follow comments

doc/howto/dev/use_eigen_cn.md

@@ -7,14 +7,14 @@
 
 Eigen Tensor模块对element-wise计算提供了强大的支持，并且书写一份代码，可以同时在CPU、GPU执行。但Eigen Tensor是一个正在开发中的模块，因此可能测试不够完备，文档较少。
 
-关于Eigen Tensor模块的详细介绍请参考[文档](https://github.com/RLovelett/eigen/blob/master/unsupported/Eigen/CXX11/src/Tensor/README.md)
+关于Eigen Tensor模块的详细介绍请参考[文档1](https://github.com/RLovelett/eigen/blob/master/unsupported/Eigen/CXX11/src/Tensor/README.md) 和[文档2](https://bitbucket.org/eigen/eigen/src/default/unsupported/Eigen/CXX11/src/Tensor/README.md)
 
 
 ### paddle::framework::Tensor
 
 Paddle Tensor定义在framework目录下，其主要接口如下：
 
-```
+```cpp
 class Tensor {
  public:
   /*! Return a pointer to mutable memory block. */
@@ -54,9 +54,9 @@ class Tensor {
 };
 ```
 
-`Placeholder`的作用的延迟分配内存，即我们可以先定义一个Tensor，然后使用Resize接口设置Tensor的大小，最后再调用mutable_data接口分配实际的内存。
+`Placeholder`的作用是延迟分配内存，即我们可以先定义一个Tensor，然后使用Resize接口设置Tensor的大小，最后再调用mutable_data接口分配实际的内存。
 
-```
+```cpp
 paddle::framework::Tensor t;
 paddle::platform::CPUPlace place;
 // set size first
@@ -65,13 +65,14 @@ t.Resize({2, 3});
 t.mutable_data(place);
 ```
 
+### paddle::framework::Tensor使用样例
 下面以AddOp为例说明Tensor的使用过程：
 
 - InferShape
 
 在运行神经网络计算图时，我们先调用每个`Operator`的`InferShape`接口，根据输入Tensor的大小来设置输出Tensor的大小，`Resize`接口会被调用。
 
-```
+```cpp
 void InferShape(const framework::InferShapeContext &ctx) const override {
   PADDLE_ENFORCE_EQ(ctx.Input<Tensor>("X")->dims(),
                     ctx.Input<Tensor>("Y")->dims(),
@@ -85,7 +86,7 @@ void InferShape(const framework::InferShapeContext &ctx) const override {
 
 `Operator`的`Run`接口最终会调用对应`OpKernel`的`Compute`接口，在这时真正的分配内存，`mutable_data`接口会被调用。
 
-```
+```cpp
 void Compute(const framework::ExecutionContext& context) const override {
   auto* input0 = context.Input<Tensor>("X");
   auto* input1 = context.Input<Tensor>("Y");
@@ -93,13 +94,13 @@ void Compute(const framework::ExecutionContext& context) const override {
 
   output->mutable_data<T>(context.GetPlace());
 
-  auto X = EigenVector<T>::Flatten(*input0);
-  auto Y = EigenVector<T>::Flatten(*input1);
-  auto Z = EigenVector<T>::Flatten(*output);
+  auto x = EigenVector<T>::Flatten(*input0);
+  auto y = EigenVector<T>::Flatten(*input1);
+  auto z = EigenVector<T>::Flatten(*output);
 
   auto place = context.GetEigenDevice<Place>();
 
-  Z.device(place) = X + Y;
+  z.device(place) = x + y;
 }
 ```
 
@@ -110,7 +111,7 @@ void Compute(const framework::ExecutionContext& context) const override {
 
 以EigenTensor为例，做一个介绍
 
-```
+```cpp
 Tensor t;
 float* p = t.mutable_data<float>(make_ddim({1, 2, 3}), platform::CPUPlace());
 for (int i = 0; i < 1 * 2 * 3; i++) {
@@ -122,7 +123,7 @@ EigenTensor<float, 3>::Type et = EigenTensor<float, 3>::From(t);
 
 From是EigenTensor模板提供的一个接口，可以实现从paddle::framework::Tensor到对EigenTensor的转换。由于Tensor的rank是模板参数，因此在转换时需要显示的指定。
 
-需要额外注意的是，EigenVector<T>::From方法是把paddle中的一维Tensor转为Eigen的一维Tensor，在这里用EigenVector来表示；而EigenVector<T>::Flatten方法是把paddle中的一个Tensor进行reshape操作，压扁成为Eigen的一维Tensor，类型仍然为EigenVector。
+在Eigen中，不同rank的Tensor是不同类型，Vector是rank为1的Tensor。需要额外注意的是，EigenVector<T>::From方法是把paddle中的一维Tensor转为Eigen的一维Tensor，在这里用EigenVector来表示；而EigenVector<T>::Flatten方法是把paddle中的一个Tensor进行reshape操作，压扁成为Eigen的一维Tensor，类型仍然为EigenVector。
 
 更多的转换方法请参考eigen_test.cc中的[单元测试](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/framework/eigen_test.cc)。
 
@@ -132,12 +133,12 @@ From是EigenTensor模板提供的一个接口，可以实现从paddle::framework
 
 当需要完成计算时，我们需要等式左边的EigenTensor调用device接口。在这里需要注意的是，这里的EigenTensor之间的运算只是改变了原有Tensor中的数据，而不会改变原有Tensor的shape信息。
 
-```
-auto X = EigenVector<T>::Flatten(*input0);
-auto Y = EigenVector<T>::Flatten(*input1);
-auto Z = EigenVector<T>::Flatten(*output);
+```cpp
+auto x = EigenVector<T>::Flatten(*input0);
+auto y = EigenVector<T>::Flatten(*input1);
+auto z = EigenVector<T>::Flatten(*output);
 auto place = context.GetEigenDevice<Place>();
-Z.device(place) = X + Y;
+z.device(place) = x + y;
 ```
 
 在这段代码中，input0/input1/output可以是任意维度的Tensor。我们调用了EigenVector的Flatten接口，把任意维度的Tensor转为了一维的EigenVector。而在计算结束之后，input0/input1/output的原有shape信息不变。如果想改变原有Tensor的shape信息，可以调用Resize接口进行改变。