add chinese doc of new api(ReduceLROnPlatear)

doc/fluid/api_cn/dygraph_cn/ReduceLROnPlateau_cn.rst

@@ -7,30 +7,29 @@ ReduceLROnPlateau
 
 .. py:class:: paddle.fluid.dygraph.ReduceLROnPlateau(learning_rate, mode='min', decay_rate=0.1, patience=10, threshold=1e-4, threshold_mode='rel', cooldown=0, min_lr=0, dtype='float32')
 
-该接口提供 ``loss`` 自适应的学习率衰减策略。当 ``loss`` 停止下降时，降低学习率。其思想是：一旦模型表现不再提升，将学习率降低2-10倍对模型的训练往往有益。
+该接口为 ``loss`` 自适应的学习率衰减策略。当 ``loss`` 停止下降时，降低学习率。其思想是：一旦模型表现不再提升，将学习率降低2-10倍对模型的训练往往有益。
 
-``loss`` 是传入到该类的方法 ``step`` 中的参数，其必须是shape为[1]的1-D Tensor。 如果 ``loss`` 停止下降超过 ``patience`` 个epoch，学习率将会减小为
- `learning_rate * decay_rate` 。（特殊用法时，可以将 ``mode`` 设置为 `'max'` ， 该模式下，如果 ``loss`` 停止上升超过 ``patience`` 个epoch，
- 学习率也将减小为 `learning_rate * decay_rate` 。）
+``loss`` 是传入到该类方法 ``step`` 中的参数，其必须是shape为[1]的1-D Tensor。 如果 ``loss`` 停止下降超过 ``patience`` 个epoch，学习率将会减小为
+`learning_rate * decay_rate` 。
 
 此外，每降低一次学习率后，重新恢复正常操作会等待 ``cooldown`` 个epoch，在该等待期间，将无视 ``loss`` 的变化情况。
 
 参数：
     - **learning_rate** (Variable|float|int) - 初始学习率。其类型可以是Python的 float 或 int 类型。也可以是shape为[1]的
       1-D Tensor，且相应数据类型为"float32" 或 "float64"。
-    - **mode** (str，可选) - `'min'` 和 `'max'` 之一。一般情况下，为 `'min'` ，当 ``loss`` 停止下降时学习率将减小；特殊用法时，可以
-      将其设置为 `'max'` ，此时当 ``loss`` 停止上升时学习率将减小。默认：`'min'` 。
+    - **mode** (str，可选) - `'min'` 和 `'max'` 之一。通常情况下，为 `'min'` ，此时当 ``loss`` 停止下降时学习率将减小。默认：`'min'` 。
+      （特殊用法时，可以将其设置为 `'max'` ，此时当 ``loss`` 停止上升时学习率将减小）
     - **decay_rate** (float，可选) - 学习率衰减的比例。`new_lr = origin_lr * decay_rate` ，它是值小于1.0的float型数字，默认: 0.1。
-    - **patience** (int，可选) - 当监控指标连续 ``patience`` 个epoch没有提升时，学习率才会减小。默认：10。
-    - **threshold** (float，可选) - ``threshold`` 和 ``threshold_mode`` 两个参数将会决定监测指标最低提升的阈值。小于该阈值的提升
-      将会被无视，这使得仅有较大的提升会被关注。默认：1e-4。
-    - **threshold_mode** (str，可选) - `'rel'` 和 `'abs'` 之一。在 `'rel'` 模式下，监测指标的最低提升阈值是 `last_loss * threshold` ，
-      其中 ``last_loss`` 是监测指标在上个epoch的值。在 `'abs'` 模式下，监测指标的最低提升阈值是 `threshold` 。 默认：`'rel'`。
+    - **patience** (int，可选) - 当 ``loss`` 连续 ``patience`` 个epoch没有提升时，学习率才会减小。默认：10。
+    - **threshold** (float，可选) - ``threshold`` 和 ``threshold_mode`` 两个参数将会决定 ``loss`` 最小变化的阈值。小于该阈值的变化
+      将会被忽视。默认：1e-4。
+    - **threshold_mode** (str，可选) - `'rel'` 和 `'abs'` 之一。在 `'rel'` 模式下， ``loss`` 最小变化的阈值是 `last_loss * threshold` ，
+      其中 ``last_loss`` 是 ``loss`` 在上个epoch的值。在 `'abs'` 模式下，``loss`` 最小变化的阈值是 `threshold` 。 默认：`'rel'`。
     - **cooldown** (int，可选) - 在学习速率被降低之后，重新恢复正常操作之前等待的epoch数量。默认：0。
     - **min_lr** (float，可选) - 最小的学习率。减小后的学习率最低下界限。默认：0。
     - **dtype** (str，可选) – 学习率值的数据类型，可以为"float32", "float64"。默认："float32"。
 
-返回：与 ``loss`` 的提升相关的学习率
+返回： ``loss`` 自适应的学习率
 
 返回类型：Variable
 
@@ -63,22 +62,24 @@ ReduceLROnPlateau
                     adam.minimize(loss)
                 
                 avg_loss = total_loss/5
-                reduce_lr.step(total_loss)
+                
+                # 根据传入total_loss，调整学习率
+                reduce_lr.step(avg_loss)
                 lr = adam.current_step_lr()
                 print("current avg_loss is %s, current lr is %s" % (avg_loss.numpy()[0], lr))
 
 
 
 .. py:method:: step(loss)
-根据传入的 ``loss`` 更新optimizer中学习率。更新后的学习率将会在下一次 ``optimizer.minimize`` 时生效。
+需要在每个epoch调用该方法，其根据传入的 ``loss`` 调整optimizer中的学习率，调整后的学习率将会在下一次调用 ``optimizer.minimize`` 时生效。
 
 参数：
-  loss (Variable): 类型：Variable，将被用来判断是否需要降低学习率。如果 ``loss`` 连续 ``patience`` 个epochs没有下降，将会降低学习率。
-    其必须是shape为[1]的1-D Tensor。特殊使用时，可以将 ``mode`` 设置为 ``'max'`` ，此时如果 ``loss`` 连续 ``patience`` 个epochs没
-    有上升，学习率将会下降。
+  - **loss** (Variable) - 类型：Variable，shape为[1]的1-D Tensor。将被用来判断是否需要降低学习率。如果 ``loss`` 连续 ``patience`` 个epochs没有下降，
+    将会降低学习率。
 
 返回：
     无
 
 **代码示例**:
-    参照其类 ref:`api_fluid_dygraph_ReduceLROnPlateau` 中的说明。
+
+    参照其类中的说明。