[Docs] Batch fix inline backticks in API CN docs (round 2)

Noai-oss · Noai-oss · commit 39f84767a70c · 2026-03-13T10:11:23.000+08:00
diff --git a/docs/api/paddle/cdist_cn.rst b/docs/api/paddle/cdist_cn.rst
@@ -7,9 +7,9 @@ cdist
 
 计算两组输入集合中每对之间的 p 范数距离。
 
-当 :math:`p \in (0, \infty)` 时，该函数等同于 `scipy.spatial.distance.cdist(input,'minkowski', p=p)` ；
-当 :math:`p = 0` 时，等同于 `scipy.spatial.distance.cdist(input, 'hamming') * M` ；
-当 :math:`p = \infty` 时，最接近的是 `scipy.spatial.distance.cdist(xn, lambda x, y: np.abs(x - y).max())` 。
+当 :math:`p \in (0, \infty)` 时，该函数等同于 ``scipy.spatial.distance.cdist(input,'minkowski', p=p)`` ；
+当 :math:`p = 0` 时，等同于 ``scipy.spatial.distance.cdist(input, 'hamming') * M`` ；
+当 :math:`p = \infty` 时，最接近的是 ``scipy.spatial.distance.cdist(xn, lambda x, y: np.abs(x - y).max())`` 。
 
 参数
 ::::::::::::
@@ -28,7 +28,7 @@ cdist
 
 返回
 ::::::::::::
-Tensor，`dtype` 与输入张量相同。
+Tensor，``dtype`` 与输入张量相同。
 如果 x 的形状为 :math:`B \times P \times M`，y 的形状为 :math:`B \times R \times M`，则输出的形状为 :math:`B \times P \times R`。
 
 代码示例
diff --git a/docs/api/paddle/combinations_cn.rst b/docs/api/paddle/combinations_cn.rst
@@ -5,8 +5,8 @@ combinations
 
 .. py:function:: paddle.combinations(x, r=2, with_replacement=False, name=None)
 
-对输入 Tensor 计算长度为 r 的情况下的所有组合，当 `with_replacement` 设为 False，可类比 python 内置 API `itertools.combinations` 。
-当 `with_replacement` 设为 True，可类比 python 内置 API `itertools.combinations_with_replacement(with_replacement=True)`。
+对输入 Tensor 计算长度为 r 的情况下的所有组合，当 ``with_replacement`` 设为 False，可类比 python 内置 API ``itertools.combinations`` 。
+当 ``with_replacement`` 设为 True，可类比 python 内置 API ``itertools.combinations_with_replacement(with_replacement=True)``。
 
 参数
 ::::::::::
diff --git a/docs/api/paddle/compat/Overview_cn.rst b/docs/api/paddle/compat/Overview_cn.rst
@@ -14,9 +14,9 @@ PyTorch 兼容函数
     :header: "API 名称", "API 功能"
     :widths: 10, 30
 
-    " :ref:`max <cn_api_paddle_compat_max>` ", "包含 `amax`、同时返回 values 及 indices 的轴向最大值、`maximum` 三种功能"
+    " :ref:`max <cn_api_paddle_compat_max>` ", "包含 ``amax``、同时返回 values 及 indices 的轴向最大值、``maximum`` 三种功能"
     " :ref:`median <cn_api_paddle_compat_median>` ", "兼容版中位数，支持 dim/keepdim/out 签名"
-    " :ref:`min <cn_api_paddle_compat_min>` ", "包含 `amin`、同时返回 values 及 indices 的轴向最小值、`minimum` 三种功能"
+    " :ref:`min <cn_api_paddle_compat_min>` ", "包含 ``amin``、同时返回 values 及 indices 的轴向最小值、``minimum`` 三种功能"
     " :ref:`nanmedian <cn_api_paddle_compat_nanmedian>` ", "忽略 NaN 的兼容版中位数，支持 dim/keepdim/out 签名"
     " :ref:`slogdet <cn_api_paddle_compat_slogdet>` ", "slogdet 函数"
     " :ref:`sort <cn_api_paddle_compat_sort>` ", "同时返回 values 及 indices 的排序"
diff --git a/docs/api/paddle/diagonal_cn.rst b/docs/api/paddle/diagonal_cn.rst
@@ -6,13 +6,13 @@ diagonal
 .. py:function:: paddle.diagonal(x, offset=0, axis1=0, axis2=1, name=None)
 
