use html table.

doc/howto/usage/capi/a_simple_example.md

@@ -174,7 +174,7 @@ paddle_arguments out_args = paddle_arguments_create_none();
 CHECK(paddle_gradient_machine_forward(machine,
                                 in_args,
                                 out_args,
-                                      /* is train taks or not */ false));
+                                s/* is train taks or not */ false));
 
 // Create the matrix to hold the forward result of the neural network.
 paddle_matrix prob = paddle_matrix_create_none();

doc/howto/usage/capi/organization_of_the_inputs.md

@@ -9,13 +9,13 @@
     - 稠密矩阵
     - 稀疏矩阵
 
-  - 说明：
-    1. 一维数组**仅支持整型值**；
+说明：
+1. 一维数组**仅支持整型值**；
     - 常用于自然语言处理任务，例如：表示词语在词典中的序号；
     - 分类任务中类别标签；
-    1. 逻辑上高于二维的数据（例如含有多个通道的图片，视频等）在程序实现中都会转化为二维矩阵，转化方法在相应的领域都有通用解决方案，需要使用者自己了解并完成转化；
-    1. 二维矩阵可以表示行向量和列向量，任何时候如果需要浮点型数组（向量），都应使用C-API中的矩阵来表示，而不是C-API中的一维数组。
-    1. 不论是一维整型数组还是二维浮点数矩阵，**为它们附加上序列信息将变成序列输入。PaddlePaddle 会通过判数据是否附带有序列信息来判断一个向量/矩阵是否是一个序列**。当非序列输入时，无需关心和处理序列信息。关于什么是“序列信息”，下文会详细进行介绍。
+1. 逻辑上高于二维的数据（例如含有多个通道的图片，视频等）在程序实现中都会转化为二维矩阵，转化方法在相应的领域都有通用解决方案，需要使用者自己了解并完成转化；
+1. 二维矩阵可以表示行向量和列向量，任何时候如果需要浮点型数组（向量），都应使用C-API中的矩阵来表示，而不是C-API中的一维数组。
+1. 不论是一维整型数组还是二维浮点数矩阵，**为它们附加上序列信息将变成序列输入。PaddlePaddle 会通过判数据是否附带有序列信息来判断一个向量/矩阵是否是一个序列**。当非序列输入时，无需关心和处理序列信息。关于什么是“序列信息”，下文会详细进行介绍。
 
 ### 基本使用概念
 
@@ -32,7 +32,7 @@
 - 一维整型数组
 
     概念上可以将`paddle_ivector`理解为一个一维的整型数组，通常用于表示离散的类别标签，或是在自然语言处理任务中表示词语在字典中的序号。下面的代码片段创建了含有三个元素`1`、`2`、`3`的`paddle_ivector`。
-    ```cpp
+    ```c
     int ids[] = {1, 2, 3};
      paddle_ivector ids_array =
          paddle_ivector_create(ids, sizeof(ids) / sizeof(int), false, false);
@@ -40,12 +40,12 @@
     ```
 
 - **稠密矩阵**
-    - 一个$m×n$的稠密矩阵是一个由$m$行$n$列元素排列成的矩形阵列，矩阵里的元素是浮点数。对神经网络来说，矩阵的高度$m$是一次预测接受的样本数目，宽度$n$是神经网络定义时，`paddle.layer.data`的`size`。
+    - 一个`m×n`的稠密矩阵是一个由`m`行`n`列元素排列成的矩形阵列，矩阵里的元素是浮点数。对神经网络来说，矩阵的高度`m`是一次预测接受的样本数目，宽度$n$是神经网络定义时，`paddle.layer.data`的`size`。
     - 下面的代码片段创建了一个高度为1，宽度为`layer_size`的稠密矩阵，矩阵中每个元素的值随机生成。
 
-    ```cpp
-    paddle_matrix mat =
-        paddle_matrix_create(/* height = batch size */ 1,
+    ```c
+    paddle_matrix mat = paddle_matrix_create(
+                            /* height = batch size */ 1,
                             /* width = dimensionality of the data layer */ layer_size,
                             /* whether to use GPU */ false);
 
@@ -67,15 +67,15 @@
 - **稀疏矩阵**
 
   PaddlePaddle C-API 中 稀疏矩阵使用[CSR（Compressed Sparse Row Format）](https://en.wikipedia.org/wiki/Sparse_matrix#Compressed_sparse_row_(CSR,_CRS_or_Yale_format))格式存储。下图是CSR存储稀疏矩阵的示意图。
-
   <p align="center">
-  <img src="images/csr.png" width=70%></br>图1. CSR存储示意图.
+  <img src="https://user-images.githubusercontent.com/5842774/34159369-009fd328-e504-11e7-9e08-36bc6dc5e505.png" width=700><br> 图1. 稀疏矩阵存储示意图
   </p>
 
