Fix/dygraph doc (#3438)

* using new load api

* merge

* add dygraph user guide in models/dygraph

* remove useless files

dygraph/cycle_gan/README.md

@@ -20,6 +20,7 @@ Cycle GAN 是一种image to image 的图像生成网络，实现了非对称图
 图1.网络结构
 </p>
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
 
 ## 代码结构
 ```
@@ -100,7 +101,7 @@ env CUDA_VISIBLE_DEVICES=0 python test.py --epoch=200
 ```
 env CUDA_VISIBLE_DEVICES=0 python infer.py \
     --init_model="./output_0/checkpoints/199" --input="./image/testA/123_A.jpg" \
-    --input_style=A 
+    --input_style=A
 ```
 
 分割图像生成真实街景：
@@ -108,7 +109,7 @@ env CUDA_VISIBLE_DEVICES=0 python infer.py \
 ```
 env CUDA_VISIBLE_DEVICES=0 python infer.py \
     --init_model="./output_0/checkpoints/199" --input="./image/testB/78_B.jpg" \
-    --input_style=B 
+    --input_style=B
 ```
 生成结果在 `output_0/single`中
 

dygraph/mnist/README.md

@@ -2,6 +2,8 @@
 当我们学习编程的时候，编写的第一个程序一般是实现打印"Hello World"。而机器学习（或深度学习）的入门教程，一般都是 MNIST 数据库上的手写识别问题。原因是手写识别属于典型的图像分类问题，比较简单，同时MNIST数据集也很完备。
 本页将介绍如何使用PaddlePaddle在DyGraph模式下实现MNIST，包括[安装](#installation)、[训练](#training-a-model)、[输出](#log)、[参数保存](#save)、[模型评估](#evaluation)。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 ---
 ## 内容
 - [安装](#installation)

dygraph/ocr_recognition/README.md

@@ -6,6 +6,8 @@ DyGraph模式下ocr recognition实现
 ocr任务是识别图片单行的字母信息，在动态图下使用了带attention的seq2seq结构，静态图实现可以参考（[ocr recognition](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/ocr_recognition)）
 运行本目录下的程序示例需要使用PaddlePaddle develop最新版本。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 
 ## 代码结构
 ```

dygraph/reinforcement_learning/README.md

 # 强化学习
 本页将介绍如何使用PaddlePaddle在DyGraph模式下实现典型强化学习算法，包括[安装](#installation)、[训练](#training-a-model)、[输出](#log)、[模型评估](#evaluation)。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 ---
 ## 内容
 - [安装](#installation)

dygraph/resnet/README.md

@@ -6,6 +6,8 @@ DyGraph模式下Residual Network实现
 Residual Network（ResNet）是常用的图像分类模型。我们实现了在paddlepaddle的DyGraph模式下相应的实现。可以对比原先静态图下实现（[Residual Network](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification/models)）来了解paddle中DyGraph模式。
 运行本目录下的程序示例需要使用PaddlePaddle develop最新版本。如果您的PaddlePaddle安装版本低于此要求，请按照[安装文档](http://www.paddlepaddle.org/docs/develop/documentation/zh/build_and_install/pip_install_cn.html)中的说明更新PaddlePaddle安装版本。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 
 ## 代码结构
 ```

dygraph/se_resnext/README.md

@@ -7,6 +7,8 @@ SE (Sequeeze-and-Excitation) block 并不是一个完整的网络结构，而是
 
 运行本目录下的程序示例需要使用PaddlePaddle develop最新版本。如果您的PaddlePaddle安装版本低于此要求，请按照[安装文档](http://www.paddlepaddle.org/docs/develop/documentation/zh/build_and_install/pip_install_cn.html)中的说明更新PaddlePaddle安装版本。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 
 ## 代码结构
 ```

dygraph/sentiment/README.md

@@ -3,10 +3,12 @@
 
 情感是人类的一种高级智能行为，为了识别文本的情感倾向，需要深入的语义建模。另外，不同领域（如餐饮、体育）在情感的表达各不相同，因而需要有大规模覆盖各个领域的数据进行模型训练。为此，我们通过基于深度学习的语义模型和大规模数据挖掘解决上述两个问题。效果上，我们基于开源情感倾向分类数据集ChnSentiCorp进行评测。具体数据如下所示：
 
-| 模型 | dev | 
+| 模型 | dev |
 | :------| :------ |
 | CNN | 90.6% |
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 
 ## 快速开始
 
@@ -60,8 +62,8 @@ python main.py --do_train false --do_infer true --checkpoints ./path_to_save_mod
 训练、预测、评估使用的数据可以由用户根据实际的应用场景，自己组织数据。数据由两列组成，以制表符分隔，第一列是以空格分词的中文文本（分词预处理方法将在下文具体说明），文件为utf8编码；第二列是情感倾向分类的类别（0表示消极；1表示积极），注意数据文件第一行固定表示为"text_a\tlabel"
 
 ```text
-特 喜欢 这种 好看的 狗狗	              1
-这 真是 惊艳 世界 的 中国 黑科技	      1
+特 喜欢 这种 好看的 狗狗                  1
+这 真是 惊艳 世界 的 中国 黑科技          1
 环境 特别 差 ，脏兮兮 的，再也 不去 了     0
 ```
 
@@ -74,4 +76,3 @@ python main.py --do_train false --do_infer true --checkpoints ./path_to_save_mod
 ├── nets.py                 # 网络结构
 ├── utils.py                # 定义了其他常用的功能函数
 ```
-

dygraph/transformer/README.md

@@ -4,6 +4,8 @@
 
 机器翻译（machine translation, MT）是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程，输入为源语言句子，输出为相应的目标语言的句子。本示例是机器翻译主流模型 Transformer 的实现和相关介绍。
 
+动态图文档请见[Dygraph](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/user_guides/howto/dygraph/DyGraph.html)
+
 ### 数据集说明
 
 我们使用公开的 [WMT'16 EN-DE 数据集](http://www.statmt.org/wmt16/translation-task.html)训练