!42643 modify api format in documents

Merge pull request !42643 from lvmingfu/code_docs_master0922

docs/api/api_python/mindspore.numpy.rst

@@ -548,7 +548,7 @@ mindspore.numpy能够充分利用MindSpore的强大功能，实现算子的自
 
 - `ms_function`: 将代码包裹进图模式，用于提高代码运行效率。
 - `GradOperation`: 用于自动求导。
-- `mindspore.context`: 用于设置运行模式和后端设备等。
+- `mindspore.set_context`: 用于设置运行模式和后端设备等。
 - `mindspore.nn.Cell`: 用于建立深度学习模型。
 
 使用示例如下：
@@ -630,7 +630,7 @@ mindspore.numpy能够充分利用MindSpore的强大功能，实现算子的自
         ...
        Tensor(shape=[4], dtype=Float32, value= [ 2.00000000e+00,  2.00000000e+00,  2.00000000e+00,  2.00000000e+00]))
 
-  如果要对 `ms_function` 修饰的 `forward` 计算求导，需要提前使用 `context` 设置运算模式为图模式，示例如下：
+  如果要对 `ms_function` 修饰的 `forward` 计算求导，需要提前使用 `set_context` 设置运算模式为图模式，示例如下：
 
   .. code-block:: python
 
@@ -657,9 +657,9 @@ mindspore.numpy能够充分利用MindSpore的强大功能，实现算子的自
 
   更多细节可参考 `API GradOperation <https://www.mindspore.cn/docs/zh-CN/master/api_python/ops/mindspore.ops.GradOperation.html>`_ 。
 
-- mindspore.context使用示例
+- mindspore.set_context使用示例
 
-  MindSpore支持多后端运算，可以通过 `mindspore.context` 进行设置。`mindspore.numpy` 的多数算子可以使用图模式或者PyNative模式运行，也可以运行在CPU，CPU或者Ascend等多种后端设备上。
+  MindSpore支持多后端运算，可以通过 `mindspore.set_context` 进行设置。`mindspore.numpy` 的多数算子可以使用图模式或者PyNative模式运行，也可以运行在CPU，CPU或者Ascend等多种后端设备上。
 
   .. code-block:: python
 

docs/api/api_python/mindspore/mindspore.Parameter.rst

@@ -15,7 +15,7 @@
         - **name** (str) - 参数的名称。默认值：None。如果一个网络中存在两个及以上相同名称的 `Parameter` 对象，在定义时将提示设置一个特有的名称。
         - **requires_grad** (bool) - 是否需要微分求梯度。默认值：True。
         - **layerwise_parallel** (bool) - 在数据/混合并行模式下，`layerwise_parallel` 配置为True时，参数广播和梯度聚合时会过滤掉该参数。默认值：False。
-        - **parallel_optimizer** (bool) - 用于在 `semi_auto_parallel` 或 `auto_parallel` 并行模式下区分参数是否进行优化器切分。仅在 `mindspore.context.set_auto_parallel_context()` 并行配置模块中设置 `enable_parallel_optimizer` 启用优化器并行时有效。默认值：True。
+        - **parallel_optimizer** (bool) - 用于在 `semi_auto_parallel` 或 `auto_parallel` 并行模式下区分参数是否进行优化器切分。仅在 `mindspore.set_auto_parallel_context()` 并行配置模块中设置 `enable_parallel_optimizer` 启用优化器并行时有效。默认值：True。
 
     .. py:method:: cache_enable
         :property:
@@ -102,7 +102,7 @@
 
         获取此参数的优化器并行状态（bool）。
 
-        用于在 `AUTO_PARALLEL` 和 `SEMI_AUTO_PARALLEL` 模式下过滤权重切分操作。当在 `mindspore.context.set_auto_parallel_context()` 中启用优化器并行时，它才有效。
+        用于在 `AUTO_PARALLEL` 和 `SEMI_AUTO_PARALLEL` 模式下过滤权重切分操作。当在 `mindspore.set_auto_parallel_context()` 中启用优化器并行时，它才有效。
 
     .. py:method:: parallel_optimizer_comm_recompute
         :property:

docs/api/api_python/mindspore/mindspore.set_context.rst

@@ -86,7 +86,7 @@ mindspore.set_context
         - **enable_dump** (bool) - 此参数已弃用，将在下一版本中删除。
         - **save_dump_path** (str) - 此参数已弃用，将在下一版本中删除。
         - **print_file_path** (str) - 该路径用于保存打印数据。使用时 :class:`mindspore.ops.Print` 可以打印输入的张量或字符串信息，使用方法 :func:`mindspore.parse_print` 解析保存的文件。如果设置了此参数，打印数据保存到文件，未设置将显示到屏幕。如果保存的文件已经存在，则将添加时间戳后缀到文件中。将数据保存到文件解决了屏幕打印中的数据丢失问题，如果未设置，将报告错误:"prompt to set the upper absolute path"。
-        - **env_config_path** (str) - 通过 `context.set_context(env_config_path="./mindspore_config.json")` 来设置MindSpore环境配置文件路径。
+        - **env_config_path** (str) - 通过 `mindspore.set_context(env_config_path="./mindspore_config.json")` 来设置MindSpore环境配置文件路径。
 
