fix math format

docs/api/api_python/ops/mindspore.ops.RandomCategorical.rst

@@ -9,7 +9,7 @@ mindspore.ops.RandomCategorical
         - **dtype** (mindspore.dtype) - 输出的类型。它的值必须是 mindspore.int16、mindspore.int32 和 mindspore.int64 之一。默认值：mindspore.int64。
 
     输入：
-        - **logits** (Tensor) - 输入Tensor。Shape为 :math:`(batch_size, num_classes)` 的二维Tensor。
+        - **logits** (Tensor) - 输入Tensor。Shape为 :math:`(batch\_size, num\_classes)` 的二维Tensor。
         - **num_sample** (int) - 要抽取的样本数。只允许使用常量值。
         - **seed** (int) - 随机种子。只允许使用常量值。默认值：0。
 

docs/api/api_python/ops/mindspore.ops.func_matrix_diag_part.rst

@@ -15,7 +15,7 @@ mindspore.ops.matrix_diag_part
     返回：
         Tensor，与 `x` 的类型相同。
 
-        设 `x` 有r维 `(I， J， ...， M， N)` 。设 `max_diag_len` 为所有对角线长度中的最大值，则 :math:`max_diag_len = min(M + min(k[1], 0), N + min(-k[0], 0))`。 设 `num_diags` 为输出的维度数，则有 :math:`num_diags = k[1] - k[0] + 1`。如果 :math:`num_diags == 1`，则输出Tensor的维度为r - 1，分别为 :math:`[I, J, ..., L, max_diag_len]`。 否则，输出Tensor的维度为r，分别为 :math:`[I, J, ..., L, num_diags, max_diag_len]`。
+        设 `x` 有r维 `(I， J， ...， M， N)` 。设 `max_diag_len` 为所有对角线长度中的最大值，则 :math:`max\_diag\_len = min(M + min(k[1], 0), N + min(-k[0], 0))`。 设 `num_diags` 为输出的维度数，则有 :math:`num\_diags = k[1] - k[0] + 1`。如果 :math:`num\_diags == 1`，则输出Tensor的维度为r - 1，分别为 :math:`[I, J, ..., L, max\_diag\_len]`。 否则，输出Tensor的维度为r，分别为 :math:`[I, J, ..., L, num\_diags, max\_diag\_len]`。
 
     异常：
         - **TypeError** - `x` 不为Tensor。

docs/api/api_python/ops/mindspore.ops.func_print_.rst

@@ -10,7 +10,7 @@ mindspore.ops.print_
     .. note::
         在PyNative模式下，请使用Python print函数。在Ascend平台上的Graph模式下，bool、int和float将被转换为Tensor进行打印，str保持不变。
         该方法用于代码调试。当同时print大量数据时，为了保证主进程不受影响，可能会丢失一些数据。如果需要记录完整数据，推荐使用 `Summary` 功能，具体可查看
-        `Summary <https://www.mindspore.cn/mindinsight/docs/zh-CN/master/summary_record.html?highlight=summary#>`_。
+        `Summary <https://www.mindspore.cn/mindinsight/docs/zh-CN/master/summary_record.html?highlight=summary#>`_ 。
 
     参数：
         - **input_x** (Union[Tensor, bool, int, float, str]) - print_的输入。支持多个输入，用'，'分隔。

docs/api/api_python/ops/mindspore.ops.func_random_categorical.rst

@@ -6,13 +6,13 @@ mindspore.ops.random_categorical
     从分类分布中抽取样本。
 
     参数：
-        - **logits** (Tensor) - 输入Tensor。Shape为 :math:`(batch_size, num_classes)` 的二维Tensor。
+        - **logits** (Tensor) - 输入Tensor。Shape为 :math:`(batch\_size, num\_classes)` 的二维Tensor。
         - **num_sample** (int) - 要抽取的样本数。只允许使用常量值。
         - **seed** (int) - 随机种子。只允许使用常量值。默认值：0
         - **dtype** (mindspore.dtype) - 输出的类型。它的值必须是 mindspore.int16、mindspore.int32 和 mindspore.int64 之一。默认值：mindspore.int64。
 
     返回：
-        Tensor，Shape为 :math:`(batch_size, num_samples)` 的输出Tensor。
+        Tensor，Shape为 :math:`(batch\_size, num\_samples)` 的输出Tensor。
 
     异常：
         - **TypeError** - 如果 `dtype` 不是以下之一：mindspore.int16、mindspore.int32、mindspore.int64。

docs/api/api_python/ops/mindspore.ops.func_slice.rst

@@ -10,7 +10,7 @@ mindspore.ops.slice
     .. note::
         `begin` 的起始值为0，`size` 的起始值为1。
 
-    如果 `size[i]` 为-1，则维度i中的所有剩余元素都包含在切片中。这相当于 :math:`size[i] = input_x.shape(i) - begin[i]` 。
+    如果 `size[i]` 为-1，则维度i中的所有剩余元素都包含在切片中。这相当于 :math:`size[i] = input\_x.shape(i) - begin[i]` 。
 
     参数：
         - **input_x** (Tensor) - Slice的输入，任意维度的Tensor。

mindspore/python/mindspore/common/tensor.py

@@ -4390,7 +4390,7 @@ class Tensor(Tensor_):
                 mindspore.int32 and mindspore.int64. Default: mindspore.int64.
 