 
-根据参数 `offset`、`axis1`、`axis2`，返回输入 `Tensor` 的局部视图。
+根据参数 ``offset``、``axis1``、``axis2``，返回输入 ``Tensor`` 的局部视图。
 
 如果输入是 2D Tensor，则返回对角线元素。
 
 如果输入的维度大于 2D，则返回由对角线元素组成的数组，其中对角线从由 axis1 和 axis2 指定的二维平面中获得。默认由输入的前两维组成获得对角线的 2D 平面。
 
-参数 `offset` 确定从指定的二维平面中获取对角线的位置：
+参数 ``offset`` 确定从指定的二维平面中获取对角线的位置：
 
     - 如果 offset = 0，则取主对角线。
     - 如果 offset > 0，则取主对角线右上的对角线。
diff --git a/docs/api/paddle/distributed/fleet/Fleet_cn.rst b/docs/api/paddle/distributed/fleet/Fleet_cn.rst
@@ -58,7 +58,7 @@ COPY-FROM: paddle.distributed.fleet.Fleet.init:code-init-example4
 is_first_worker()
 '''''''''
 
-返回当前节点是否为第一个`worker`节点，判断当前 worker_index 是否为 0，如果为 0 则返回 True，否则返回 False。
+返回当前节点是否为第一个``worker``节点，判断当前 worker_index 是否为 0，如果为 0 则返回 True，否则返回 False。
 
 **返回**
 True/False
@@ -71,7 +71,7 @@ COPY-FROM: paddle.distributed.fleet.Fleet.is_first_worker
 worker_index()
 '''''''''
 
-返回当前节点的编号，每个`worker`节点被分配[0, worker_num-1]内的唯一的编码 ID
+返回当前节点的编号，每个``worker``节点被分配[0, worker_num-1]内的唯一的编码 ID
 
 **返回**
 int
@@ -85,7 +85,7 @@ COPY-FROM: paddle.distributed.fleet.Fleet.worker_index
 worker_num()
 '''''''''
 
-返回当前全部训练节点中`worker`节点的个数
+返回当前全部训练节点中``worker``节点的个数
 
 **返回**
 int
@@ -98,7 +98,7 @@ COPY-FROM: paddle.distributed.fleet.Fleet.worker_num
 is_worker()
 '''''''''
 
-返回当前节点是否为`worker`节点
+返回当前节点是否为``worker``节点
 
 **返回**
 True/False
@@ -148,7 +148,7 @@ server_index()
   **该参数只在 ParameterServer 模式下生效**
 
 
-返回当前节点的编号，每个`server`节点被分配[0, server_num-1]内的唯一的编码 ID
+返回当前节点的编号，每个``server``节点被分配[0, server_num-1]内的唯一的编码 ID
 
 **返回**
 int
@@ -187,7 +187,7 @@ is_server()
   **该参数只在 ParameterServer 模式下生效**
 
 
-返回当前节点是否为`server`节点
+返回当前节点是否为``server``节点
 
 **返回**
 True/False
diff --git a/docs/api/paddle/distribution/ContinuousBernoulli_cn.rst b/docs/api/paddle/distribution/ContinuousBernoulli_cn.rst
@@ -79,7 +79,7 @@ prob(value)
 
 **返回**
 
-Tensor，:attr:`value` 的概率。数据类型与 `self.probs` 相同。
+Tensor，:attr:`value` 的概率。数据类型与 ``self.probs`` 相同。
 
 
 log_prob(value)
@@ -93,7 +93,7 @@ log_prob(value)
 
