!37140 [MS][DOC] fix bug of doc

Merge pull request !37140 from mengyuanli/code_docs_bug_fix

docs/api/api_python/ops/mindspore.ops.ResizeLinear1D.rst

@@ -1,11 +1,11 @@
-mindspore.ops.ResizeBilinear1D
+mindspore.ops.ResizeLinear1D
-==============================
+============================
 
-.. py:class:: mindspore.ops.ResizeBilinear1D(coordinate_transformation_mode="align_corners")
+.. py:class:: mindspore.ops.ResizeLinear1D(coordinate_transformation_mode="align_corners")
 
-    使用线性插值调整Tensor到指定的大小。
+    使用线性插值调整输入 `x` 为指定大小。
 
-    调整输入三维Tensor的宽，且可以输入不同数据类型的图像，但输出的数据类型只能是float32。
+    调整输入 `x` 的宽。
 
     使用通用resize功能请参考 :func:`mindspore.ops.interpolate`。
 
@@ -19,11 +19,11 @@ mindspore.ops.ResizeBilinear1D
     **输入：**
 
     - **x** (Tensor) - ResizeBilinear的输入，三维的Tensor，其shape为 :math:`(batch, channels, width)`。支持以下数据类型：float16, float32, double。
-    - **size** (Tensor) - 指定Tensor的新尺寸，一维的Tensor，其shape为 :math:`(1)` ，数据类型为int64。
+    - **size** (Tensor) - 指定 `x` 宽的新尺寸，一维的Tensor，其shape为 :math:`(1)` ，数据类型为int64。
 
     **输出：**
 
-    Tensor，调整大小后的图像。shape为 :math:`(batch, channels,new\_width)` 的三维Tensor，数据类型和输入是一致的。
+    Tensor，调整大小后的Tensor。shape为 :math:`(batch, channels,new\_width)` 的三维Tensor，数据类型和输入是一致的。
 
     **异常：**
 

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

@@ -1,11 +0,0 @@
-mindspore.ops.TensorScatterElements
-===================================
-
-.. py:class:: mindspore.ops.TensorScatterElements
-
-    根据指定的更新值和输入索引，通过reduction操作更新输入Tensor的值。
-
-    .. warning::
-    如果 `indices` 中有多个索引向量对应于同一位置，则输出中该位置值是不确定的。
-
-    更多参考详见 :func:`mindspore.ops.tensor_scatter_elements`。

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

@@ -3,7 +3,7 @@ mindspore.ops.interpolate
 
 .. py:function:: mindspore.ops.interpolate(x, roi=None, scales=None, sizes=None, coordinate_transformation_mode="align_corners", mode="linear")
 
-    使用插值函数resize输入。
+    使用插值函数resize输入 `x` 。
 
     .. warning::
         - 实验特性，接口可能发生变化。
@@ -28,9 +28,9 @@ mindspore.ops.interpolate
     **异常：**
 
     - **TypeError** - `x` 不是Tensor。
-    - **TypeError** - `scales` 的不是float类型的tuple。
+    - **TypeError** - `scales` 不是float类型的tuple。
-    - **TypeError** - `size` 的不是int64类型的tuple。
+    - **TypeError** - `size` 不是int64类型的tuple。
     - **TypeError** - `coordinate_transformation_mode` 不是string。
     - **TypeError** - `coordinate_transformation_mode` 不在支持的列表中。
-    - **TypeError** - `mode` 不是string。
+    - **TypeError** - `mode` 不是string类型。
     - **TypeError** - `mode` 不在支持的列表中。

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

@@ -3,10 +3,9 @@
 
 .. py:function:: mindspore.ops.tensor_scatter_elements(input_x, indices, updates, axis=0, reduction="none")
 
-    根据指定的更新值和输入索引，通过reduction运算更新输入Tensor的值。
+    根据索引逐元素更新输入Tensor的值。
     接受三个输入， `input_x`、`indices` 和 `updates` 。三者的秩都大于等于1。`input_x` 中的数据和 `updates` 中的数据会按照 `indices` 提取出来
-    做 `reduction` 指定的操作并更新结果到输出。`reduction` 是 "none" 时， `input_x` 的值取 `updates` 的值到输出，`reduction` 是 "add" 时, 
+    做 `reduction` 指定的操作并更新结果到输出。下面看一个三维的例子：
-    `updates` 的值和 `input_x` 的值相加输出。下面看一个三维的例子：
 
