!42405 add api cn docs

Merge pull request !42405 from 李林杰/code_docs_0920_add_cn_docs_master

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

@@ -0,0 +1,49 @@
+mindspore.ops.AdamWeightDecay
+=============================
+
+.. py:class:: mindspore.ops.AdamWeightDecay(use_locking=False)
+
+    通过具有权重衰减的自适应矩估计算法（AdamWeightDecay）更新梯度。
+    Adam算法在 `Adam：随机优化方法 <https://arxiv.org/abs/1412.6980>`_ 中提出。
+
+    AdamWeightDecay是Adam算法的变体，在 `解耦权重衰变正则化 <https://arxiv.org/abs/1711.05101>`_ 中提出的。
+
+    更新公式如下：
+
+    .. math::
+        \begin{array}{ll} \\
+            m = \beta_1 * m + (1 - \beta_1) * g \\
+            v = \beta_2 * v + (1 - \beta_2) * g * g \\
+            update = \frac{m}{\sqrt{v} + \epsilon} \\
+            update =
+            \begin{cases}
+                update + weight\_decay * w
+                    & \text{ if } weight\_decay > 0 \\
+                update
+                    & \text{ otherwise }
+            \end{cases} \\
+            w  = w - lr * update
+        \end{array}
+
+    :math:`m` 代表第一个矩向量，:math:`v` 代表第二个矩向量，:math:`g` 代表 `gradient` ，:math:`\beta_1，\beta_2` 代表 `beta1` 和 `beta2` ，:math:`lr` 代表 `learning_rate` ，:math:`w` 代表 `var` ，:math:`decay` 代表 `weight_decay` ， :math:`\epsilon` 代表 `epsilon` 。
+
+    参数：
+        - **use_locking** (bool) - 是否对参数更新加锁保护。如果为True，则 `var` 、 `m` 和 `v` 张量的更新将受到锁的保护。如果为False，则结果不可预测。默认值：False。
+
+    输入：
+        - **var** (Parameter) - 需要更新的权重。shape为 :math:`(N,*)` 其中 :math:`*` 表示任何数量的附加维度，数据类型可以是float16或float32。
+        - **m** (Parameter) - 更新公式中的第一个动量矩阵，它的shape应该和 `var` 一致，数据类型可以是float16或float32。
+        - **v** (Parameter) - 更新公式中的第二个动量矩阵，shape和数据类型与 `m` 相同。
+        - **lr** (float) - 更新公式中的 :math:`l` 。其论文建议值为 :math:`10^{-8}` ，数据类型应为float32。
+        - **beta1** (float) - 第一个动量矩阵的指数衰减率，数据类型应为float32。论文建议的值是 :math:`0.9` 。
+        - **beta2** (float) - 第二个动量矩阵的指数衰减率，数据类型应为float32。论文建议的值是 :math:`0.999` 。
+        - **epsilon** (float) - 添加到分母中的值，以提高数值稳定性，数据类型应为float32。
+        - **decay** (float) - 权重衰减值，必须是具有float32数据类型的标量张量。默认值：0.0。
+        - **gradient** (Tensor) - 梯度，shape和数据类型与 `var` 相同。
+
+    输出：
+        3个张量的Tuple，为更新后的参数。
+
+        - **var** (Tensor) - 具有与 `var` 相同的shape和数据类型。
+        - **m** (Tensor) - 具有与 `m` 相同的shape和数据类型。
+        - **v** (Tensor) - 具有与 `v` 相同的shape和数据类型。

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

@@ -0,0 +1,27 @@
+mindspore.ops.logical_and
+==========================
+
+.. py:function:: mindspore.ops.logical_and(x, y)
+
+    逐元素计算两个Tensor的逻辑与运算。
+    `x` 和 `y` 的输入遵循隐式类型转换规则，使数据类型一致。
+    输入必须是两个Tensor或一个Tensor和一个bool。
+    当输入是两个Tensor时，它们的shape可以广播，数据类型必须都是bool。
+    当输入是一个Tensor和一个bool时，bool对象只能是一个常量，Tensor的数据类型必须是bool。
+
+    .. math::
+        out_{i} = x_{i} \wedge y_{i}
+
+    .. note::
+        logical_and支持广播。
+
+    参数：
+        - **x** (Union[Tensor, bool]) - 第一个输入是bool或数据类型为bool的Tensor。
+        - **y** (Union[Tensor, bool]) - 当第一个输入是Tensor的时候，第二个输入是bool或者数据类型为bool的Tensor。
+
+
+    返回：
+        Tensor，形状与广播后的shape相同，数据类型为bool。
+
+    异常：
+        - **TypeError** - 如果 `x` 和 `y` 都不是Tensor。

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

@@ -0,0 +1,26 @@
+mindspore.ops.logical_or
+==============================
+
+.. py:function:: mindspore.ops.logical_or(x, y)
+
+    逐元素计算两个Tensor的逻辑或运算。
+    `x` 和 `y` 的输入遵循隐式类型转换规则，使数据类型一致。
+    输入必须是两个Tensor或一个Tensor和一个bool。
+    当输入是两个Tensor时，它们的shape可以广播，数据类型必须是bool。
+    当输入是一个Tensor和一个bool时，bool对象只能是一个常量，Tensor的数据类型必须是bool。
+
+    .. math::
+        out_{i} = x_{i} \vee y_{i}
+
+    .. note::
+        logical_or支持广播。
+   
+    参数：
+        - **x** (Union[Tensor, bool]) - 第一个输入是bool或数据类型为bool的Tensor。
+        - **y** (Union[Tensor, bool]) - 当第一个输入是Tensor的时候，第二个输入是bool或者数据类型为bool的Tensor。
+
+    返回：
+        Tensor，形状与广播后的shape相同，数据类型为bool。
+ 
+    异常：
+        - **TypeError** - 如果 `x` 和 `y` 都不是Tensor。