update variable name

08.recommender_system/README.en.md

@@ -300,10 +300,10 @@ reader=paddle.batch(
         batch_size=256)
 ```
 
-`reader_dict` is devoted to specifying the correspondence between each yield record and `paddle.layer.data`. For instance, the first column of data generated by `movielens.train` corresponds to `user_id` feature.
+`feeding` is devoted to specifying the correspondence between each yield record and `paddle.layer.data`. For instance, the first column of data generated by `movielens.train` corresponds to `user_id` feature.
 
 ```python
-reader_dict = {
+feeding = {
     'user_id': 0,
     'gender_id': 1,
     'age_id': 2,
@@ -363,7 +363,7 @@ Finally, we can invoke `trainer.train` to start training:
 trainer.train(
     reader=reader,
     event_handler=event_handler_plot,
-    feeding=reader_dict,
+    feeding=feeding,
     num_passes=2)
 ```
 

08.recommender_system/README.md

@@ -321,12 +321,12 @@ trainer = paddle.trainer.SGD(cost=cost, parameters=parameters,
 
 下面我们开始训练过程。
 
-我们直接使用Paddle提供的数据集读取程序。`paddle.dataset.movielens.train()`和`paddle.dataset.movielens.test()`分别做训练和预测数据集。并且通过`reader_dict`来指定每一个数据和data_layer的对应关系。
+我们直接使用Paddle提供的数据集读取程序。`paddle.dataset.movielens.train()`和`paddle.dataset.movielens.test()`分别做训练和预测数据集。并且通过`feeding`来指定每一个数据和data_layer的对应关系。
 
-例如，这里的reader_dict表示的是，对于数据层 `user_id`，使用了reader中每一条数据的第0个元素。`gender_id`数据层使用了第1个元素。以此类推。
+例如，这里的feeding表示的是，对于数据层 `user_id`，使用了reader中每一条数据的第0个元素。`gender_id`数据层使用了第1个元素。以此类推。
 
 ```python
-reader_dict = {
+feeding = {
     'user_id': 0,
     'gender_id': 1,
     'age_id': 2,
@@ -391,7 +391,7 @@ trainer.train(
             paddle.dataset.movielens.train(), buf_size=8192),
                             batch_size=256),
     event_handler=event_handler_plot,
-    feeding=reader_dict,
+    feeding=feeding,
     num_passes=2)
 ```
 

08.recommender_system/index.en.html

@@ -342,10 +342,10 @@ reader=paddle.batch(
         batch_size=256)
 ```
 
-`reader_dict` is devoted to specifying the correspondence between each yield record and `paddle.layer.data`. For instance, the first column of data generated by `movielens.train` corresponds to `user_id` feature.
+`feeding` is devoted to specifying the correspondence between each yield record and `paddle.layer.data`. For instance, the first column of data generated by `movielens.train` corresponds to `user_id` feature.
 
 ```python
-reader_dict = {
+feeding = {
     'user_id': 0,
     'gender_id': 1,
     'age_id': 2,
@@ -405,7 +405,7 @@ Finally, we can invoke `trainer.train` to start training:
 trainer.train(
     reader=reader,
     event_handler=event_handler_plot,
-    feeding=reader_dict,
+    feeding=feeding,
     num_passes=2)
 ```
 

08.recommender_system/index.html

@@ -363,12 +363,12 @@ trainer = paddle.trainer.SGD(cost=cost, parameters=parameters,
 
 下面我们开始训练过程。
 
-我们直接使用Paddle提供的数据集读取程序。`paddle.dataset.movielens.train()`和`paddle.dataset.movielens.test()`分别做训练和预测数据集。并且通过`reader_dict`来指定每一个数据和data_layer的对应关系。
+我们直接使用Paddle提供的数据集读取程序。`paddle.dataset.movielens.train()`和`paddle.dataset.movielens.test()`分别做训练和预测数据集。并且通过`feeding`来指定每一个数据和data_layer的对应关系。
 
-例如，这里的reader_dict表示的是，对于数据层 `user_id`，使用了reader中每一条数据的第0个元素。`gender_id`数据层使用了第1个元素。以此类推。
+例如，这里的feeding表示的是，对于数据层 `user_id`，使用了reader中每一条数据的第0个元素。`gender_id`数据层使用了第1个元素。以此类推。
 
 ```python
-reader_dict = {
+feeding = {
     'user_id': 0,
     'gender_id': 1,
     'age_id': 2,
@@ -433,7 +433,7 @@ trainer.train(
             paddle.dataset.movielens.train(), buf_size=8192),
                             batch_size=256),
     event_handler=event_handler_plot,
-    feeding=reader_dict,
+    feeding=feeding,
     num_passes=2)
 ```