           配置Running Data Recorder：
 
@@ -109,7 +109,7 @@ mindspore.set_context
         - **pynative_synchronize** (bool) - 表示是否在PyNative模式下启动设备同步执行。默认值：False。设置为False时，将在设备上异步执行算子。当算子执行出错时，将无法定位特定错误脚本代码的位置。当设置为True时，将在设备上同步执行算子。这将降低程序的执行性能。此时，当算子执行出错时，可以根据错误的调用栈来定位错误脚本代码的位置。
         - **mode** (int) - 表示在GRAPH_MODE(0)或PYNATIVE_MODE(1)模式中的运行。默认值：GRAPH_MODE(0)。GRAPH_MODE或PYNATIVE_MODE可以通过 `mode` 属性设置，两种模式都支持所有后端。默认模式为GRAPH_MODE。
         - **enable_graph_kernel** (bool) - 表示开启图算融合去优化网络执行性能。默认值：False。如果 `enable_graph_kernel` 设置为True，则可以启用加速。有关图算融合的详细信息，请查看 `使能图算融合 <https://www.mindspore.cn/docs/zh-CN/master/design/graph_fusion_engine.html>`_ 。
-        - **graph_kernel_flags** (str) - 图算融合的优化选项，当与enable_graph_kernel冲突时，它的优先级更高。其仅适用于有经验的用户。例如，context.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text")。一些常用选项：
+        - **graph_kernel_flags** (str) - 图算融合的优化选项，当与enable_graph_kernel冲突时，它的优先级更高。其仅适用于有经验的用户。例如，mindspore.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text")。一些常用选项：
 
           - **opt_level**：设置优化级别。默认值：2。当opt_level的值大于0时，启动图算融合。可选值包括：
 

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

@@ -5,7 +5,7 @@ mindspore.ops.print\_
 
     将输入数据进行打印输出。
 
-    默认打印在屏幕上。也可以保存在文件中，通过 `context` 设置 `print_file_path` 参数。一旦设置，输出将保存在指定文件中。通过函数 :func:`mindspore.parse_print` 可以重新加载数据。获取更多信息，请查看 :func:`mindspore.context.set_context` 和 :func:`mindspore.parse_print` 。
+    默认打印在屏幕上。也可以保存在文件中，通过 `context` 设置 `print_file_path` 参数。一旦设置，输出将保存在指定文件中。通过函数 :func:`mindspore.parse_print` 可以重新加载数据。获取更多信息，请查看 :func:`mindspore.set_context` 和 :func:`mindspore.parse_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。

docs/api/api_python_en/mindspore.numpy.rst

@@ -553,7 +553,7 @@ Since `mindspore.numpy` directly wraps MindSpore tensors and operators, it has a
 
 - `ms_function`: for running codes in static graph mode for better efficiency.
 - `GradOperation`: for automatic gradient computation.
-- `mindspore.context`: for `mindspore.numpy` execution management.
+- `mindspore.set_context`: for `mindspore.numpy` execution management.
 - `mindspore.nn.Cell`: for using `mindspore.numpy` interfaces in MindSpore Deep Learning Models.
 
 The following are examples:
@@ -663,9 +663,9 @@ The following are examples:
 
   For more details, see `API GradOperation <https://www.mindspore.cn/docs/en/master/api_python/ops/mindspore.ops.GradOperation.html>`_ .
 
-- Use mindspore.context to control execution mode
+- Use mindspore.set_context to control execution mode
 
-  Most functions in `mindspore.numpy` can run in Graph Mode and PyNative Mode, and can run on CPU, GPU and Ascend. Like MindSpore, users can manage the execution mode using `mindspore.context`：
+  Most functions in `mindspore.numpy` can run in Graph Mode and PyNative Mode, and can run on CPU, GPU and Ascend. Like MindSpore, users can manage the execution mode using `mindspore.set_context`：
 
   .. code-block:: python
 

mindspore/python/mindspore/common/parameter.py

@@ -145,7 +145,7 @@ class Parameter(Tensor_):
         layerwise_parallel (bool): When layerwise_parallel is true in data/hybrid parallel mode,
             broadcast and gradients communication would not be applied to parameters. Default: False.
         parallel_optimizer (bool): It is used to filter the weight shard operation in semi auto or auto parallel
-            mode. It works only when enable parallel optimizer in `mindspore.context.set_auto_parallel_context()`.
+            mode. It works only when enable parallel optimizer in `mindspore.set_auto_parallel_context()`.
             Default: True.
 
