fix Executor_cn and DataFeedDesc_cn api (#1389)

* fix train_from_dataset and infer_from_dataset
* fix DataFeedDesc, set_use_slot and desc

doc/fluid/api_cn/executor_cn/Executor_cn.rst

@@ -128,51 +128,23 @@ Executor支持单GPU、多GPU以及CPU运行。在Executor构造时，需要传
             outs = exe.run(feed={'X': x},
                            fetch_list=[loss.name])
 
-.. py:method:: infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
-
-infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在分布式训练中，推进梯度将在infer_from_dataset中禁用。 infer_from_dataset（）可以非常容易地用于多线程中的评估。
 
-参数：  
-  - **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
-  - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
-  - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
-  - **thread** (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
-  - **debug** (bool) – 是否开启debug模式，默认为False
-  - **fetch_list** (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
-  - **fetch_info** (String List) – 每个变量的打印信息，默认为None
-  - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
+.. py:method:: train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
 
-返回：None
+从预定义的数据集中训练。 数据集在Paddle的高性能IO模块paddle.fluid.dataset中定义。 给定Program（或CompiledProgram），train_from_dataset将使用paddle.fluid.dataset中的所有数据样本。输入scope可由用户给出, 默认情况下使用的scope是global_scope()。训练中的线程数是thread个， 默认值为0，表示使用paddle.fluid.dataset中用户配置的线程数。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。当用户设置fetch_list和fetch_info时
+（两者长度需要一致）时，会打印出fetch_list中所有变量的值，打印该值的间隔为print_period。
 
-**示例代码**
+train_from_dataset的线程数可以与dataset的线程数不同，在本接口内会自动调整，用户可以灵活配置dataset的preload线程数、shuffle线程数、数据queue的数目，以及train_from_dataset的线程数。
 
-.. code-block:: python
-
-  import paddle.fluid as fluid
-  place = fluid.CPUPlace() # 使用GPU时可设置place = fluid.CUDAPlace(0)
-  exe = fluid.Executor(place)
-  x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
-  y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
-  dataset = fluid.DatasetFactory().create_dataset()
-  dataset.set_use_var([x, y])
-  dataset.set_thread(1)
-  filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
-  dataset.set_filelist(filelist)
-  exe.run(fluid.default_startup_program())
-  exe.infer_from_dataset(program=fluid.default_main_program(),dataset=dataset)
-     
-
-.. py:method:: train_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
-
-从预定义的数据集中训练。 数据集在paddle.fluid.dataset中定义。 给定程序（或编译程序），train_from_dataset将使用数据集中的所有数据样本。 输入范围可由用户给出。 默认情况下，范围是global_scope()。训练中的线程总数是thread。 训练中使用的线程数将是数据集中threadnum的最小值，同时也是此接口中线程的值。 可以设置debug，以便执行器显示所有算子的运行时间和当前训练任务的吞吐量。
+train_from_dataset可以非常容易扩展到大规模分布式在线和离线训练。例如可以与Paddle Fleet配合使用，完成千亿或万亿级别大规模稀疏参数的CTR训练，并且性能出色。
 
