!41378 correct the errors in rst files in 1.8 0902

Merge pull request !41378 from 宦晓玲/code_docs_00902

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

@@ -29,7 +29,7 @@ mindspore.amp.DynamicLossScaleManager
 
     .. py:method:: get_update_cell()
 
-        返回用于更新梯度放大系数的 `Cell` 实例，:class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该实例。
+        返回用于更新梯度放大系数的 :class:`mindspore.nn.Cell` 实例，:class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该实例。
 
         **返回：**
 
@@ -41,4 +41,4 @@ mindspore.amp.DynamicLossScaleManager
 
         **参数：**
 
-        **overflow** (bool) - 表示是否溢出。
+        - **overflow** (bool) - 表示是否溢出。

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

@@ -16,6 +16,14 @@ mindspore.amp.DynamicLossScaler
     - **scale_factor** (int) - 放大/缩小倍数。
     - **scale_window** (int) - 无溢出时的连续正常step的最大数量。
 
+    .. py:method:: adjust(grads_finite)
+
+        根据梯度是否为有效值（无溢出）对 `scale_value` 进行调整。
+
+        **参数：**
+
+        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。
+
     .. py:method:: scale(inputs)
 
         根据 `scale_value` 放大inputs。
@@ -31,11 +39,3 @@ mindspore.amp.DynamicLossScaler
         **参数：**
 
         - **inputs** (Union(Tensor, tuple(Tensor))) - 损失值或梯度。
-
-    .. py:method:: adjust(grads_finite)
-
-        根据梯度是否为有效值（无溢出）对 `scale_value` 进行调整。
-
-        **参数：**
-
-        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。

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

@@ -28,7 +28,7 @@ mindspore.amp.FixedLossScaleManager
 
     .. py:method:: get_update_cell()
 
-        返回用于更新 `loss_scale` 值的 `Cell` 实例， :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该实例。该类使用固定的梯度放大系数，因此该实例不执行任何操作。
+        返回用于更新 `loss_scale` 值的 :class:`mindspore.nn.Cell` 实例， :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该实例。该类使用固定的梯度放大系数，因此该实例不执行任何操作。
 
         **返回：**
 

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

@@ -5,7 +5,7 @@ mindspore.amp.LossScaleManager
 
     使用混合精度时，用于管理损失缩放系数（loss scale）的抽象类。
 
-    派生类需要实现该类的所有方法。 `get_loss_scale` 用于获取当前的梯度放大系数。 `update_loss_scale` 用于更新梯度放大系数，该方法将在训练过程中被调用。 `get_update_cell` 用于获取更新梯度放大系数的 `Cell` 实例，该实例将在训练过程中被调用。当前多使用 `get_update_cell` 方式。
+    派生类需要实现该类的所有方法。 `get_loss_scale` 用于获取当前的梯度放大系数。 `update_loss_scale` 用于更新梯度放大系数，该方法将在训练过程中被调用。 `get_update_cell` 用于获取更新梯度放大系数的 :class:`mindspore.nn.Cell` 实例，该实例将在训练过程中被调用。当前多使用 `get_update_cell` 方式。
 
     例如：:class:`mindspore.amp.FixedLossScaleManager` 和 :class:`mindspore.amp.DynamicLossScaleManager` 。
 

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

@@ -10,6 +10,14 @@ mindspore.amp.LossScaler
     .. note::
         - 这是一个实验性接口，后续可能删除或修改。
 
+    .. py:method:: adjust(grads_finite)
+
+        根据梯度是否为有效值（无溢出）对 `scale_value` 进行调整。
+
+        **参数：**
+
+        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。
+
     .. py:method:: scale(inputs)
 
         对inputs进行scale，`inputs \*= scale_value`。
@@ -26,11 +34,3 @@ mindspore.amp.LossScaler
 
         - **inputs** (Union(Tensor, tuple(Tensor))) - 损失值或梯度。
 
-    .. py:method:: adjust(grads_finite)
-
-        根据梯度是否为有效值（无溢出）对 `scale_value` 进行调整。
-
-        **参数：**
-
-        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。
-

