!47287 modify format

Merge pull request !47287 from 俞涵/code_docs_2.0.0al

docs/api/api_python/nn/mindspore.nn.Conv2d.rst

@@ -12,7 +12,7 @@ mindspore.nn.Conv2d
         \sum_{k = 0}^{C_{in} - 1} \text{ccor}({\text{weight}(C_{\text{out}_j}, k), \text{X}(N_i, k)})
 
     其中，:math:`ccor` 为 `cross-correlation <https://en.wikipedia.org/wiki/Cross-correlation>`_ ， :math:`C_{in}` 为输入空间维度，  :math:`out_{j}` 对应输出的第 :math:`j` 个空间维度，:math:`j` 的范围在 :math:`[0，C_{out}-1]` 内。
-    :math:`\text{weight}(C_{\text{out}_j}, k)`是shape为 :math:`(\text{kernel_size[0]}, \text{kernel_size[1]})` 的卷积核切片，其中  :math:`\text{kernel_size[0]}` 和 :math:`\text{kernel_size[1]}` 分别是卷积核的高度和宽度。 :math:`\text{bias}` 为偏置参数， :math:`\text{X}` 为输入Tensor。
+    :math:`\text{weight}(C_{\text{out}_j}, k)` 是shape为 :math:`(\text{kernel_size[0]}, \text{kernel_size[1]})` 的卷积核切片，其中  :math:`\text{kernel_size[0]}` 和 :math:`\text{kernel_size[1]}` 分别是卷积核的高度和宽度。 :math:`\text{bias}` 为偏置参数， :math:`\text{X}` 为输入Tensor。
     此时，输入Tensor对应的 `data_format` 为"NCHW"，完整卷积核的shape为 :math:`(C_{out}, C_{in} / \text{group}, \text{kernel_size[0]}, \text{kernel_size[1]})` ，其中 `group` 是在空间维度上分割输入 `x` 的组数。如果输入Tensor对应的 `data_format` 为"NHWC"，完整卷积核的shape则为 :math:`(C_{out}, \text{kernel_size[0]}, \text{kernel_size[1]}), C_{in} / \text{group}`。
     详细介绍请参考论文 `Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 。
 

docs/api/api_python/nn/mindspore.nn.LPPool1d.rst

@@ -26,7 +26,7 @@ mindspore.nn.LPPool1d
         - **x** (Tensor) - shape为 :math:`(N, C_{in}, L_{in})` 或 :math:`(C, L_{in})` 的Tensor。
 
     输出：
-        - **output** - LPPool1d的计算结果，shape为 :math:`(N, C_{out}, L_{out})` 或 :math:`(C, L_{in})`的Tensor，与输入 `x` 的类型一致。
+        - **output** - LPPool1d的计算结果，shape为 :math:`(N, C_{out}, L_{out})` 或 :math:`(C, L_{in})` 的Tensor，与输入 `x` 的类型一致。
 
     异常：
         - **TypeError** - `x` 不是Tensor。

docs/api/api_python/nn/mindspore.nn.LPPool2d.rst

@@ -26,7 +26,7 @@ mindspore.nn.LPPool2d
         - **x** (Tensor) - shape为 :math:`(N, C, H_{in}, W_{in})` 的Tensor。
 
     输出：
-        - **output** - LPPool2d的计算结果，shape为 :math:`(N, C, H_{in}, W_{in})`的Tensor，与 输入 `x` 的类型一致。
+        - **output** - LPPool2d的计算结果，shape为 :math:`(N, C, H_{in}, W_{in})` 的Tensor，与 输入 `x` 的类型一致。
 
     异常：
         - **TypeError** - `x` 不是Tensor。

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

@@ -12,7 +12,7 @@ mindspore.nn.RNN
     .. math::
         h_t = activation(W_{ih} x_t + b_{ih} + W_{hh} h_{(t-1)} + b_{hh})
 
-    这里的 :math:`h_t` 是在 `t` 时刻的隐藏状态， :math:`x_t`是在 `t` 时刻的输入， :math:`h_{(t-1)}` 是上一层在 :math:`t-1` 时刻的隐藏状态，或初始隐藏状态。如果 `nonlinearity` 是'relu'，则使用 :math:`\text{relu}` 而不是 :math:`\tanh` 。
+    这里的 :math:`h_t` 是在 `t` 时刻的隐藏状态， :math:`x_t` 是在 `t` 时刻的输入， :math:`h_{(t-1)}` 是上一层在 :math:`t-1` 时刻的隐藏状态，或初始隐藏状态。如果 `nonlinearity` 是'relu'，则使用 :math:`\text{relu}` 而不是 :math:`\tanh` 。
 
