!41564 modify format

Merge pull request !41564 from 俞涵/code_docs_r180727

docs/api/api_python/amp/mindspore.amp.LossScaleManager.rst

@@ -19,7 +19,7 @@ mindspore.amp.LossScaleManager
 
     .. py:method:: update_loss_scale(overflow)
 
-        根据 `overflow` 状态更新梯度放大系数（loss scale)。
+        根据 `overflow` 状态更新梯度放大系数（loss scale）。
 
         **参数：**
 

docs/api/api_python/dataset/mindspore.dataset.InMemoryGraphDataset.rst

@@ -7,7 +7,7 @@
 
     建议通过继承这个基类来实现自定义Dataset，并重写相应的方法，如 `process` 、 `save` 和 `load` ，可参考 `ArgoverseDataset` 源码。自定义Dataset的初始化过程如下，首先检查在给定的 `data_dir` 中是否已经有处理好的数据，如果是则调用 `load` 方法直接加载它，否则将调用 `process` 方法创建图，并调用 `save` 方法将图保存到 `save_dir`。
 
-    可以访问所创建dataset中的图并使用，例如 `graphs = my_dataset.graphs`，也可以迭代dataset对象如 `my_dataset.create_tuple_iterator()` 来获取数据（这时需要实现 `__getitem__` 和 `__len__`)方法，具体请参考以下示例。注意：内部逻辑指定了 `__new__` 阶段会重新初始化 `__init__` ，如果自定义图实现了 `__new__` 方法，该方法将失效。
+    可以访问所创建dataset中的图并使用，例如 `graphs = my_dataset.graphs`，也可以迭代dataset对象如 `my_dataset.create_tuple_iterator()` 来获取数据（这时需要实现 `__getitem__` 和 `__len__`）方法，具体请参考以下示例。注意：内部逻辑指定了 `__new__` 阶段会重新初始化 `__init__` ，如果自定义图实现了 `__new__` 方法，该方法将失效。
 
     **参数：**
 

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

@@ -915,7 +915,7 @@ mindspore.Tensor
         - **TypeError** - `axis` 是tuple或者list但其元素不是int。
         - **TypeError** - `keep_dims` 不是bool。
         - **TypeError** - `epsilon` 不是float。
-        - **ValueError** - `axis` 的元素超出范围 `[-len(input_x.shape, len(input_x.shape)]` ，其中 `input_x` 指当前Tensor。
+        - **ValueError** - `axis` 的元素超出范围 `(-len(input_x.shape), len(input_x.shape))` ，其中 `input_x` 指当前Tensor。
         - **ValueError** - `axis` 的维度rank大于当前Tensor的维度rank。
 
     .. py:method:: masked_fill(mask, value)

docs/api/api_python/mindspore/mindspore.export.rst

@@ -12,7 +12,7 @@ mindspore.export
     **参数：**
 
     - **net** (Cell) – MindSpore网络结构。
-    - **inputs** (Union[Tensor, Dasaset, List, Tuple, Number, Bool) – 网络的输入，如果网络有多个输入，需要一同传入。当传入的类型为 `Dataset` 时，将会把数据预处理行为同步保存起来。需要手动调整batch的大小，当前仅支持获取 `Dataset` 的 `image` 列。
+    - **inputs** (Union[Tensor, Dasaset, List, Tuple, Number, Bool]) – 网络的输入，如果网络有多个输入，需要一同传入。当传入的类型为 `Dataset` 时，将会把数据预处理行为同步保存起来。需要手动调整batch的大小，当前仅支持获取 `Dataset` 的 `image` 列。
     - **file_name** (str) – 导出模型的文件名称。
     - **file_format** (str) – MindSpore目前支持导出"AIR"，"ONNX"和"MINDIR"格式的模型。
 

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

@@ -11,7 +11,7 @@ mindspore.nn.SSIM
         l(x,y)&=\frac{2\mu_x\mu_y+C_1}{\mu_x^2+\mu_y^2+C_1}, C_1=(K_1L)^2.\\
         c(x,y)&=\frac{2\sigma_x\sigma_y+C_2}{\sigma_x^2+\sigma_y^2+C_2}, C_2=(K_2L)^2.\\
         s(x,y)&=\frac{\sigma_{xy}+C_3}{\sigma_x\sigma_y+C_3}, C_3=C_2/2.\\
-        SSIM(x,y)&=l*c*s\\&=\frac{(2\mu_x\mu_y+C_1)(2\sigma_{xy}+C_2}{(\mu_x^2+\mu_y^2+C_1)(\sigma_x^2+\sigma_y^2+C_2)}.
+        SSIM(x,y)&=l*c*s\\&=\frac{(2\mu_x\mu_y+C_1)(2\sigma_{xy}+C_2)}{(\mu_x^2+\mu_y^2+C_1)(\sigma_x^2+\sigma_y^2+C_2)}.
 