     Examples:
@@ -509,7 +509,7 @@ class Parameter(Tensor_):
         Get the optimizer parallel status(bool) of the parameter.
 
         It is used to filter the weight shard operation in `AUTO_PARALLEL` and `SEMI_AUTO_PARALLEL` mode. It works only
-        when enable parallel optimizer in `mindspore.context.set_auto_parallel_context()`.
+        when enable parallel optimizer in `mindspore.set_auto_parallel_context()`.
         """
         return self.param_info.parallel_optimizer
 

mindspore/python/mindspore/common/tensor.py

@@ -4760,8 +4760,8 @@ class Tensor(Tensor_):
 
         Examples:
             >>> import numpy as np
-            >>> from mindspore import Tensor, context
-            >>> context.set_context(device_target="CPU")
+            >>> from mindspore import Tensor, set_context
+            >>> set_context(device_target="CPU")
             >>> a = Tensor(np.array([[1, 2], [-4, -5], [2, 1]]).astype(np.float32))
             >>> s, u, v = a.svd(full_matrices=True, compute_uv=True)
             >>> print(s)

mindspore/python/mindspore/context.py

@@ -463,7 +463,7 @@ def set_auto_parallel_context(**kwargs):
     Note:
         Attribute name is required for setting attributes.
         If a program has tasks on different parallel modes, before setting a new parallel mode for the
-        next task, interface mindspore.context.reset_auto_parallel_context() should be called to reset
+        next task, interface mindspore.reset_auto_parallel_context() should be called to reset
         the configuration.
         Setting or changing parallel modes must be called before creating any Initializer, otherwise,
         it may have RuntimeError when compiling the network.
@@ -549,7 +549,7 @@ def set_auto_parallel_context(**kwargs):
                         configure. The configure provides more detailed behavior control about parallel training
                         when parallel optimizer is enabled. Currently it supports the key `gradient_accumulation_shard`.
                         The configure will be effective when we use
-                        context.set_auto_parallel_context(enable_parallel_optimizer=True).
+                        mindspore.set_auto_parallel_context(enable_parallel_optimizer=True).
                         It supports the following keys.
 
                         - gradient_accumulation_shard(bool): If true, the accumulation gradient parameters will be
@@ -796,7 +796,7 @@ def set_context(**kwargs):
             solves the problem of data loss in screen printing when a large amount of data is generated.
             If it is not set, an error will be reported: prompt to set the upper absolute path.
         env_config_path (str): Config path for DFX.
-            Through context.set_context(env_config_path="./mindspore_config.json")
+            Through mindspore.set_context(env_config_path="./mindspore_config.json")
 
             configure RDR:
 
@@ -843,7 +843,7 @@ def set_context(**kwargs):
         graph_kernel_flags (str):
             Optimization options of graph kernel fusion, and the priority is higher when it conflicts
             with enable_graph_kernel. Only for experienced users.
-            For example, context.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text"). Some general options:
+            For example, mindspore.set_context(graph_kernel_flags="--opt_level=2 --dump_as_text"). Some general options:
 
             - opt_level: Set the optimization level.
               Default: 2. Graph kernel fusion can be enabled equivalently by setting opt_level greater than 0.

mindspore/python/mindspore/ops/function/linalg_func.py

@@ -54,9 +54,9 @@ def svd(a, full_matrices=False, compute_uv=True):
 
     Examples:
         >>> import numpy as np
-        >>> from mindspore import Tensor, context
+        >>> from mindspore import Tensor, set_context
         >>> from mindspore import ops
-        >>> context.set_context(device_target="CPU")
+        >>> set_context(device_target="CPU")
         >>> a = Tensor(np.array([[1, 2], [-4, -5], [2, 1]]).astype(np.float32))
         >>> s, u, v = ops.svd(a, full_matrices=True, compute_uv=True)
         >>> print(s)

mindspore/python/mindspore/ops/operations/linalg_ops.py

@@ -95,9 +95,9 @@ class Svd(Primitive):
 
     Examples:
         >>> import numpy as np
-        >>> from mindspore import Tensor, context
+        >>> from mindspore import Tensor, set_context
         >>> from mindspore.ops.operations import linalg_ops as linalg
-        >>> context.set_context(device_target="CPU")
+        >>> set_context(device_target="CPU")
         >>> svd = linalg.Svd(full_matrices=True, compute_uv=True)
         >>> a = Tensor(np.array([[1, 2], [-4, -5], [2, 1]]).astype(np.float32))
         >>> s, u, v = svd(a)