+
 参数：
     - **learning_rate** (float|Variable) - 学习率，用于参数更新。作为数据参数，可以是浮点型值或含有一个浮点型值的变量
     - **momentum** (float) - 动量因子

doc/fluid/api_cn/profiler_cn.rst

@@ -171,10 +171,10 @@ start_profiler
 stop_profiler
 -------------------------------
 
-.. py:function::paddle.fluid.profiler.stop_profiler(sorted_key=None, profile_path='/tmp/profile')
+.. py:function:: paddle.fluid.profiler.stop_profiler(sorted_key=None, profile_path='/tmp/profile')
 
 停止 profiler， 用户可以使用 ``fluid.profiler.start_profiler`` 和 ``fluid.profiler.stop_profiler`` 插入代码
-不能使用 fluid.profiler.profiler`` 
+不能使用 ``fluid.profiler.profiler`` 
 
 参数:
   - **sorted_key** (string) – 如果为None，prfile的结果将按照事件的第一次结束时间顺序打印。否则，结果将按标志排序。标志取值为"call"、"total"、"max"、"min" "ave"之一，根据调用着的数量进行排序。total表示按总执行时间排序，max 表示按最大执行时间排序。min 表示按最小执行时间排序。ave表示按平均执行时间排序。

doc/fluid/api_cn/transpiler_cn.rst

@@ -150,7 +150,7 @@ DistributeTranspilerConfig
 
 最小数据块的大小
 
-注意: 根据：https：//github.com/PaddlePaddle/Paddle/issues/8638#issuecomment-369912156, 当数据块大小超过2MB时，我们可以有效地使用带宽。如果你想更改它，请详细查看slice_variable函数。
+注意: 根据：https://github.com/PaddlePaddle/Paddle/issues/8638#issuecomment-369912156 , 当数据块大小超过2MB时，我们可以有效地使用带宽。如果你想更改它，请详细查看slice_variable函数。