update docs (#619)

* update docs

RELEASE.md

@@ -5,9 +5,9 @@
   * 新增工业级短视频分类模型[videotag_tsn_lstm](https://paddlepaddle.org.cn/hubdetail?name=videotag_tsn_lstm&en_category=VideoClassification)，支持3000类中文标签识别
   * 新增轻量级中文OCR模型[chinese_ocr_db_rcnn](https://www.paddlepaddle.org.cn/hubdetail?name=chinese_ocr_db_rcnn&en_category=TextRecognition)、[chinese_text_detection_db](https://www.paddlepaddle.org.cn/hubdetail?name=chinese_text_detection_db&en_category=TextRecognition)，支持一键快速OCR识别
   * 新增行人检测、车辆检测、动物识别、Object等工业级模型
-  
+
 * Fine-tune API升级
-  * 文本分类任务新增6个预置网络，包括CNN, BOW, LSTM, BiLSTM, DPCNN等 
+  * 文本分类任务新增6个预置网络，包括CNN, BOW, LSTM, BiLSTM, DPCNN等
   * 使用VisualDL可视化训练评估性能数据
 
 ## `v1.6.2`

demo/text_classification/README.md

@@ -195,6 +195,7 @@ cls_task.finetune_and_eval()
    如果不使用预置网络，直接通过fc网络进行分类，则应取Transformer类预训练模型的pooled_output特征(`outputs["pooled_output"]`)。并且`hub.TextClassifierTask(feature=outputs["pooled_output"])`。
 5. 使用预置网络，可以通过`hub.TextClassifierTask`参数network进行指定不同的网络结构。如下代码表示选择bilstm网络拼接在Transformer类预训练模型之后。
    PaddleHub文本分类任务预置网络支持BOW，Bi-LSTM，CNN，DPCNN，GRU，LSTM。指定network应是其中之一。
+   其中DPCNN网络实现为[ACL2017-Deep Pyramid Convolutional Neural Networks for Text Categorization](https://www.aclweb.org/anthology/P17-1052.pdf)。
 ```python
 cls_task = hub.TextClassifierTask(
     data_reader=reader,

docs/reference/task/text_classify_task.md

@@ -21,7 +21,7 @@ hub.TextClassifierTask(
 * data_reader: 提供数据的Reader，可选为ClassifyReader和LACClassifyReader。
 * feature(fluid.Variable): 输入的sentence-level特征矩阵，shape应为[-1, emb_size]。默认为None。
 * token_feature(fluid.Variable): 输入的token-level特征矩阵，shape应为[-1, seq_len, emb_size]。默认为None。feature和token_feature须指定其中一个。
-* network(str): 文本分类任务PaddleHub预置网络，支持BOW，Bi-LSTM，CNN，DPCNN，GRU，LSTM。如果指定network，则应使用token_feature作为输入特征。
+* network(str): 文本分类任务PaddleHub预置网络，支持BOW，Bi-LSTM，CNN，DPCNN，GRU，LSTM。如果指定network，则应使用token_feature作为输入特征。其中DPCNN网络实现为[ACL2017-Deep Pyramid Convolutional Neural Networks for Text Categorization](https://www.aclweb.org/anthology/P17-1052.pdf)。
 * startup_program (fluid.Program): 存储了模型参数初始化op的Program，如果未提供，则使用fluid.default_startup_program()
 * config ([RunConfig](../config.md)): 运行配置，如设置batch_size,epoch,learning_rate等。
 * hidden_units (list): TextClassifierTask最终的全连接层输出维度为label_size，是每个label的概率值。在这个全连接层之前可以设置额外的全连接层，并指定它们的输出维度，例如hidden_units=[4,2]表示先经过一层输出维度为4的全连接层，再输入一层输出维度为2的全连接层，最后再输入输出维度为label_size的全连接层。

docs/release.md

@@ -7,9 +7,9 @@
   * 新增工业级短视频分类模型[videotag_tsn_lstm](https://paddlepaddle.org.cn/hubdetail?name=videotag_tsn_lstm&en_category=VideoClassification)，支持3000类中文标签识别
   * 新增轻量级中文OCR模型[chinese_ocr_db_rcnn](https://www.paddlepaddle.org.cn/hubdetail?name=chinese_ocr_db_rcnn&en_category=TextRecognition)、[chinese_text_detection_db](https://www.paddlepaddle.org.cn/hubdetail?name=chinese_text_detection_db&en_category=TextRecognition)，支持一键快速OCR识别
   * 新增行人检测、车辆检测、动物识别、Object等工业级模型
-  
+
 * Fine-tune API升级
-  * 文本分类任务新增6个预置网络，包括CNN, BOW, LSTM, BiLSTM, DPCNN等 
+  * 文本分类任务新增6个预置网络，包括CNN, BOW, LSTM, BiLSTM, DPCNN等
   * 使用VisualDL可视化训练评估性能数据
 
 ## `v1.6.2`

paddlehub/network/classification.py

@@ -22,7 +22,7 @@ import paddle.fluid as fluid
 
 def bilstm(token_embeddings, hid_dim=128, hid_dim2=96):
     """
-    bilstm net
+    BiLSTM network.
     """
     fc0 = fluid.layers.fc(input=token_embeddings, size=hid_dim * 4)
     rfc0 = fluid.layers.fc(input=token_embeddings, size=hid_dim * 4)
@@ -44,7 +44,7 @@ def bilstm(token_embeddings, hid_dim=128, hid_dim2=96):
 
 def bow(token_embeddings, hid_dim=128, hid_dim2=96):
     """
-    bow net
+    BOW network.
     """
     # bow layer
     bow = fluid.layers.sequence_pool(input=token_embeddings, pool_type='sum')
@@ -57,7 +57,7 @@ def bow(token_embeddings, hid_dim=128, hid_dim2=96):
 
 def cnn(token_embeddings, hid_dim=128, win_size=3):
     """
-    cnn net
+    CNN network.
     """
     # cnn layer
     conv = fluid.nets.sequence_conv_pool(
@@ -77,7 +77,7 @@ def dpcnn(token_embeddings,
           emb_dim=1024,
           blocks=6):
     """
-    deepcnn net implemented as ACL2017 'Deep Pyramid Convolutional Neural Networks for Text Categorization'
+    Deep Pyramid Convolutional Neural Networks is implemented as ACL2017 'Deep Pyramid Convolutional Neural Networks for Text Categorization'
     For more information, please refer to https://www.aclweb.org/anthology/P17-1052.pdf.
     """
 
@@ -111,7 +111,7 @@ def dpcnn(token_embeddings,
 
 def gru(token_embeddings, hid_dim=128, hid_dim2=96):
     """
-    gru net
+    GRU network.
     """
     fc0 = fluid.layers.fc(input=token_embeddings, size=hid_dim * 3)
     gru_h = fluid.layers.dynamic_gru(input=fc0, size=hid_dim, is_reverse=False)
@@ -123,7 +123,7 @@ def gru(token_embeddings, hid_dim=128, hid_dim2=96):
 
 def lstm(token_embeddings, hid_dim=128, hid_dim2=96):
     """
-    lstm net
+    LSTM network.
     """
     # lstm layer
     fc0 = fluid.layers.fc(input=token_embeddings, size=hid_dim * 4)