     .. code-block::
 
@@ -20,13 +19,13 @@
         如果 `indices` 中有多个索引向量对应于同一位置，则输出中该位置值是不确定的。
 
     .. note::
-        如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新到 `input_x` ，而不是抛出索引错误。
+        如果 `indices` 的某些值超出范围，则相应的 `updates` 不会更新到 `input_x` ，也不会抛出索引错误。
 
     **参数：**
 
     - **input_x** (Tensor) - 输入Tensor。 `input_x` 其rank必须至少为1。
     - **indices** (Tensor) - 输入Tensor的索引，数据类型为int32或int64的。其rank必须和 `input_x` 一致。取值范围是[-s, s), 这里的s是 `input_x` 在 `axis` 指定轴的size。
-    - **updates** (Tensor) - 指定与 `input_x` 进行reduction操作的Tensor，其数据类型与输入相同。updates.shape应等于indices.shape。
+    - **updates** (Tensor) - 指定与 `input_x` 进行reduction操作的Tensor，其数据类型与输入的数据类型相同。updates的shape必须等于indices的shape。
     - **axis** (int) - `input_x` reduction操作的轴，默认值是0。取值范围是[-r, r)，其中r是 `input_x` 的秩。
     - **reduction** (str) - 指定进行的reduction操作。默认值是"none"，可选"add"。
 

docs/api/api_python_en/mindspore.ops.rst

@@ -77,7 +77,6 @@ Neural Network
     mindspore.ops.Padding
     mindspore.ops.ResizeNearestNeighbor
     mindspore.ops.ResizeBilinear
-    mindspore.ops.ResizeLinear1D
 
 Loss Function
 ^^^^^^^^^^^^^
@@ -461,7 +460,6 @@ Array Operation
     mindspore.ops.TensorScatterMin
     mindspore.ops.TensorScatterSub
     mindspore.ops.TensorScatterUpdate
-    mindspore.ops.TensorScatterElements
     mindspore.ops.TensorShape
     mindspore.ops.Tile
     mindspore.ops.Transpose

mindspore/python/mindspore/ops/function/nn_func.py

@@ -1284,8 +1284,8 @@ def smooth_l1_loss(logits, labels, beta=1.0, reduction='none'):
     .. math::
         L =
         \begin{cases}
-            \operatorname{mean}(L_{i}), &  \text{if reduction} = \text{`mean`;}\\
+            \operatorname{mean}(L_{i}), &  \text{if reduction} = \text{'mean';}\\
-            \operatorname{sum}(L_{i}),  &  \text{if reduction} = \text{`sum`.}
+            \operatorname{sum}(L_{i}),  &  \text{if reduction} = \text{'sum'.}
         \end{cases}
 
     Here :math:`\text{beta}` controls the point where the loss function changes from quadratic to linear.
@@ -1295,17 +1295,13 @@ def smooth_l1_loss(logits, labels, beta=1.0, reduction='none'):
         For Ascend platform, the 'reduction' is not support set to 'sum' or 'mean' for now.
 
     Args:
+        logits (Tensor): Tensor of shape :math:`(N, *)` where :math:`*` means, any number of additional dimensions.
+        labels (Tensor): Ground truth data, tensor of shape :math:`(N, *)`, same shape and dtype as the `logits`.
         beta (float): A parameter used to control the point where the function will change from
             quadratic to linear. Default: 1.0.
         reduction (str): Apply specific reduction method to the output: 'none', 'mean' or 'sum'. Default: 'none'.
 
-    Inputs:
+    Returns:
-        - **logits** (Tensor) - Tensor of shape :math:`(N, *)` where :math:`*` means, any number of
-          additional dimensions. Data type must be float16 or float32.
-        - **labels** (Tensor) - Ground truth data, tensor of shape :math:`(N, *)`,
-          same shape and dtype as the `logits`.
-
-    Outputs:
         Tensor or Scalar, if `reduction` is 'none', then output is a tensor and has the same shape as `logits`.
         Otherwise it is a scalar.