Revert "Polish seven minimize Chinese APIs' doc of Optimizer (#1200)" (#1457)

This reverts commit a29dcbec.

doc/fluid/api/layers/Categorical.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_Categorical:
-
-Categorical
------------
-
-..  autoclass:: paddle.fluid.layers.Categorical
-    :members:
-    :inherited-members:
-    :noindex:
-

doc/fluid/api/layers/MultivariateNormalDiag.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_MultivariateNormalDiag:
-
-MultivariateNormalDiag
-----------------------
-
-..  autoclass:: paddle.fluid.layers.MultivariateNormalDiag
-    :members:
-    :inherited-members:
-    :noindex:
-

doc/fluid/api/layers/crop_tensor.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_crop_tensor:
-
-crop_tensor
------------
-
-..  autofunction:: paddle.fluid.layers.crop_tensor
-    :noindex:
-

doc/fluid/api/layers/gather_nd.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_gather_nd:
-
-gather_nd
----------
-
-..  autofunction:: paddle.fluid.layers.gather_nd
-    :noindex:
-

doc/fluid/api/layers/multiclass_nms2.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_multiclass_nms2:
-
-multiclass_nms2
----------------
-
-..  autofunction:: paddle.fluid.layers.multiclass_nms2
-    :noindex:
-

doc/fluid/api/layers/prroi_pool.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_prroi_pool:
-
-prroi_pool
-----------
-
-..  autofunction:: paddle.fluid.layers.prroi_pool
-    :noindex:
-

doc/fluid/api/layers/scatter_nd.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_scatter_nd:
-
-scatter_nd
-----------
-
-..  autofunction:: paddle.fluid.layers.scatter_nd
-    :noindex:
-

doc/fluid/api/layers/scatter_nd_add.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_scatter_nd_add:
-
-scatter_nd_add
---------------
-
-..  autofunction:: paddle.fluid.layers.scatter_nd_add
-    :noindex:
-

doc/fluid/api/layers/sequence_topk_avg_pooling.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_sequence_topk_avg_pooling:
-
-sequence_topk_avg_pooling
--------------------------
-
-..  autofunction:: paddle.fluid.layers.sequence_topk_avg_pooling
-    :noindex:
-

doc/fluid/api/layers/strided_slice.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_layers_strided_slice:
-
-strided_slice
--------------
-
-..  autofunction:: paddle.fluid.layers.strided_slice
-    :noindex:
-

doc/fluid/api/optimizer/LookaheadOptimizer.rst

-..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
-    !DO NOT EDIT THIS FILE MANUALLY!
-
-.. _api_fluid_optimizer_LookaheadOptimizer:
-
-LookaheadOptimizer
-------------------
-
-..  autoclass:: paddle.fluid.optimizer.LookaheadOptimizer
-    :members:
-    :inherited-members:
-    :noindex:
-

doc/fluid/api_cn/optimizer_cn/AdagradOptimizer_cn.rst

@@ -51,39 +51,23 @@ Adaptive Gradient 优化器(自适应梯度优化器，简称Adagrad)可以针
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+该算子相当于backward()和apply_gradients()功能的合体。
 
-返回类型： tuple
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-**代码示例**
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-.. code-block:: python
+返回类型：   tuple
 
-    import numpy as np
-    import paddle.fluid as fluid
-     
-    inp = fluid.layers.data(
-        name="inp", shape=[2, 2], append_batch_size=False)
-    out = fluid.layers.fc(inp, size=3)
-    out = fluid.layers.reduce_sum(out)
-    optimizer = fluid.optimizer.AdagradOptimizer(learning_rate=0.2)
-    optimizer.minimize(out)
 
-    np_inp = np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float32)
-    exe = fluid.Executor(fluid.CPUPlace())
-    exe.run(fluid.default_startup_program())
-    exe.run(
-        feed={"inp": np_inp},
-        fetch_list=[out.name])
 
 
 

doc/fluid/api_cn/optimizer_cn/AdamOptimizer_cn.rst

@@ -62,43 +62,21 @@ Adam优化器出自 `Adam论文 <https://arxiv.org/abs/1412.6980>`_ 的第二节
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
-
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回类型： tuple
+该算子相当于backward()和apply_gradients()功能的合体。
 
