输入参数校准v1

docs/api/api_python/dataset_text/mindspore.dataset.text.JiebaMode.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.JiebaMode
 =================================
 
-.. py:class:: mindspore.dataset.text.JiebaMode(value, names=None, *, module=None, qualname=None, type=None, start=1)
+.. py:class:: mindspore.dataset.text.JiebaMode
 
     :class:`JiebaTokenizer` 的枚举值。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.NormalizeForm.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.NormalizeForm
 =====================================
 
-.. py:class:: mindspore.dataset.text.NormalizeForm(value, names=None, *, module=None, qualname=None, type=None, start=1)
+.. py:class:: mindspore.dataset.text.NormalizeForm
 
     :class:`NormalizeUTF8` 的枚举值。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.SPieceTokenizerLoadType.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.SPieceTokenizerLoadType
 ===============================================
 
-.. py:class:: mindspore.dataset.text.SPieceTokenizerLoadType(value, names=None, *, module=None, qualname=None, type=None, start=1)
+.. py:class:: mindspore.dataset.text.SPieceTokenizerLoadType
 
     :class:`SentencePieceTokenizer` 加载类型的枚举值。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.SPieceTokenizerOutType.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.SPieceTokenizerOutType
 ==============================================
 
-.. py:class:: mindspore.dataset.text.SPieceTokenizerOutType(value, names=None, *, module=None, qualname=None, type=None, start=1)
+.. py:class:: mindspore.dataset.text.SPieceTokenizerOutType
 
     :class:`SentencePieceTokenizer` 输出类型的枚举值。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.SentencePieceModel.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.SentencePieceModel
 ==========================================
 
-.. py:class:: mindspore.dataset.text.SentencePieceModel(value, names=None, *, module=None, qualname=None, type=None, start=1)
+.. py:class:: mindspore.dataset.text.SentencePieceModel
 
     `SentencePiece` 分词方法的枚举类。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.SentencePieceVocab.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.text.SentencePieceVocab
 ==========================================
 
-.. py:class:: mindspore.dataset.text.SentencePieceVocab(cde.SentencePieceVocab)
+.. py:class:: mindspore.dataset.text.SentencePieceVocab
 
     用于执行分词的SentencePiece对象。
 

docs/api/api_python/dataset_text/mindspore.dataset.text.transforms.JiebaTokenizer.rst

@@ -28,7 +28,7 @@ mindspore.dataset.text.transforms.JiebaTokenizer
     - **TypeError** - 参数 `hmm_path` 和 `mp_path` 类型不为string。
     - **TypeError** - 参数 `with_offsets` 类型不为bool。
 
-    .. py:method:: add_word(self, word, freq=None)
+    .. py:method:: add_word(word, freq=None)
 
         将用户定义的词添加到 JiebaTokenizer 的字典中。
 
@@ -37,7 +37,7 @@ mindspore.dataset.text.transforms.JiebaTokenizer
         - **word** (str) - 要添加到 JiebaTokenizer 词典中的单词，注意通过此接口添加的单词不会被写入本地的模型文件中。
         - **freq** (int，可选) - 要添加的单词的频率。频率越高，单词被分词的机会越大。默认值：None，使用默认频率。
 
-    .. py:method:: add_dict(self, user_dict)
+    .. py:method:: add_dict(user_dict)
 
         将用户定义的词添加到 JiebaTokenizer 的字典中。
 

docs/api/api_python/dataset_vision/mindspore.dataset.vision.py_transforms.ToTensor.rst

@@ -1,7 +1,7 @@
 mindspore.dataset.vision.py_transforms.ToTensor
 ===============================================
 
-.. py:class:: mindspore.dataset.vision.py_transforms.ToTensor(output_type=numpy.float32)
+.. py:class:: mindspore.dataset.vision.py_transforms.ToTensor(output_type=np.float32)
 
     将输入的PIL或numpy.ndarray图像转换为指定数据类型的numpy.ndarray图像，此时像素值取值将由[0, 255]变为[0.0, 1.0]，图像的shape将由(H, W, C)变为(C, H, W)。
 

docs/api/api_python/mindrecord/mindspore.mindrecord.FileWriter.rst

@@ -1,5 +1,5 @@
 
-.. py:class:: mindspore.mindrecord.FileWriter(file_name, shard_num=1)
+.. py:class:: mindspore.mindrecord.FileWriter(file_name, shard_num=1, overwrite=False)
 