     **参数：**
 

docs/api/api_python/nn_probability/mindspore.nn.probability.bijector.Invert.rst

@@ -4,7 +4,7 @@ mindspore.nn.probability.bijector.Invert
 .. py:class:: mindspore.nn.probability.bijector.Invert(bijector, name='')
 
     逆映射Bijector（Invert Bijector）。
-    计算输入Bijector的逆映射。如果正向映射（下面的 `bijector` 输入)对应的映射函数为 :math:`Y = g(X)` ，那么对应的逆映射Bijector的映射函数为 :math:`Y = h(X) = g^{-1}(X)` 。
+    计算输入Bijector的逆映射。如果正向映射（下面的 `bijector` 输入）对应的映射函数为 :math:`Y = g(X)` ，那么对应的逆映射Bijector的映射函数为 :math:`Y = h(X) = g^{-1}(X)` 。
 
     **参数：**
 

docs/api/api_python/nn_probability/mindspore.nn.probability.distribution.Poisson.rst

@@ -9,7 +9,7 @@ mindspore.nn.probability.distribution.Poisson
     .. math::
         P(X = k) = \lambda^k \exp(-\lambda) / k!, k = 1, 2, ...
 
-    其中 :math:`\lambda` 为率参数（rate)。
+    其中 :math:`\lambda` 为率参数(rate)。
 
     **参数：**
 

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

@@ -20,7 +20,7 @@ mindspore.ops.BatchNorm
 
     - **is_training** (bool) - 如果 `is_training` 为True，则在训练期间计算 `mean` 和 `variance`。如果 `is_training` 为False，则在推理期间从checkpoint加载。默认值：False。
     - **epsilon** (float) - 添加到分母上的值，以确保数值稳定性。默认值：1e-5。
-    - **momentum** (float) - 动态均值和动态方差所使用的动量。（例如 :math:`new\_running\_mean = (1 - momentum) * running\_mean + momentum * current\_mean`)。动量值必须为[0, 1]。默认值：0.1。
+    - **momentum** (float) - 动态均值和动态方差所使用的动量。（例如 :math:`new\_running\_mean = (1 - momentum) * running\_mean + momentum * current\_mean`）。动量值必须为[0, 1]。默认值：0.1。
     - **data_format** (str) - 输入数据格式，可选值有：'NHWC'或'NCHW'。默认值：'NCHW'。
 
     **输入：**

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

@@ -11,7 +11,7 @@ mindspore.ops.Custom
         这是一个实验性接口，后续可能删除或修改。
 
     .. note::
-        不同自定义算子的函数类型（func_type)支持的平台类型不同。每种类型支持的平台如下：
+        不同自定义算子的函数类型（func_type）支持的平台类型不同。每种类型支持的平台如下：
 
         - "hybrid": ["Ascend", "GPU", "CPU"].
         - "akg": ["Ascend", "GPU", "CPU"].

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

@@ -14,7 +14,7 @@ mindspore.ops.LayerNorm
 
     **参数：**
 
-    - **begin_norm_axis** (int) - 指定 `input_x` 需进行层归一化的起始维度，其值必须在[-1, rank(input)范围内。默认值：1。
+    - **begin_norm_axis** (int) - 指定 `input_x` 需进行层归一化的起始维度，其值必须在[-1, rank(input))范围内。默认值：1。
     - **begin_params_axis** (int) - 指定输入参数(`gamma`, `beta`) 需进行层归一化的开始轴，其值必须在[-1, rank(input))范围内。默认值：1。
     - **epsilon** (float) - 添加到分母中的值，以确保数据稳定性。默认值：1e-7。
 

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

@@ -23,7 +23,7 @@ mindspore.ops.MirrorPad
     - 如果设置 `mode` 为"REFLECT"，将使用对称轴对称复制的方式来进行填充。
       如果 `input_x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1], [2,2]]，则输出为[[6,5,4,5,6,5,4]，[3,2,1,2,3,2,1]，[6,5,4,5,6,5,4]，[9,8,7,8,9,8,7]，[6,5,4,5,6,5,4]]。
       更直观的理解请参见下面的样例。
-    - 如果 `mode` 为"SYMMETRIC"，则填充方法类似于"REFLECT"。它也会根据对称轴复制，但是也包括对称轴。如果 `input_x` 为[[1,2,3],[4,5,6],[7,8,9]]]， `paddings` 为[[1,1], [2,2]]，则输出为[[2,1,1,2,3,3,2]，[2,1,1,2,3,3,2]，[5,4,4,5,6,6,5]，[8,7,7,8,9,9,8]，[8,7,7,8,9,9,8]]。
+    - 如果 `mode` 为"SYMMETRIC"，则填充方法类似于"REFLECT"。它也会根据对称轴复制，但是也包括对称轴。如果 `input_x` 为[[1,2,3],[4,5,6],[7,8,9]]， `paddings` 为[[1,1], [2,2]]，则输出为[[2,1,1,2,3,3,2]，[2,1,1,2,3,3,2]，[5,4,4,5,6,6,5]，[8,7,7,8,9,9,8]，[8,7,7,8,9,9,8]]。
       更直观的理解请参见下面的样例。
 
     **异常：**

docs/api/api_python/ops/mindspore.ops.ReverseV2.rst

@@ -10,7 +10,7 @@ mindspore.ops.ReverseV2
 
     **参数：**
 
-    - **axis** (Union[tuple(int), list(int)) - 指定反转的轴。
+    - **axis** (Union[tuple(int), list(int)]) - 指定反转的轴。
 
     **输入：**
 

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

@@ -23,7 +23,7 @@ mindspore.ops.SpaceToDepth
 
     **输出：**
 
-    4维Tensor，数据类型与 `x` 相同，shape： :math:`(N,(C_{in} * \text{block_size} * 2), H_{in} / \text{block_size}, W_{in} / \text{block_size}` 。
+    4维Tensor，数据类型与 `x` 相同，shape： :math:`(N,(C_{in} * \text{block_size} * 2), H_{in} / \text{block_size}, W_{in} / \text{block_size})` 。
 
     **异常：**
 

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

@@ -9,7 +9,7 @@
 
     给定一个 `input_x[m1, m2, ...、mn]` 。 `begin` 、 `end` 和 `strides` 是长度为n的向量。
 
-    在每个掩码字段中（`begin_mask`、`end_mask`、`ellipsis_mask`、`new_axis_mask`、`shrink_axis_mask`)，第i位将对应于第i个m。
+    在每个掩码字段中（`begin_mask`、`end_mask`、`ellipsis_mask`、`new_axis_mask`、`shrink_axis_mask`），第i位将对应于第i个m。
 
     对每个特定的mask，内部先将各mask转化为二进制表示， 然后倒序排布后进行计算。比如说对于一个5*6*7的Tensor，mask设置为3， 3转化为二进制表示为ob011， 倒序后为ob110， 
 

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

@@ -29,5 +29,5 @@ mindspore.ops.norm
     - **TypeError** - `axis` 是tuple或者list但其元素不是int。
     - **TypeError** - `keep_dims` 不是bool。
     - **TypeError** - `epsilon` 不是float。
-    - **ValueError** - `axis` 的元素超出范围 `[-len(input_x.shape, len(input_x.shape)]` ，其中 `input_x` 指当前Tensor 。
+    - **ValueError** - `axis` 的元素超出范围 `(-len(input_x.shape), len(input_x.shape))` ，其中 `input_x` 指当前Tensor 。
     - **ValueError** - `axis` 的维度rank大于当前Tensor的维度rank。

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

@@ -9,7 +9,7 @@
 
     两个输入中选定的维度必须相互匹配。
 
-    axes = 0为外积。axes = 1为普通矩阵乘法（输入是2维的）。axes = 1与axes = ((1,),(0,)相同，其中 `a` 和 `b` 都是2维的。axes = 2与axes = ((1,2),(0,1))相同，其中 `a` 和 `b` 都是3维的。
+    axes = 0为外积。axes = 1为普通矩阵乘法（输入是2维的）。axes = 1与axes = ((1,),(0,))相同，其中 `a` 和 `b` 都是2维的。axes = 2与axes = ((1,2),(0,1))相同，其中 `a` 和 `b` 都是3维的。
 
     **参数：**
 

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

@@ -4,7 +4,7 @@
     第一个线性层的权重将在输入维度上被分片，第二个线性层在输出维度上进行切分。总体过程如下
 
     .. math::
-        Dropout((xW_1+b_1)W_2 + b_2))
+        Dropout((xW_1+b_1)W_2 + b_2)
 
     其中 :math:`W_1, W_2, b_1` 和 :math:`b_2` 为可训练参数。
 

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

@@ -26,7 +26,7 @@
     **输入：**
 
     - **hidden_states** (Tensor) - Tensor。如果use_past为False或者is_first_iteration为True，shape为[batch_size, seq_length, hidden_size]或者[batch_size * seq_length, hidden_size]。否则，shape应为[batch_size, 1, hidden_size]。
-    - **attention_mask** (Tensor) - Tensor，表示shape为[[batch_size, seq_length, seq_length]的注意力掩码。
+    - **attention_mask** (Tensor) - Tensor，表示shape为[batch_size, seq_length, seq_length]的注意力掩码。
     - **init_reset** (Tensor) - shape为[1]的bool tensor，用于清除增量预测中使用的past key参数和past value参数。仅当use_past为True时有效。默认值为True。
     - **batch_valid_length** (Tensor) - shape为[batch_size]的Int32 tensor，表示过去所计算的索引。当use_past为True时，它用于增量预测。默认值为None。