 **返回**
 
-Tensor，:attr:`value` 的对数概率。数据类型与 `self.probs` 相同。
+Tensor，:attr:`value` 的对数概率。数据类型与 ``self.probs`` 相同。
 
 
 cdf(value)
@@ -118,7 +118,7 @@ cdf(value)
 
 **返回**
 
-Tensor: :attr:`value` 的累积分布函数对应的 quantile 值。数据类型与 `self.probs` 相同。
+Tensor: :attr:`value` 的累积分布函数对应的 quantile 值。数据类型与 ``self.probs`` 相同。
 
 
 icdf(value)
@@ -142,7 +142,7 @@ icdf(value)
 
 **返回**
 
-Tensor，ContinuousBernoulli 随机变量在对应 quantile 下的值。数据类型与 `self.probs` 相同。
+Tensor，ContinuousBernoulli 随机变量在对应 quantile 下的值。数据类型与 ``self.probs`` 相同。
 
 
 sample(shape=[])
diff --git a/docs/api/paddle/distribution/MultivariateNormal_cn.rst b/docs/api/paddle/distribution/MultivariateNormal_cn.rst
@@ -74,7 +74,7 @@ prob(value)
 
 **返回**
 
-Tensor，:attr:`value` 的概率。数据类型与 `self.loc` 相同。
+Tensor，:attr:`value` 的概率。数据类型与 ``self.loc`` 相同。
 
 
 log_prob(value)
@@ -88,7 +88,7 @@ log_prob(value)
 
 **返回**
 
-Tensor，:attr:`value` 的对数概率。数据类型与 `self.loc` 相同。
+Tensor，:attr:`value` 的对数概率。数据类型与 ``self.loc`` 相同。
 
 
 sample(shape=[])
@@ -102,7 +102,7 @@ sample(shape=[])
 
 **返回**
 
-Tensor，样本数据。其维度为 :math:`\text{sample shape} + \text{batch shape} + \text{event shape}` 。数据类型与 `self.loc` 相同。
+Tensor，样本数据。其维度为 :math:`\text{sample shape} + \text{batch shape} + \text{event shape}` 。数据类型与 ``self.loc`` 相同。
 
 
 rsample(shape=[])
@@ -116,7 +116,7 @@ rsample(shape=[])
 
 **返回**
 
-Tensor，样本数据。其维度为 :math:`\text{sample shape} + \text{batch shape} + \text{event shape}` 。数据类型与 `self.loc` 相同。
+Tensor，样本数据。其维度为 :math:`\text{sample shape} + \text{batch shape} + \text{event shape}` 。数据类型与 ``self.loc`` 相同。
 
 
 entropy()
@@ -130,7 +130,7 @@ entropy()
 
 **返回**
 
-多元正态分布的信息熵，数据类型与 `self.loc` 相同。
+多元正态分布的信息熵，数据类型与 ``self.loc`` 相同。
 
 
 kl_divergence(other)
@@ -148,4 +148,4 @@ kl_divergence(other)
 
 **返回**
 
-相对于另一个多元正态分布的 KL 散度，数据类型与 `self.loc` 相同。
+相对于另一个多元正态分布的 KL 散度，数据类型与 ``self.loc`` 相同。
diff --git a/docs/api/paddle/einsum_cn.rst b/docs/api/paddle/einsum_cn.rst
@@ -29,15 +29,15 @@ Einstein 求和是一种采用 Einstein 标记法描述的 Tensor 求和，输
 **关于求和标记的约定**
 