-**代码示例**：
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-.. code-block:: python
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-    import numpy
-    import paddle.fluid as fluid
-     
-    x = fluid.layers.data(name='X', shape=[13], dtype='float32')
-    y = fluid.layers.data(name='Y', shape=[1], dtype='float32')
-    y_predict = fluid.layers.fc(input=x, size=1, act=None)
-    cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-    loss = fluid.layers.mean(cost)
-    adam = fluid.optimizer.AdamOptimizer(learning_rate=0.2)
-    adam.minimize(loss)
-
-    place = fluid.CPUPlace() # fluid.CUDAPlace(0)
-    exe = fluid.Executor(place)
-     
-    x = numpy.random.random(size=(10, 13)).astype('float32')
-    y = numpy.random.random(size=(10, 1)).astype('float32')
-    exe.run(fluid.default_startup_program())
-    outs = exe.run(program=fluid.default_main_program(),
-                   feed={'X': x, 'Y': y},
-                   fetch_list=[loss.name])
+返回类型：   tuple
 
 
 

doc/fluid/api_cn/optimizer_cn/AdamaxOptimizer_cn.rst

@@ -65,38 +65,23 @@ Adamax优化器是参考 `Adam论文 <https://arxiv.org/abs/1412.6980>`_ 第7节
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+该算子相当于backward()和apply_gradients()功能的合体。
 
-**代码示例**：
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-.. code-block:: python
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
+
+返回类型：   tuple
 
-    import numpy
-    import paddle.fluid as fluid
-     
-    data = fluid.layers.data(name='X', shape=[1], dtype='float32')
-    hidden = fluid.layers.fc(input=data, size=10)
-    loss = fluid.layers.mean(hidden)
-    adam = fluid.optimizer.Adamax(learning_rate=0.2)
-    adam.minimize(loss)
 
-    place = fluid.CPUPlace() # fluid.CUDAPlace(0)
-    exe = fluid.Executor(place)
-     
-    x = numpy.random.random(size=(10, 1)).astype('float32')
-    exe.run(fluid.default_startup_program())
-    outs = exe.run(program=fluid.default_main_program(),
-                   feed={'X': x},
-                   fetch_list=[loss.name])
 
 
 

doc/fluid/api_cn/optimizer_cn/DecayedAdagradOptimizer_cn.rst

@@ -45,37 +45,19 @@ Decayed Adagrad优化器，可以看做是引入了衰减率的 `Adagrad <http:/
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
-
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回类型： tuple
+该算子相当于backward()和apply_gradients()功能的合体。
 
-**代码示例**
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-.. code-block:: python
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-    import numpy as np
-    import paddle.fluid as fluid
-     
-    inp = fluid.layers.data(
-        name="inp", shape=[2, 2], append_batch_size=False)
-    out = fluid.layers.fc(inp, size=3)
-    out = fluid.layers.reduce_sum(out)
-    optimizer = fluid.optimizer.DecayedAdagrad(learning_rate=0.2)
-    optimizer.minimize(out)
-
-    np_inp = np.array([[1.0, 2.0], [3.0, 4.0]], dtype=np.float32)
-    exe = fluid.Executor(fluid.CPUPlace())
-    exe.run(fluid.default_startup_program())
-    exe.run(
-        feed={"inp": np_inp},
-        fetch_list=[out.name])
+返回类型：   tuple
 

doc/fluid/api_cn/optimizer_cn/MomentumOptimizer_cn.rst

@@ -55,47 +55,21 @@ MomentumOptimizer
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+该算子相当于backward()和apply_gradients()功能的合体。
 
-返回类型： tuple
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-**代码示例**：
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-.. code-block:: python
-
-    import paddle
-    import paddle.fluid as fluid
-    import numpy as np
-     
-    place = fluid.CPUPlace()
-    main = fluid.Program()
-    with fluid.program_guard(main):
-        x = fluid.layers.data(name='x', shape=[13], dtype='float32')
-        y = fluid.layers.data(name='y', shape=[1], dtype='float32')
-        y_predict = fluid.layers.fc(input=x, size=1, act=None)
-        cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-        avg_cost = fluid.layers.mean(cost)
-        
-        moment_optimizer = fluid.optimizer.MomentumOptimizer(learning_rate=0.001, momentum=0.9)
-        moment_optimizer.minimize(avg_cost)
-        
-        fetch_list = [avg_cost]
-        train_reader = paddle.batch(
-            paddle.dataset.uci_housing.train(), batch_size=1)
-        feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
-        exe = fluid.Executor(place)
-        exe.run(fluid.default_startup_program())
-        for data in train_reader():
-            exe.run(main, feed=feeder.feed(data), fetch_list=fetch_list)
+返回类型：   tuple
 
