Add SmoothL1Loss Cn doc (#2366)

* Test SmoothL1Loss

* fix SmoothL1Loss doc

* fix some error

* fix to_tensor and add name=None,test=develop

doc/fluid/api/nn/loss.rst

@@ -10,4 +10,5 @@ loss
     loss/L1Loss.rst
     loss/MSELoss.rst
     loss/NLLLoss.rst
+    loss/SmoothL1Loss.rst
     loss/CTCLoss.rst

doc/fluid/api/nn/loss/SmoothL1Loss.rst

+..  THIS FILE IS GENERATED BY `gen_doc.{py|sh}`
+    !DO NOT EDIT THIS FILE MANUALLY!
+
+.. _api_nn_loss_SmoothL1Loss:
+
+SmoothL1Loss
+-------------------------------
+
+..  autoclass:: paddle.nn.loss.SmoothL1Loss
+    :members:
+    :inherited-members:
+    :noindex:
+

doc/fluid/api_cn/nn_cn/loss_cn.rst

@@ -14,4 +14,5 @@ loss
     loss_cn/MarginRankingLoss_cn.rst
     loss_cn/MSELoss_cn.rst
     loss_cn/NLLLoss_cn.rst
+    loss_cn/SmoothL1Loss.rst
     loss_cn/CTCLoss_cn.rst

doc/fluid/api_cn/nn_cn/loss_cn/SmoothL1Loss_cn.rst

+SmoothL1Loss
+-------------------------------
+
+.. py:class:: paddle.nn.loss.SmoothL1Loss(reduction='mean', delta=1.0, name=None)
+
+该OP计算输入input和标签label间的SmoothL1损失，如果逐个元素的绝对误差低于1，则创建使用平方项的条件
+，否则为L1损失。在某些情况下，它可以防止爆炸梯度, 也称为Huber损失,该损失函数的数学计算公式如下：
+
+    .. math::
+         loss(x,y)=\\frac{1}{n}\\sum_{i}z_i
+
+`z_i`的计算公式如下：
+
+    .. math::
+
+        \\mathop{z_i}=\\left\\{\\begin{array}{rcl}
+        0.5(x_i - y_i)^2 & & {if |x_i - y_i| < delta} \\\\
+        delta * |x_i - y_i| - 0.5 * delta^2 & & {otherwise}
+        \\end{array} \\right.
+
+参数
+::::::::::
+    - **reduction** (string, 可选): - 指定应用于输出结果的计算方式，数据类型为string，可选值有: `none`, `mean`, `sum` 。默认为 `mean` ，计算 `mini-batch` loss均值。设置为 `sum` 时，计算 `mini-batch` loss的总和。设置为 `none` 时，则返回loss Tensor。
+    - **delta** (string, 可选): SmoothL1Loss损失的阈值参数，用于控制Huber损失对线性误差或平方误差的侧重。数据类型为float32。 默认值= 1.0。
+    - **name** (string, 可选): - 操作的名称(可选，默认值为None）。更多信息请参见 :ref:`api_guide_Name`。
+    
+调用参数
+::::::::::
+    - **input** (Tensor): 输入 `Tensor`， 数据类型为float32。其形状为 :math:`[N, C]` , 其中 `C` 为类别数。对于多维度的情形下，它的形状为 :math:`[N, C, d_1, d_2, ..., d_k]`，k >= 1。
+    - **label** (Tensor): 输入input对应的标签值，数据类型为float32。数据类型和input相同。
+
+
+
+返回：返回计算 `SmoothL1Loss` 后的损失值。
+
+返回类型：Tensor
+
+**代码示例**
+
+..  code-block:: python
+
+            import paddle
+            import numpy as np
+
+            paddle.disable_static()
+            input = np.random.rand(3,3).astype("float32")
+            label = np.random.rand(3,3).astype("float32")
+            input = paddle.to_tensor(input_data)
+            label = paddle.to_tensor(label_data)
+            loss = paddle.nn.SmoothL1Loss()
+            output = loss(input, label)
+            print(output.numpy())

doc/fluid/api_cn/nn_cn/smooth_l1_loss_cn.rst

+smooth_l1_loss
+-------------------------------
+
+.. py:function:: paddle.nn.functional.smooth_l1_loss(input, label, reduction='mean', delta=1.0, name=None)
+
+该OP计算输入input和标签label间的SmoothL1损失，如果逐个元素的绝对误差低于1，则创建使用平方项的条件
+，否则为L1损失。在某些情况下，它可以防止爆炸梯度, 也称为Huber损失,该损失函数的数学计算公式如下：
+
+    .. math::
+         loss(x,y)=\\frac{1}{n}\\sum_{i}z_i
+
+`z_i`的计算公式如下：
+
+    .. math::
+
+        \\mathop{z_i}=\\left\\{\\begin{array}{rcl}
+        0.5(x_i - y_i)^2 & & {if |x_i - y_i| < delta} \\\\
+        delta * |x_i - y_i| - 0.5 * delta^2 & & {otherwise}
+        \\end{array} \\right.
+
+参数
+::::::::::
+    - **input** (Tensor): 输入 `Tensor`， 数据类型为float32。其形状为 :math:`[N, C]` , 其中 `C` 为类别数。对于多维度的情形下，它的形状为 :math:`[N, C, d_1, d_2, ..., d_k]`，k >= 1。
+    - **label** (Tensor): 输入input对应的标签值，数据类型为float32。数据类型和input相同。
+    - **reduction** (string, 可选): - 指定应用于输出结果的计算方式，数据类型为string，可选值有: `none`, `mean`, `sum` 。默认为 `mean` ，计算`mini-batch` loss均值。设置为 `sum` 时，计算 `mini-batch` loss的总和。设置为 `none` 时，则返回loss Tensor。
+    - **delta** (string, 可选): SmoothL1Loss损失的阈值参数，用于控制Huber损失对线性误差或平方误差的侧重。数据类型为float32。 默认值= 1.0。
+    - **name** （string，可选） - 操作的名称(可选，默认值为None）。更多信息请参见 :ref:`api_guide_Name`。
+
+
+
+返回：返回计算 `smooth_l1_loss` 后的损失值。
+
+返回类型：Tensor
+
+**代码示例**
+
+..  code-block:: python
+
+            import paddle
+            import numpy as np
+
+            paddle.disable_static()
+            input = np.random.rand(3,3).astype("float32")
+            label = np.random.rand(3,3).astype("float32")
+            input = paddle.to_tensor(input_data)
+            label = paddle.to_tensor(label_data)
+            output = paddle.nn.functioanl.smooth_l1_loss(input,label)
+            print(output.numpy())