fix DataFeedDesc set_batch_size, set_dense_slots and cvm cn doc (#1315)

* fix DataFeedDesc set_batch_size, set_dense_slots cn api doc test=document_preview

* fix continuous_value_model op cn doc

* fix some rst error

* add cpu support only in cvm op

* add explain of N in cvm

doc/fluid/api_cn/fluid_cn/DataFeedDesc_cn.rst

@@ -54,13 +54,9 @@ DataFeedDesc
 
 .. py:method:: set_batch_size(batch_size)
 
-设置batch size，训练期间有效
+该接口用于设置DataFeedDesc中的 :code:`batch_size` 。可以在训练期间调用修改 :code:`batch_size` 。
 
-
-参数：
-  - batch_size：batch size
-
-**代码示例：**
+**代码示例**
 
 .. code-block:: python
 
@@ -86,17 +82,18 @@ DataFeedDesc
     data_feed = fluid.DataFeedDesc('data.proto')
     data_feed.set_batch_size(128)
 
-.. py:method:: set_dense_slots(dense_slots_name)
+参数：
+  - **batch_size** (int) - 新的批尺寸。
 
-指定slot经过设置后将变成密集的slot，仅在训练期间有效。
+返回：无
 
-密集slot的特征将被输入一个Tensor，而稀疏slot的特征将被输入一个lodTensor
+.. py:method:: set_dense_slots(dense_slots_name)
 
+将 :code:`dense_slots_name` 指定的slots设置为密集的slot。**注意：默认情况下，所有slots都是稀疏的。**
 
-参数：
-  - **dense_slots_name** : slot名称的列表，这些slot将被设置为密集的
+密集slot的特征将被输入一个Tensor，而稀疏slot的特征将被输入一个LoDTensor。
 
-**代码示例：**
+**代码示例**
 
 .. code-block:: python
 
@@ -122,9 +119,10 @@ DataFeedDesc
     data_feed = fluid.DataFeedDesc('data.proto')
     data_feed.set_dense_slots(['words'])
 
-.. note::
+参数：
+  - **dense_slots_name** (list(str)) - slot名称的列表，这些slot将被设置为密集的。
 
-  默认情况下，所有slot都是稀疏的
+返回：无
 
 .. py:method:: set_use_slots(use_slots_name)
 

doc/fluid/api_cn/layers_cn/continuous_value_model_cn.rst

@@ -5,27 +5,27 @@ continuous_value_model
 
 .. py:function:: paddle.fluid.layers.continuous_value_model(input, cvm, use_cvm=True)
 
-**continuous_value_model层**
+**注意：该OP仅支持在CPU运行。**
 
-现在，continuous value model(cvm)仅考虑CTR项目中的展示和点击值。我们假设输入是一个含cvm_feature的词向量，其形状为[N * D]（D为2 + 嵌入维度）。如果use_cvm=True，它会计算log(cvm_feature)，且输出的形状为[N * D]。如果use_cvm=False，它会从输入中移除cvm_feature，且输出的形状为[N * (D - 2)]。
-    
-该层接受一个名为input的张量，嵌入后成为ID层(lod level为1)， cvm为一个show_click info。
+该OP在CTR项目中，用于去除或处理 ``input`` 中的展示和点击值。
+
+输入 ``input`` 是一个含展示（show）和点击（click）的词向量，其形状为 :math:`[N, D]` （N为batch大小，D为 `2 + 嵌入维度` ），show和click占据词向量D的前两维。如果 ``use_cvm=True`` ，它会计算 :math:`log(show)` 和 :math:`log(click)` ，输出的形状为 :math:`[N, D]` 。如果 ``use_cvm=False`` ，它会从输入 ``input`` 中移除show和click，输出的形状为 :math:`[N, D - 2]` 。 ``cvm`` 为show和click信息，维度为 :math:`[N, 2]` 。
 
 参数：
-    - **input** (Variable)-一个N x D的二维LodTensor， N为batch size， D为2 + 嵌入维度， lod level = 1。
-    - **cvm** (Variable)-一个N x 2的二维Tensor， N为batch size，2为展示和点击值。
-    - **use_cvm** (bool)-分使用/不使用cvm两种情况。如果使用cvm，输出维度和输入相等；如果不使用cvm，输出维度为输入-2（移除展示和点击值)。（cvm op是一个自定义的op，其输入是一个含embed_with_cvm默认值的序列，因此我们需要一个名为cvm的op来决定是否使用cvm。）
+    - **input** (Variable) - cvm操作的输入张量。维度为 :math:`[N, D]` 的2-D LoDTensor。 N为batch大小， D为 `2 + 嵌入维度` ， `lod level = 1` 。
+    - **cvm** (Variable) - cvm操作的展示和点击张量。维度为 :math:`[N, 2]` 的2-D Tensor。 N为batch大小，2为展示和点击值。
+    - **use_cvm** (bool) - 是否使用展示和点击信息。如果使用，输出维度和输入相等，对 ``input`` 中的展示和点击值取log；如果不使用，输出维度为输入减2（移除展示和点击值)。
 
-返回：变量，一个N x D的二维LodTensor，如果使用cvm，D等于输入的维度，否则D等于输入的维度-2。
+返回：Variable(LoDTensor)变量， :math:`[N, M]` 的2-D LoDTensor。如果 ``use_cvm=True`` ，M等于输入的维度D，否则M等于 `D - 2` 。
 
-返回类型：变量（Variable）
+返回类型：变量（Variable）,数据类型与 ``input`` 一致。
 
 **代码示例**:
 
 .. code-block:: python
 
     import paddle.fluid as fluid
-    input = fluid.layers.data(name="input", shape=[-1, 1], lod_level=1, append_batch_size=False, dtype="int64")#, stop_gradient=False)
+    input = fluid.layers.data(name="input", shape=[-1, 1], lod_level=1, append_batch_size=False, dtype="int64")
     label = fluid.layers.data(name="label", shape=[-1, 1], append_batch_size=False, dtype="int64")
     embed = fluid.layers.embedding(
                             input=input,