 
 

doc/fluid/api_cn/optimizer_cn/RMSPropOptimizer_cn.rst

@@ -73,47 +73,21 @@ RMSPropOptimizer
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
-
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回类型： tuple
+该算子相当于backward()和apply_gradients()功能的合体。
 
-**示例代码**
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-.. code-block:: python
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-    import paddle
-    import paddle.fluid as fluid
-    import numpy as np
-     
-    place = fluid.CPUPlace()
-    main = fluid.Program()
-    with fluid.program_guard(main):
-        x = fluid.layers.data(name='x', shape=[13], dtype='float32')
-        y = fluid.layers.data(name='y', shape=[1], dtype='float32')
-        y_predict = fluid.layers.fc(input=x, size=1, act=None)
-        cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-        avg_cost = fluid.layers.mean(cost)
-        
-        rms_optimizer = fluid.optimizer.RMSProp(learning_rate=0.1)
-        rms_optimizer.minimize(avg_cost)
-     
-        fetch_list = [avg_cost]
-        train_reader = paddle.batch(
-            paddle.dataset.uci_housing.train(), batch_size=1)
-        feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
-        exe = fluid.Executor(place)
-        exe.run(fluid.default_startup_program())
-        for data in train_reader():
-            exe.run(main, feed=feeder.feed(data), fetch_list=fetch_list)
+返回类型：   tuple
 
 
 

doc/fluid/api_cn/optimizer_cn/SGDOptimizer_cn.rst

@@ -50,47 +50,21 @@ SGDOptimizer
 
 .. py:method:: minimize(loss, startup_program=None, parameter_list=None, no_grad_set=None, grad_clip=None)
 
-为网络添加反向计算过程，并根据反向计算所得的梯度，更新parameter_list中的Parameters，最小化网络损失值loss。
 
-参数：
-    - **loss** (Variable) – 需要最小化的损失值变量
-    - **startup_program** (Program, 可选) – 用于初始化parameter_list中参数的 :ref:`cn_api_fluid_Program` , 默认值为None，此时将使用 :ref:`cn_api_fluid_default_startup_program` 
-    - **parameter_list** (list, 可选) – 待更新的Parameter组成的列表， 默认值为None，此时将更新所有的Parameter
-    - **no_grad_set** (set, 可选) – 不需要更新的Parameter的集合，默认值为None
-    - **grad_clip** (GradClipBase, 可选) – 梯度裁剪的策略，静态图模式不需要使用本参数，当前本参数只支持在dygraph模式下的梯度裁剪，未来本参数可能会调整，默认值为None
+通过更新parameter_list来添加操作，进而使损失最小化。
 
-返回： (optimize_ops, params_grads)，数据类型为(list, list)，其中optimize_ops是minimize接口为网络添加的OP列表，params_grads是一个由(param, grad)变量对组成的列表，param是Parameter，grad是该Parameter对应的梯度值
+该算子相当于backward()和apply_gradients()功能的合体。
 
-返回类型： tuple
+参数：
+    - **loss** (Variable) – 用于优化过程的损失值变量
+    - **startup_program** (Program) – 用于初始化在parameter_list中参数的startup_program
+    - **parameter_list** (list) – 待更新的Variables组成的列表
+    - **no_grad_set** (set|None) – 应该被无视的Variables集合
+    - **grad_clip** (GradClipBase|None) – 梯度裁剪的策略
 
-**代码示例**
- 
-.. code-block:: python
-    
-    import paddle
-    import paddle.fluid as fluid
-    import numpy as np
-     
-    place = fluid.CPUPlace()
-    main = fluid.Program()
-    with fluid.program_guard(main):
-        x = fluid.layers.data(name='x', shape=[13], dtype='float32')
-        y = fluid.layers.data(name='y', shape=[1], dtype='float32')
-        y_predict = fluid.layers.fc(input=x, size=1, act=None)
-        cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-        avg_cost = fluid.layers.mean(cost)   
-        
-        sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
-        sgd_optimizer.minimize(avg_cost)
+返回： (optimize_ops, params_grads)，分别为附加的算子列表；一个由(param, grad) 变量对组成的列表，用于优化
 
-        fetch_list = [avg_cost]
-        train_reader = paddle.batch(
-            paddle.dataset.uci_housing.train(), batch_size=1)
-        feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
-        exe = fluid.Executor(place)
-        exe.run(fluid.default_startup_program())
-        for data in train_reader():
-            exe.run(main, feed=feeder.feed(data), fetch_list=fetch_list)
+返回类型：   tuple