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

@@ -3,7 +3,7 @@ mindspore.amp.StaticLossScaler
 
 .. py:class:: mindspore.amp.StaticLossScaler(scale_value)
 
-    损失缩放系数不变的管理器。
+    Static Loss scale类。用固定的常数来scales和unscale损失或梯度。
 
     .. note::
         - 这是一个实验性接口，后续可能删除或修改。
@@ -12,6 +12,14 @@ mindspore.amp.StaticLossScaler
 
     - **scale_value** (Union(float, int)) - 缩放系数。
 
+    .. py:method:: adjust(grads_finite)
+
+        `scale_value` 值固定。
+
+        **参数：**
+
+        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。
+
     .. py:method:: scale(inputs)
 
         对inputs进行scale，`inputs \*= scale_value`。
@@ -26,12 +34,4 @@ mindspore.amp.StaticLossScaler
 
         **参数：**
 
-        - **inputs** (Union(Tensor, tuple(Tensor))) - 损失值或梯度。
-
-    .. py:method:: adjust(grads_finite)
-
-        `scale_value` 值固定。
-
-        **参数：**
-
-        - **grads_finite** (Tensor) - bool类型的标量Tensor，表示梯度是否为有效值（无溢出）。
+        - **inputs** (Union(Tensor, tuple(Tensor))) - 损失值或梯度。

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

@@ -34,7 +34,7 @@ mindspore.nn.Adadelta
       .. include:: mindspore.nn.optim_group_gc.rst
       .. include:: mindspore.nn.optim_group_order.rst
 
-    - **learning_rate** (Union[float, Tensor, Iterable, LearningRateSchedule]) - 默认值：1.0。
+    - **learning_rate** (Union[float, int, Tensor, Iterable, LearningRateSchedule]) - 默认值：1.0。
 
       .. include:: mindspore.nn.optim_arg_dynamic_lr.rst
 

docs/api/api_python/nn/mindspore.nn.Conv2dTranspose.rst

@@ -14,7 +14,7 @@ mindspore.nn.Conv2dTranspose
    **参数：**
 
    - **in_channels** (int) - Conv2dTranspose层输入Tensor的空间维度。
-   - **out_channels** (dict) - Conv2dTranspose层输出Tensor的空间维度。
+   - **out_channels** (int) - Conv2dTranspose层输出Tensor的空间维度。
    - **kernel_size** (Union[int, tuple[int]]) - 指定二维卷积核的高度和宽度。数据类型为整型或两个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。两个整数的tuple分别表示卷积核的高度和宽度。
    - **stride** (Union[int, tuple[int]]) - 二维卷积核的移动步长。数据类型为整型或两个整型的tuple。一个整数表示在高度和宽度方向的移动步长均为该值。两个整数的tuple分别表示在高度和宽度方向的移动步长。默认值：1。
    - **pad_mode** (str) - 指定填充模式。可选值为"same"、"valid"、"pad"。默认值："same"。

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

@@ -3,7 +3,7 @@ mindspore.nn.DiceLoss
 
 .. 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。
+    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。
 
     Dice系数表示两个对象之间的面积与总面积的比率。
     函数如下：
@@ -11,7 +11,7 @@ mindspore.nn.DiceLoss
     .. math::
         dice = 1 - \frac{2 * |pred \bigcap true|}{|pred| + |true| + smooth}
 
-    :math:`pred` 表示 `logits` ， :math:`true` 表示 `labels` 。
+    :math:`pred` 表示 `logits` ，:math:`true` 表示 `labels` 。
 
     **参数：**
 

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

@@ -7,7 +7,7 @@ mindspore.nn.DynamicLossScaleUpdateCell
 
     使用混合精度功能进行训练时，初始损失缩放系数值为 `loss_scale_value`。在每个训练步骤中，当出现溢出时，通过计算公式 `loss_scale`/`scale_factor` 减小损失缩放系数。如果连续 `scale_window` 步（step）未溢出，则将通过 `loss_scale` * `scale_factor` 增大损失缩放系数。
 
-    该类是 :class:`mindspore.DynamicLossScaleManager` 的 `get_update_cell` 方法的返回值。训练过程中，类 :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该Cell来更新损失缩放系数。
+    该类是 :class:`mindspore.amp.DynamicLossScaleManager` 的 `get_update_cell` 方法的返回值。训练过程中，类 :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该Cell来更新损失缩放系数。
 