     将用户自定义的数据转为MindRecord格式数据集的类。
 

docs/api/api_python/mindspore.boost.rst

@@ -162,7 +162,7 @@ Boost能够自动加速网络，如减少BN/梯度冻结/累积梯度等。
 
     - **Valuerror** – Boost的模式不在["auto", "manual", "enable_all", "disable_all"]这个列表中。
 
-    .. py:method:: network_auto_process_train()
+    .. py:method:: network_auto_process_train(network, optimizer)
     
         使用Boost算法训练。
     
@@ -171,7 +171,7 @@ Boost能够自动加速网络，如减少BN/梯度冻结/累积梯度等。
         - network (Cell)，训练网络。
         - optimizer (Union[Cell])，用于更新权重的优化器。
     
-    .. py:method:: network_auto_process_eval()
+    .. py:method:: network_auto_process_eval(network)
     
         使用Boost算法推理。
     

docs/api/api_python/mindspore/mindspore.Tensor.rst

@@ -1,7 +1,7 @@
 mindspore.Tensor
 ================
 
-.. py:class:: mindspore.Tensor(input_data=None, dtype=None, shape=None, init=None)
+.. py:class:: mindspore.Tensor(input_data=None, dtype=None, shape=None, init=None, internal=False)
 
     张量，即存储多维数组（n-dimensional array）的数据结构。
 

docs/api/api_python/nn/mindspore.nn.BatchNorm2d.rst

@@ -1,7 +1,7 @@
 mindspore.nn.BatchNorm2d
 =========================
 
-.. py:class:: mindspore.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.9, affine=True, gamma_init='ones', beta_init='zeros', moving_mean_init='zeros', moving_var_init='ones', use_batch_statistics=None, data_format='NCHW')
+.. py:class:: mindspore.nn.BatchNorm2d(num_features, eps=1e-5, momentum=0.9, affine=True, gamma_init='ones', beta_init='zeros', moving_mean_init='zeros', moving_var_init='ones', use_batch_statistics=None, data_format='NCHW')
 
     对输入的四维数据进行批归一化层(Batch Normalization Layer)。
 

docs/api/api_python/nn/mindspore.nn.ConfusionMatrix.rst

@@ -1,7 +1,7 @@
 mindspore.nn.ConfusionMatrix
 ============================
 
-.. py:class:: mindspore.nn.ConfusionMatrix(num_classes, normalize='no_norm', threshold=0.5)
+.. py:class:: mindspore.nn.ConfusionMatrix(num_classes, normalize='NO_NORM', threshold=0.5)
 
     计算混淆矩阵(confusion matrix)，通常用于评估分类模型的性能，包括二分类和多分类场景。
 

docs/api/api_python/nn/mindspore.nn.Dice.rst

@@ -1,7 +1,7 @@
 mindspore.nn.Dice
 ==================
 
-.. py:class:: mindspore.nn.Dice(smooth=1e-05)
+.. py:class:: mindspore.nn.Dice(smooth=1e-5)
 
     集合相似性度量。
 

docs/api/api_python/nn/mindspore.nn.DiceLoss.rst

@@ -1,7 +1,7 @@
 mindspore.nn.DiceLoss
 ======================
 
-.. py:class:: mindspore.nn.DiceLoss(smooth=1e-05)
+.. py:class:: mindspore.nn.DiceLoss(smooth=1e-5)
 
     Dice系数是一个集合相似性loss,用于计算两个样本之间的相似性。当分割结果最好时，Dice系数的值为1，当分割结果最差时，Dice系数的值为0。
 

docs/api/api_python/nn/mindspore.nn.InstanceNorm2d.rst

@@ -1,7 +1,7 @@
 mindspore.nn.InstanceNorm2d
 ============================
 
-.. py:class:: mindspore.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, gamma_init='ones', beta_init='zeros')
+.. py:class:: mindspore.nn.InstanceNorm2d(num_features, eps=1e-5, momentum=0.1, affine=True, gamma_init='ones', beta_init='zeros')
 