     参数：
         - **input_size** (int) - 输入层输入的特征向量维度。

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

@@ -20,7 +20,7 @@
     其中 :math:`w` 代表 `var` ， :math:`w` 将更新。
     :math:`g_{t+1}` 代表 `mean_gradient` ， :math:`g_{t}` 是上一步的 :math:`g_{t+1}` 。
     :math:`s_{t+1}` 代表 `mean_square` ， :math:`s_{t}` 是上一步的 :math:`s_{t+1}` ，
-    :math:`m_{t+1}`代表 `moment` ， :math:`m_{t}` 是上一步的 :math:`m_{t+1}` 。
+    :math:`m_{t+1}` 代表 `moment` ， :math:`m_{t}` 是上一步的 :math:`m_{t+1}` 。
     :math:`\rho` 代表 `decay` 。 :math:`\beta` 是动量，代表 `momentum` 。
     :math:`\epsilon` 是一个添加在分母上的较小值，以避免被零除，表示 `epsilon` 。
     :math:`\eta` 代表 `learning_rate` 。 :math:`\nabla Q_{i}(w)` 代表 `grad` 。

docs/api/api_python/ops/mindspore.ops.func_lp_pool1d.rst

@@ -24,7 +24,7 @@ mindspore.ops.lp_pool1d
         - **ceil_mode** (bool) - 若为True，使用ceil来计算输出shape。若为False，使用floor来计算输出shape。默认值：False。
 
     返回：
-        - **output** - LPPool1d的计算结果，shape为 :math:`(N, C_{out}, L_{out})` 或 :math:`(C, L_{in})`的Tensor，与 输入 `x` 的类型一致。
+        - **output** - LPPool1d的计算结果，shape为 :math:`(N, C_{out}, L_{out})` 或 :math:`(C, L_{in})` 的Tensor，与 输入 `x` 的类型一致。
 
     异常：
         - **TypeError** - `x` 不是Tensor。

docs/api/api_python/ops/mindspore.ops.func_lp_pool2d.rst

@@ -24,7 +24,7 @@ mindspore.ops.lp_pool2d
         - **ceil_mode** (bool) - 若为True，使用ceil模式来计算输出shape。若为False，使用floor模式来计算输出shape。默认值：False。
 
     返回：
-        - **output** - LPPool2d的计算结果，shape为 :math:`(N, C, H_{in}, W_{in})`的Tensor，与 输入 `x` 的类型一致。
+        - **output** - LPPool2d的计算结果，shape为 :math:`(N, C, H_{in}, W_{in})` 的Tensor，与 输入 `x` 的类型一致。
 
     异常：
         - **TypeError** - `x` 不是Tensor。

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

@@ -9,7 +9,7 @@ mindspore.ops.orgqr
     .. math::
         H_{1} H_{2} \ldots H_{k} \quad \text { with } \quad H_{j}=\mathrm{I}_{M}-\tau_{j} w_{j} w_{j}^{\mathrm{H}}
 
-    其中：:math:`\mathrm{I}_{M}`是 :math:`M` 维单位矩阵。当 :math:`w` 是复数的时候，:math:`w^{\mathrm{H}}` 是共轭转置，否则是一般转置。输出矩阵的shape与输入矩阵 `x` 相同。    
+    其中 :math:`\mathrm{I}_{M}` 是 :math:`M` 维单位矩阵。当 :math:`w` 是复数的时候，:math:`w^{\mathrm{H}}` 是共轭转置，否则是一般转置。输出矩阵的shape与输入矩阵 `x` 相同。    
 
     参数：
         - **x** (Tensor) - shape :math:`(*, M, N)` 的Tensor，表示2维或者3维矩阵。数据类型为float32、float64、complex64或者complex128。

mindspore/python/mindspore/ops/operations/inner_ops.py

@@ -296,7 +296,7 @@ class LambApplyWeightAssign(PrimitiveWithInfer):
         - **w_norm** (Tensor) - :math:`\left \| w \right \|` in the updating formula, float32/float16.
         - **g_norm** (Tensor) - :math:`\left \| r \right \|` in the updating formula, has the same type as `w_norm`.
         - **lr** (Tensor) - :math:`l` in the updating formula, the learning rate, float32/float16.
-        - **update** (Tensor) -:math:`r + \lambda * w`in the updating formula, float32/float16.
+        - **update** (Tensor) - :math:`r + \lambda * w` in the updating formula, float32/float16.
         - **var** (Tensor) - Weights to be updated, the same shape and type as `update`.
 
     Outputs: