add pynative ForwardValueAndGrad api doc

docs/api/api_python/mindspore.nn/mindspore.nn.ForwardValueAndGrad.txt

@@ -0,0 +1,61 @@
+Class mindspore.nn.ForwardValueAndGrad(network, weights=None, get_all=False, get_by_list=False, sens_param=False)
+
+    网络训练包类。
+
+    包括正向网络和梯度函数。该类生成的Cell使用'\*inputs'输入来训练。
+    通过梯度函数来创建反向图，用以计算梯度。
+
+    参数：
+        network (Cell)：训练网络。
+        weights (ParameterTuple)：训练网络中需要计算梯度的的参数。
+        get_all (bool)：如果为True，则计算网络输入对应的梯度。默认值：False。
+        get_by_list (bool)：如果为True，则计算参数变量对应的梯度。
+            如果get_all和get_by_list都为False，则计算第一个输入对应的梯度。
+            如果get_all和get_by_list都为True，则以（（输入的梯度）,（参数的梯度））的形式同时获取输入和参数变量的梯度。
+            
+            默认值：False。
+        sens_param (bool)：是否将sens作为输入。
+            如果sens_param为False，则sens默认为'ones_like(outputs)'。
+            默认值：False。
+            如果sens_param为True，则需要指定sens的值。
+            
+
+    输入：
+        - **(\*inputs)** (Tuple(Tensor...))：shape为:math:`(N, \ldots)`的输入tuple。
+        - **(sens)**：反向传播梯度的缩放值。
+          如果网络有单个输出，则sens是tensor。
+          如果网络有多个输出，则sens是tuple(tensor)。
+
+    输出：
+        - **forward value**：网络运行的正向结果。
+        - **gradients** (tuple(tensor))：网络反向传播的梯度。
+
+    支持平台：
+        ``Ascend`` ``GPU`` ``CPU``
+
+    示例：
+        >>> class Net(nn.Cell):
+        ...    def __init__(self)：
+        ...        super(Net, self).__init__()
+        ...        self.weight = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="weight")
+        ...        self.matmul = P.MatMul()
+        ...
+        ...    def construct(self, x)：
+        ...        out = self.matmul(x, self.weight)
+        ...        return out
+        ...
+        >>> net = Net()
+        >>> criterion = nn.SoftmaxCrossEntropyWithLogits()
+        >>> net_with_criterion = nn.WithLossCell(net, criterion)
+        >>> weight = ParameterTuple(net.trainable_params())
+        >>> train_network = nn.ForwardValueAndGrad(net_with_criterion, weights=weight, get_all=True, get_by_list=True)
+        >>> inputs = Tensor(np.ones([1, 2]).astype(np.float32))
+        >>> labels = Tensor(np.zeros([1, 2]).astype(np.float32))
+        >>> result = train_network(inputs, labels)
+        >>> print(result)
+        (Tensor(shape=[1], dtype=Float32, value=[0.00000000e+00]), ((Tensor(shape=[1, 2], dtype=Float32, value=
+        [[1.00000000e+00, 1.00000000e+00]]), Tensor(shape=[1, 2], dtype=Float32, value=
+        [[0.00000000e+00, 0.00000000e+00]])), (Tensor(shape=[2, 2], dtype=Float32, value=
+        [[5.00000000e-01, 5.00000000e-01],
+         [5.00000000e-01, 5.00000000e-01]]),)))
+