     **参数：**
 

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

@@ -5,7 +5,7 @@ mindspore.nn.FixedLossScaleUpdateCell
 
     固定损失缩放系数的神经元。
 
-    该类是 :class:`mindspore.FixedLossScaleManager` 的 `get_update_cell` 方法的返回值。训练过程中，类 :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该Cell。
+    该类是 :class:`mindspore.amp.FixedLossScaleManager` 的 `get_update_cell` 方法的返回值。训练过程中，类 :class:`mindspore.nn.TrainOneStepWithLossScaleCell` 会调用该Cell。
 
     **参数：**
 

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

@@ -27,7 +27,7 @@ mindspore.nn.GELU
 
     **输入：**
 
-    - **x** （Tensor） - 用于计算GELU的Tensor。数据类型为float16或float32。shape是 :math:`(N,*)` ， :math:`*` 表示任意的附加维度数。
+    - **x** (Tensor) - 用于计算GELU的Tensor。数据类型为float16或float32。shape是 :math:`(N,*)` ， :math:`*` 表示任意的附加维度数。
 
     **输出：**
 

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

@@ -56,7 +56,7 @@ mindspore.nn.RMSProp
       .. include:: mindspore.nn.optim_group_gc.rst
       .. include:: mindspore.nn.optim_group_order.rst
 
-    - **learning_rate** (Union[float, Tensor, Iterable, LearningRateSchedule]) - 默认值：0.1。
+    - **learning_rate** (Union[float, int, Tensor, Iterable, LearningRateSchedule]) - 默认值：0.1。
 
       .. include:: mindspore.nn.optim_arg_dynamic_lr.rst
 

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

@@ -11,7 +11,7 @@ mindspore.nn.SampledSoftmaxLoss
 
     - **num_sampled** (int) - 抽样的类别数。
     - **num_classes** (int) - 类别总数。
-    - **num_true** (int)：每个训练样本的类别数。默认值：1。
+    - **num_true** (int) - 每个训练样本的类别数。默认值：1。
     - **sampled_values** (Union[list, tuple]) - 抽样候选值。由 `*CandidateSampler` 函数返回的(`sampled_candidates`, `true_expected_count` , `sampled_expected_count`)的list或tuple。如果默认值为None，则应用 `UniformCandidateSampler` 。
     - **remove_accidental_hits** (bool) - 是否移除抽样中的目标类等于标签的情况。默认值：True。
     - **seed** (int) - 抽样的随机种子。默认值：0。

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

@@ -7,13 +7,13 @@ mindspore.nn.SoftmaxCrossEntropyWithLogits
 
     使用交叉熵损失函数计算出输入概率（使用softmax函数计算）和真实值之间的误差。
 
-    对于每个实例  :math:`x_i` ，i的范围为0到N-1，则可得损失为：
+    对于每个实例 :math:`x_i` ，i的范围为0到N-1，则可得损失为：
 
     .. math::
         \ell(x_i, c) = - \log\left(\frac{\exp(x_i[c])}{\sum_j \exp(x_i[j])}\right)
         =  -x_i[c] + \log\left(\sum_j \exp(x_i[j])\right)
 
-    其中  :math:`x_i` 是一维的Tensor， :math:`c` 为one-hot中等于1的位置。
+    其中 :math:`x_i` 是一维的Tensor， :math:`c` 为one-hot中等于1的位置。
 
     .. note::
         虽然目标值是互斥的，即目标值中只有一个为正，但预测的概率不为互斥。只要求输入的预测概率分布有效。

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

@@ -66,7 +66,7 @@ mindspore.nn.TrainOneStepWithLossScaleCell
 
         **参数：**
 
-        - **sens** （Tensor） - 新的损失缩放系数，其shape和类型需要与原始 `scale_sense` 相同。
+        - **sens** (Tensor) - 新的损失缩放系数，其shape和类型需要与原始 `scale_sense` 相同。
 
     .. py:method:: start_overflow_check(pre_cond, compute_input)