add cross_entropy_op doc, test=develop (#1355)

doc/fluid/api_cn/layers_cn/cross_entropy_cn.rst

@@ -5,67 +5,35 @@ cross_entropy
 
 .. py:function:: paddle.fluid.layers.cross_entropy(input, label, soft_label=False, ignore_index=-100)
 
-该函数定义了输入和标签之间的cross entropy(交叉熵)层。该函数支持standard cross-entropy computation（标准交叉熵损失计算）
-以及soft-label cross-entropy computation（软标签交叉熵损失计算）
-
-  1. One-hot cross-entropy算法
-
-     soft_label = False, Label[i, 0] 指明样本i的类别所具的索引:
-                            .. math::
-                                     \\Y[i]=-log(X[i,Label[i]])\\
-
-  2. Soft-label cross-entropy算法
-
-     soft_label = True, Label[i, j] 表明样本i对应类别j的soft label(软标签):
-                            .. math::
-                                     \\Y[i]= \sum_{j}-Label[i,j]*log(X[i,j])\\
-
-     **请确保采用此算法时识别为各软标签的概率总和为1**
-
-  3. One-hot cross-entropy with vecterized label（使用向量化标签的One-hot）算法
-
-     作为 *2* 的特殊情况，当软类标签内部只有一个非零概率元素，且它的值为1，那么 *2* 算法降级为一种仅有one-hot标签的one-hot交叉熵
+该OP计算输入input和标签label间的交叉熵，可用于计算硬标签或软标签的交叉熵。
 
+1. 硬标签交叉熵算法：若soft_label = False, :math:`label[i_1, i_2, ..., i_k]` 表示每个样本的硬标签值:
 
+     .. math::
+        \\output[i_1, i_2, ..., i_k]=-log(input[i_1, i_2, ..., i_k, j]), label[i_1, i_2, ..., i_k] = j, j != ignore\_index\\
 
+2. 软标签交叉熵算法：若soft_label = True, :math:`label[i_1, i_2, ..., i_k, j]` 表明每个样本对应类别j的软标签值:
 
+     .. math::
+        \\output[i_1, i_2, ..., i_k]= -\sum_{j}label[i_1,i_2,...,i_k,j]*log(input[i_1, i_2, ..., i_k,j])\\
 
 参数：
-    - **input** (Variable|list) – 一个形为[N x D]的二维tensor，其中N是batch大小，D是类别（class）数目。 这是由之前的operator计算出的概率，绝大多数情况下是由softmax operator得出的结果
-    - **label** (Variable|list) – 一个二维tensor组成的正确标记的数据集(ground truth)。 当 ``soft_label`` 为False时，label为形为[N x 1]的tensor<int64>。 ``soft_label`` 为True时, label是形为 [N x D]的 tensor<float/double>
-    - **soft_label** (bool) – 标志位，指明是否需要把给定的标签列表认定为软标签。默认为False。
-    - **ignore_index** (int) – 指定一个被无视的目标值，并且这个值不影响输入梯度。仅在 ``soft_label`` 为False时生效。 默认值: kIgnoreIndex
-
-返回： 一个形为[N x 1]的二维tensor，承载了交叉熵损失
-
-弹出异常： ``ValueError``
-
-                        1. 当 ``input`` 的第一维和 ``label`` 的第一维不相等时，弹出异常
-                        2. 当 ``soft_label`` 值为True， 且 ``input`` 的第二维和 ``label`` 的第二维不相等时，弹出异常
-                        3. 当 ``soft_label`` 值为False，且 ``label`` 的第二维不是1时，弹出异常
+    - **input** (Variable) – 维度为 :math:`[N_1, N_2, ..., N_k, D]` 的多维Tensor，其中最后一维D是类别数目。数据类型为float32或float64。
+    - **label** (Variable) – 输入input对应的标签值。若soft_label=False，要求label维度为 :math:`[N_1, N_2, ..., N_k]` 或 :math:`[N_1, N_2, ..., N_k, 1]` ，数据类型为int64，且值必须大于等于0且小于D；若soft_label=True，要求label的维度、数据类型与input相同，且每个样本各软标签的总和为1。
+    - **soft_label** (bool) – 指明label是否为软标签。默认为False，表示label为硬标签；若soft_label=True则表示软标签。
+    - **ignore_index** (int) – 指定一个忽略的标签值，此标签值不参与计算，负值表示无需忽略任何标签值。仅在soft_label=False时有效。 默认值为-100。
 
+返回： 表示交叉熵结果的Tensor，数据类型与input相同。若soft_label=False，则返回值维度与label维度相同；若soft_label=True，则返回值维度为 :math:`[N_1, N_2, ..., N_k, 1]` 。
 
+返回类型：Variable
 
 **代码示例**
 
 ..  code-block:: python
 
         import paddle.fluid as fluid
-        classdim = 7
-        x = fluid.layers.data(name='x', shape=[3, 7], dtype='float32', append_batch_size=False)
-        label = fluid.layers.data(name='label', shape=[3, 1], dtype='float32', append_batch_size=False)
-        predict = fluid.layers.fc(input=x, size=classdim, act='softmax')
+        class_num = 7
+        x = fluid.layers.data(name='x', shape=[3, 10], dtype='float32')
+        label = fluid.layers.data(name='label', shape=[1], dtype='int64')
+        predict = fluid.layers.fc(input=x, size=class_num, act='softmax')
         cost = fluid.layers.cross_entropy(input=predict, label=label)
-
-
-
-
-
-
-
-
-
-
-
-
-