         Returns:
-            Tensor, the output Tensor with shape :math:`(batch_size, num_samples)`.
+            Tensor, the output Tensor with shape :math:`(batch\_size, num\_samples)`.
 
         Raises:
             TypeError: If `dtype` is not one of the following: mindspore.int16, mindspore.int32, mindspore.int64.

mindspore/python/mindspore/ops/function/array_func.py

@@ -1053,7 +1053,7 @@ def select(cond, x, y):
 
 
 def slice(input_x, begin, size):
-    """
+    r"""
     Slices a tensor in the specified shape.
 
     Slice the tensor `input_x` in shape of `size` and starting at the location specified by `begin`,
@@ -1064,7 +1064,7 @@ def slice(input_x, begin, size):
         `begin` is zero-based and `size` is one-based.
 
     If `size[i]` is -1, all remaining elements in dimension i are included in the slice.
-    This is equivalent to setting :math:`size[i] = input_x.shape(i) - begin[i]`.
+    This is equivalent to setting :math:`size[i] = input\_x.shape(i) - begin[i]`.
 
     Args:
         input_x (Tensor): The target tensor.
@@ -2999,10 +2999,10 @@ def matrix_diag_part(x, k=0, padding_value=0, align="RIGHT_LEFT"):
     Returns:
         A Tensor. Has the same type as `x`.
         Assume `x` has r dimensions :math:`[I, J, ..., L, M, N]`. Let `max_diag_len` be the maximum length among all
-        diagonals to be extracted, :math:`max_diag_len = min(M + min(k[1], 0), N + min(-k[0], 0))`
+        diagonals to be extracted, :math:`max\_diag\_len = min(M + min(k[1], 0), N + min(-k[0], 0))`
-        Let `num_diags` be the number of diagonals to extract, :math:`num_diags = k[1] - k[0] + 1`.
+        Let `num_diags` be the number of diagonals to extract, :math:`num\_diags = k[1] - k[0] + 1`.
-        If :math:`num_diags == 1`, the output tensor is of rank r - 1 with shape :math:`[I, J, ..., L, max_diag_len]`
+        If :math:`num\_diags == 1`, the output tensor is of rank r - 1 with shape :math:`[I, J, ..., L, max\_diag\_len]`
-        Otherwise, the output tensor has rank r with dimensions :math:`[I, J, ..., L, num_diags, max_diag_len]`
+        Otherwise, the output tensor has rank r with dimensions :math:`[I, J, ..., L, num\_diags, max\_diag\_len]`
 
     Raises:
         TypeError: If `x` is not Tensor.

mindspore/python/mindspore/ops/function/random_func.py

@@ -133,14 +133,14 @@ def random_categorical(logits, num_sample, seed=0, dtype=mstype.int64):
     Generates random samples from a given categorical distribution tensor.
 
     Args:
-        logits (Tensor): The input tensor. 2-D Tensor with shape :math:`(batch_size, num_classes)`.
+        logits (Tensor): The input tensor. 2-D Tensor with shape :math:`(batch\_size, num\_classes)`.
         num_sample (int):  Number of sample to be drawn. Only constant values is allowed.
         seed (int):  Random seed. Only constant values is allowed. Default: 0.
         dtype (mindspore.dtype): The type of output. Its value must be one of mindspore.int16,
             mindspore.int32 and mindspore.int64. Default: mindspore.int64.
 
     Returns:
-        Tensor, The output Tensor with shape :math:`(batch_size, num_samples)`.
+        Tensor, The output Tensor with shape :math:`(batch\_size, num\_samples)`.
 
     Raises:
         TypeError: If `dtype` is not one of the following: mindspore.int16, mindspore.int32, mindspore.int64.

mindspore/python/mindspore/ops/operations/array_ops.py

@@ -6842,7 +6842,7 @@ class TensorScatterElements(Primitive):
 
 
 class ExtractVolumePatches(Primitive):
-    """
+    r"""
     Extract patches from input and put them in the "depth" output dimension. 3D extension of extract_image_patches.
 
     Args:
@@ -6875,8 +6875,8 @@ class ExtractVolumePatches(Primitive):
         ValueError: If input_x's shape has zero.
         ValueError: If one of kernel_size or strides' first two numbers is not 1.
         ValueError: If padding = "VALID" and input - kernel_size is less than 0 in d, h or w dimension.
-        ValueError: If padding = "SAME" and :math:`padding_needed = ((input_x + strides - 1) / strides - 1) *
+        ValueError: If padding = "SAME" and :math:`padding\_needed = ((input\_x + strides - 1) / strides - 1) *
-                    strides + kernel_size - input` is less than 0 in d, h or w dimension.
+                    strides + kernel\_size - input` is less than 0 in d, h or w dimension.
         ValueError: If x_h is not 1 or x_w is not 1 and x_w + padding_needed - k_w - s_w is less than 0.
         ValueError: If x_d * x_h * x_w is greater than 2048.