   CSR存储格式通过：（1）非零元素的值（上图中的`values`）；（2）行偏移(上图中的`row offsets`)：每一行元素在`values`中的起始偏移，`row offsets`中元素个数总是等于行数 + 1；（3）非零元素的列号（上图中的`column indices`）来确定稀疏矩阵的内容。
 
   在PaddlePaddle C-API中，通过调用以下接口创建稀疏矩阵：
-  ```cpp
+
+  ```c
   PD_API paddle_matrix paddle_matrix_create_sparse(
       uint64_t height, uint64_t width, uint64_t nnz, bool isBinary, bool useGpu);
   ```
@@ -83,9 +83,9 @@
   1. 创建稀疏矩阵时需要显示地指定矩阵的（1）高度（`height`，在神经网络中等于一次预测处理的样本数）（2）宽度（`width`，`paddle.layer.data`的`size`）以及（3）非零元个数（`nnz`）。
   1. 当上述接口第4个参数`isBinary`指定为`true`时，**只需要设置行偏移（`row_offset`）和列号(`colum indices`)，不需要提供元素值（`values`）**，这时行偏移和列号指定的元素默认其值为1。
 
-  - 下面的代码片段创建了一个CPU上的二值稀疏矩阵：
+  下面的代码片段创建了一个CPU上的二值稀疏矩阵：
 
-      ```cpp
+  ```c
   paddle_matrix mat = paddle_matrix_create_sparse(1, layer_size, nnz, true, false);
   int colIndices[] = {9, 93, 109};  // layer_size here is greater than 109.
   int rowOffset[] = {0, sizeof(colIndices) / sizeof(int)};
@@ -94,13 +94,13 @@
                                  rowOffset,
                                  sizeof(rowOffset) / sizeof(int),
                                  colIndices,
-                                           sizeof(colIndices) / sizeof(int),
+                                 (colIndices) / sizeof(int),
                                  NULL /*values array is NULL.*/,
                                  0 /*size of the value arrary is 0.*/));
   CHECK(paddle_arguments_set_value(in_args, 0, mat));
   ```
-   - 下面的代码片段在创建了一个CPU上的带元素值的稀疏矩阵：
-      ```cpp
+  下面的代码片段在创建了一个CPU上的带元素值的稀疏矩阵：
+  ```c
   paddle_matrix mat = paddle_matrix_create_sparse(1, layer_size, nnz, false, false);
   int colIndices[] = {9, 93, 109};  // layer_size here is greater than 109.
   int rowOffset[] = {0, sizeof(colIndices) / sizeof(int)};
@@ -114,8 +114,7 @@
                                  values,
                                  sizeof(values) / sizeof(float)));
   ```
-
-- 注意事项：
+  注意事项：
   1. 移动端预测**不支持**稀疏矩阵及相关的接口。
 
 ### 组织序列信息
@@ -143,7 +142,7 @@
 
 图2 是PaddlePaddle中单层序列和双层序列存储示意图。
 <p align="center">
-<img src="images/sequence_data.png" width=80%></br>图2. 序列输入示意图.
+<img src="https://user-images.githubusercontent.com/5842774/34159714-1f81a9be-e505-11e7-8a8a-4902146ec899.png" width=800><br>图2. 序列输入示意图
 </p>
 
 - 单层序列
@@ -153,7 +152,7 @@
     2. 这时的`sequence_start_positions`为：`[0, 5, 8, 10, 14]`；
     3. 不论数据域是`paddle_ivector`类型还是`paddle_matrix`类型，都可以通过调用下面的接口为原有的数据输入附加上序列信息，使之变为一个单层序列输入，代码片段如下：
 