 注意：train_from_dataset将销毁每次运行在executor中创建的所有资源。
 
 参数：  
-  - **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (未编译的)
-  - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的数据集。必要时请检查Dataset文件。默认为None
+  - **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (类型是Program)
+  - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义的Dataset。默认为None
   - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
-  - **thread** (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
+  - **thread** (int) – 用户想要在这个函数中运行的线程数量。默认为0，表示使用传入的dataset的线程数
   - **debug** (bool) – 是否开启debug模式，默认为False
   - **fetch_list** (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
   - **fetch_info** (String List) – 每个变量的打印信息，默认为None
@@ -198,3 +170,37 @@ infer_from_dataset的文档与train_from_dataset几乎完全相同，只是在
         exe.run(fluid.default_startup_program())
         exe.train_from_dataset(program=fluid.default_main_program(),
                                dataset=dataset)
+
+
+.. py:method:: infer_from_dataset(program=None, dataset=None, scope=None, thread=0, debug=False, fetch_list=None, fetch_info=None, print_period=100)
+
+从预定义的数据集中做预测。 数据集在paddle.fluid.dataset中定义。infer_from_dataset的参数与train_from_dataset相同，两者的区别是infer_from_dataset>没有发送梯度和更新参数。infer_from_dataset可以非常容易地用于大规模分布式多线程中的离线评估。
+
+参数：  
+  - **program** (Program|CompiledProgram) – 需要执行的program,如果没有给定那么默认使用default_main_program (类型是Program)
+  - **dataset** (paddle.fluid.Dataset) – 在此函数外创建的数据集，用户应当在调用函数前提供完整定义Dataset。默认为None
+  - **scope** (Scope) – 执行这个program的域，用户可以指定不同的域。默认为全局域
+  - **thread** (int) – 用户想要在这个函数中运行的线程数量。线程的实际数量为min(Dataset.thread_num, thread)，如果thread > 0，默认为0
+  - **debug** (bool) – 是否开启debug模式，默认为False
+  - **fetch_list** (Variable List) – 返回变量列表，每个变量都会在训练过程中被打印出来，默认为None
+  - **fetch_info** (String List) – 每个变量的打印信息，默认为None
+  - **print_period** (int) – 每两次打印之间间隔的mini-batches的数量，默认为100
+
+返回：None
+
+**示例代码**
+
+.. code-block:: python
+
+  import paddle.fluid as fluid
+  place = fluid.CPUPlace() # 使用GPU时可设置place = fluid.CUDAPlace(0)
+  exe = fluid.Executor(place)
+  x = fluid.layers.data(name="x", shape=[10, 10], dtype="int64")
+  y = fluid.layers.data(name="y", shape=[1], dtype="int64", lod_level=1)
+  dataset = fluid.DatasetFactory().create_dataset()
+  dataset.set_use_var([x, y])
+  dataset.set_thread(1)
+  filelist = [] # 您可以设置您自己的filelist，如filelist = ["dataA.txt"]
+  dataset.set_filelist(filelist)
+  exe.run(fluid.default_startup_program())
+  exe.infer_from_dataset(program=fluid.default_main_program(),dataset=dataset)

doc/fluid/api_cn/fluid_cn/DataFeedDesc_cn.rst

@@ -5,11 +5,7 @@ DataFeedDesc
 
 .. py:class:: paddle.fluid.DataFeedDesc(proto_file)
 
-数据描述符，描述输入训练数据格式。
-
-这个类目前只用于AsyncExecutor(有关类AsyncExecutor的简要介绍，请参阅注释)
-
-DataFeedDesc应由来自磁盘的有效protobuf消息初始化。
+描述训练数据的格式。输入是一个文件路径名，其内容是protobuf message。
 
 可以参考 :code:`paddle/fluid/framework/data_feed.proto` 查看我们如何定义message
 
@@ -38,25 +34,22 @@ DataFeedDesc应由来自磁盘的有效protobuf消息初始化。
     f.close()
     data_feed = fluid.DataFeedDesc('data.proto')
 
-但是，用户通常不应该关心消息格式;相反，我们鼓励他们在将原始日志文件转换为AsyncExecutor可以接受的训练文件的过程中，使用 :code:`Data Generator` 生成有效数据描述。
-
-DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含义，您可以修改它以更好地满足您的需要。例如:
+用户需要了解DataFeedDesc中每个字段的含义，以便自定义字段的值。例如:
 
 .. code-block:: python
 
     import paddle.fluid as fluid
     data_feed = fluid.DataFeedDesc('data.proto')
     data_feed.set_batch_size(128)
-    data_feed.set_dense_slots('wd')  # 名为'wd'的slot将被设置为密集的
-    data_feed.set_use_slots('wd')    # 名为'wd'的slot将被用于训练
-
-    # 最后，可以打印变量详细信息便于排出错误
+    data_feed.set_dense_slots('words')  # 名为'words'的slot将被设置为密集的
+    data_feed.set_use_slots('words')    # 名为'words'的slot将被用于训练
 
+    # 最后，可以打印变量详细信息便于排查错误
     print(data_feed.desc())
 
 
 参数：
-  - **proto_file** (string) - 包含数据feed中描述的磁盘文件
+  - **proto_file** (string) : 包含数据描述的protobuf message的磁盘文件
 
 
 .. py:method:: set_batch_size(batch_size)
@@ -139,7 +132,7 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 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。
 
 参数：
-  - **use_slots_name** :将在训练中使用的slot名列表
+  - **use_slots_name** (list) : 将在训练中使用的slot名列表，类型为list，其中每个元素为一个字符串
 
 **代码示例：**
 
@@ -169,14 +162,14 @@ DataFeedDesc也可以在运行时更改。一旦你熟悉了每个字段的含
 
 .. note::
 
-  默认值不用于所有slot
+  默认值是不使用所有slot
 
 
 .. py:method:: desc()
 
-返回此DataFeedDesc的protobuf信息
+返回此DataFeedDesc的protobuf message
 
-返回：一个message字符串
+返回：一个protobuf message字符串
 
 **代码示例：**