     对四维输入实现实例归一化层（Instance Normalization Layer）。
 

docs/api/api_python/nn/mindspore.nn.LSTMCell.rst

@@ -1,7 +1,7 @@
 mindspore.nn.LSTMCell
 ======================
 
-.. py:class:: mindspore.nn.LSTMCell(input_size, hidden_size, has_bias=True)
+.. py:class:: mindspore.nn.LSTMCell(*args, **kwargs)
 
     长短期记忆网络单元（LSTMCell）。
 

docs/api/api_python/nn/mindspore.nn.LayerNorm.rst

@@ -1,7 +1,7 @@
 mindspore.nn.LayerNorm
 =======================
 
-.. py:class:: mindspore.nn.LayerNorm(normalized_shape, begin_norm_axis=-1, begin_params_axis=-1, gamma_init='ones', beta_init='zeros', epsilon=1e-07)
+.. py:class:: mindspore.nn.LayerNorm(normalized_shape, begin_norm_axis=-1, begin_params_axis=-1, gamma_init='ones', beta_init='zeros', epsilon=1e-7)
 
     在mini-batch输入上应用层归一化（Layer Normalization）。
 

docs/api/api_python/nn/mindspore.nn.OneHot.rst

@@ -1,7 +1,7 @@
 mindspore.nn.OneHot
 ====================
 
-.. py:class:: mindspore.nn.OneHot(axis=-1, depth=1, on_value=1.0, off_value=0.0, dtype=mindspore.float32)
+.. py:class:: mindspore.nn.OneHot(axis=-1, depth=1, on_value=1.0, off_value=0.0, dtype=mstype.float32)
 
     返回一个one-hot类型的Tensor。
 

docs/api/api_python/train/mindspore.train.callback.LossMonitor.rst

@@ -1,4 +1,4 @@
-.. py:class:: mindspore.train.callback.LossMonitor(per_print_times=1)
+.. py:class:: mindspore.train.callback.LossMonitor(per_print_times=1, has_trained_epoch=0)
 
     监控训练的loss。
 

docs/api/api_python/transformer/mindspore.nn.MoEConfig.rst

@@ -1,4 +1,4 @@
-.. py:class:: mindspore.nn.transformer.MoEConfig(expert_num=1, capacity_factor=1.1, aux_loss_factor=0.05, num_experts_chosen=1, noisy_policy=None, noisy_epsilon=1e-2)
+.. py:class:: mindspore.nn.transformer.MoEConfig(expert_num=1, capacity_factor=1.1, aux_loss_factor=0.05, num_experts_chosen=1)
 
     MoE (Mixture of Expert)的配置。
 

docs/api/api_python/transformer/mindspore.nn.TransformerOpParallelConfig.rst

@@ -1,4 +1,4 @@
-.. py:class:: mindspore.nn.transformer.TransformerOpParallelConfig(data_parallel=1, model_parallel=1, pipeline_stage=1, micro_batch_num=1, recompute=False, optimizer_shard=False, gradient_aggregation_group=4, vocab_emb_dp=True)
+.. py:class:: mindspore.nn.transformer.TransformerOpParallelConfig(data_parallel=1, model_parallel=1, expert_parallel=1, pipeline_stage=1, micro_batch_num=1, recompute=default_transformer_recompute_config, optimizer_shard=False, gradient_aggregation_group=4, vocab_emb_dp=True)
 
     用于设置数据并行、模型并行等等并行配置的TransformerOpParallelConfig。
 

docs/api/api_python/transformer/mindspore.nn.TransformerRecomputeConfig.rst

@@ -1,5 +1,4 @@
-.. py:class:: mindspore.nn.transformer.TransformerRecomputeConfig(recompute=False, parallel_optimizer_comm_recompute=False,
+.. py:class:: mindspore.nn.transformer.TransformerRecomputeConfig(recompute=False, parallel_optimizer_comm_recompute=False, mp_comm_recompute=True, recompute_slice_activation=False)
-                                                                  mp_comm_recompute=True, recompute_slice_activation=False)
 
     Transformer的重计算配置接口。