-    ```cpp
+    ```c
     int seq_pos_array[] = {0, 5, 8, 10, 14};
     paddle_ivector seq_pos = paddle_ivector_create(
         seq_pos_array, sizeof(seq_pos_array) / sizeof(int), false, false);
@@ -166,11 +165,10 @@
     图2 (b) 展示了一个含有4个序列的`batch`输入；
     1. 4个序列的长度分别为：5、3、2、4；这四个序列又分别含有3、2、1、2个子序列；
     1. 这时的需要同时提供：
-        - 1. 外层序列在`batch`中的起始偏移`：[0, 5, 8, 10, 14]`；
-        - 2. 内层序列在`batch`中的起始偏移：`[0, 2, 3, 5, 7， 8， 10， 13， 14]`；
-
+        - 外层序列在`batch`中的起始偏移`：[0, 5, 8, 10, 14]`；
+        - 内层序列在`batch`中的起始偏移：`[0, 2, 3, 5, 7， 8， 10， 13， 14]`；
     1. 不论数据域是`paddle_ivector`类型还是`paddle_matrix`类型，这时需要调用创建序列信息和为`argument`设置序列信息的接口**两次**，分别为数据输入添加外层序列和内层序列的序列信息，使之变为一个双层序列输入，代码片段如下：
-    ```cpp
+    ```c
     // set the sequence start positions for the outter sequences.
     int outter_seq_pos_array[] = {0, 5, 8, 10, 14};
     paddle_ivector seq_pos =
@@ -193,28 +191,75 @@
     CHECK(paddle_arguments_set_sequence_start_pos(in_args, 0, 1, seq_pos));
     ```
 
-- 注意事项：
-  1. 当一个`batch`中含有多个序列，**不支持序列长度为`0`的序列（也就是空输入）** 作为输入。不同计算层对空输入的处理策略有可能不同，潜在会引起未定义行为，或者引起行时错误，请在输入时进行合法性检查。
+注意事项：
+1. 当一个`batch`中含有多个序列，**不支持序列长度为`0`的序列（也就是空输入）** 作为输入。不同计算层对空输入的处理策略有可能不同，潜在会引起未定义行为，或者引起行时错误，请在输入时进行合法性检查。
 
 ### Python 端数据类型说明
 
 下表列出了Python端训练接口暴露的数据类型（`paddle.layer.data`函数`type`字段的取值）对应于调用C-API需要创建的数据类型：
 
-Python 端数据类型  | C-API 输入数据类型|
-:-------------: | :-------------:
-`paddle.data_type.integer_value` |整型数组，无需附加序列信息|
-`paddle.data_type.dense_vector` |浮点型稠密矩阵，无需附加序列信息|
-`paddle.data_type.sparse_binary_vector` |浮点型稀疏矩阵，无需提供非零元的值，默认为1，无需附加序列信息|
-`paddle.data_type.sparse_vector` |浮点型稀疏矩阵，需提供非零元的值，无需附加序列信息|
-`paddle.data_type.integer_value_sequence` |整型数组，需附加序列信息|
-`paddle.data_type.dense_vector_sequence` |浮点型稠密矩阵，需附加序列信息|
-`paddle.data_type.sparse_binary_vector_sequence` |浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加序列信息|
-`paddle.data_type.sparse_vector_sequence` |浮点型稀疏矩阵，需提供非零元的值，需附加序列信息|
-`paddle.data_type.integer_value_sub_sequence` |整型数组，需附加双层序列信息|
-`paddle.data_type.dense_vector_sub_sequence` |浮点型稠密矩阵，需附加双层序列信息|
-`paddle.data_type.sparse_binary_vector_sub_sequence` |浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加双层序列信息|
-`paddle.data_type.sparse_vector_sub_sequence` |浮点型稀疏矩阵，需提供非零元的值，需附加双层序列信息|
-
+<html>
+<table border="2" frame="border">
+<table>
+<thead>
+<tr>
+<th style="text-align:left">Python 端数据类型</th>
+<th style="text-align:left">C-API 输入数据类型</th>
+</tr>
+</thead>
+<tbody>
+<tr>
+<td style="text-align:left">paddle.data_type.integer_value</td>
+<td style="text-align:left">整型数组，无需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.dense_vector</td>
+<td style="text-align:left">浮点型稠密矩阵，无需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_binary_vector</td>
+<td style="text-align:left">浮点型稀疏矩阵，无需提供非零元的值，默认为1，无需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_vector</td>
+<td style="text-align:left">浮点型稀疏矩阵，需提供非零元的值，无需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.integer_value_sequence</td>
+<td style="text-align:left">整型数组，需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.dense_vector_sequence</td>
+<td style="text-align:left">浮点型稠密矩阵，需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_binary_vector_sequence</td>
+<td style="text-align:left">浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_vector_sequence</td>
+<td style="text-align:left">浮点型稀疏矩阵，需提供非零元的值，需附加序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.integer_value_sub_sequence</td>
+<td style="text-align:left">整型数组，需附加双层序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.dense_vector_sub_sequence</td>
+<td style="text-align:left">浮点型稠密矩阵，需附加双层序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_binary_vector_sub_sequence</td>
+<td style="text-align:left">浮点型稀疏矩阵，无需提供非零元的值，默认为1，需附加双层序列信息</td>
+</tr>
+<tr>
+<td style="text-align:left">paddle.data_type.sparse_vector_sub_sequence</td>
+<td style="text-align:left">浮点型稀疏矩阵，需提供非零元的值，需附加双层序列信息</td>
+</tr>
+</tbody>
+</table>
+</html>
+<br>
 ### 输出数据
 
 PaddlePaddle中一个计算层的输出数据组织方式和输入数据组织方式完全相同。一个输出数据同样被组织为一个`argument`，`argument`通过`paddle_matrix`或`paddle_ivector`存数数据，如果输出是一个序列，那么会携带有`sequence_start_positions`信息。调用C-API相关接口，读取需要的结果即可。