     - 维度分量下标：Tensor 的维度分量下标使用英文字母表示，不区分大小写，如'ijk'表示 Tensor 维度分量为 i,j,k
-    - 下标对应输入操作数：维度下标以`,`分段，按顺序 1-1 对应输入操作数
-    - 广播维度：省略号`...`表示维度的广播分量，例如，'i...j'表示首末分量除外的维度需进行广播对齐
+    - 下标对应输入操作数：维度下标以``,``分段，按顺序 1-1 对应输入操作数
+    - 广播维度：省略号``...``表示维度的广播分量，例如，'i...j'表示首末分量除外的维度需进行广播对齐
     - 自由标和哑标：输入标记中仅出现一次的下标为自由标，重复出现的下标为哑标，哑标对应的维度分量将被规约消去
     - 输出：输出 Tensor 的维度分量既可由输入标记自动推导，也可以用输出标记定制化
         - 自动推导输出
             - 广播维度分量位于维度向量高维位置，自由标维度分量按字母顺序排序，位于维度向量低纬位置，哑标维度分量不输出
         - 定制化输出
-            - 维度标记中`->`右侧为输出标记
-            - 若输出包含广播维度，则输出标记需包含`...`
+            - 维度标记中``->``右侧为输出标记
+            - 若输出包含广播维度，则输出标记需包含``...``
             - 输出标记为空时，对输出进行全量求和，返回该标量
             - 输出不能包含输入标记中未出现的下标
             - 输出下标不可以重复出现
diff --git a/docs/api/paddle/grad_cn.rst b/docs/api/paddle/grad_cn.rst
@@ -9,7 +9,7 @@ grad
 .. note::
     该 API 仅支持 **动态图模式**。
 
-对于每个 `inputs`，计算所有 `outputs` 相对于其的梯度和。
+对于每个 ``inputs``，计算所有 ``outputs`` 相对于其的梯度和。
 
 参数
 :::::::::
@@ -26,7 +26,7 @@ grad
 返回
 :::::::::
 
-tuple(Tensor)，其长度等于 `inputs` 中的变量个数，且第 i 个返回的变量是所有 `outputs` 相对于第 i 个 `inputs` 的梯度之和。
+tuple(Tensor)，其长度等于 ``inputs`` 中的变量个数，且第 i 个返回的变量是所有 ``outputs`` 相对于第 i 个 ``inputs`` 的梯度之和。
 
 代码示例 1
 :::::::::
diff --git a/docs/api/paddle/incubate/asp/prune_model_cn.rst b/docs/api/paddle/incubate/asp/prune_model_cn.rst
@@ -6,10 +6,10 @@ prune_model
 .. py:function:: paddle.incubate.asp.prune_model(model, n=2, m=4, mask_algo='mask_1d', with_mask=True)
 
 
-使用 `mask_algo` 指定的掩码生成函数裁剪 model 中支持 ASP（Auto SParsity） 的子层参数。支持训练和推理，并由 `with_mask` 参数控制。如果 with_mask 是 True ，则还会裁剪与参数相关的 ASP 掩码变量，如果是 False，则仅裁剪参数本身。
+使用 ``mask_algo`` 指定的掩码生成函数裁剪 model 中支持 ASP（Auto SParsity） 的子层参数。支持训练和推理，并由 ``with_mask`` 参数控制。如果 with_mask 是 True ，则还会裁剪与参数相关的 ASP 掩码变量，如果是 False，则仅裁剪参数本身。
 
 .. note::
-    - 在静态图模式下，使用 `with_mask` 调用函数时，需要先调用 OptimizerWithSparsityGuarantee.minimize 和 exe.run(startup_program) 来成功获取掩码变量。通常情况下训练时（已调用 OptimizerWithSparsityGuarantee.minimize）设置 `with_mask` 为 True。而仅进行推理时，设置 `with_mask` 为 False。 获取 OptimizerWithSparsityGuarantee 请参考 :ref:`paddle.incubate.asp.decorate <cn_api_paddle_incubate_asp_decorate>`。
+    - 在静态图模式下，使用 ``with_mask`` 调用函数时，需要先调用 OptimizerWithSparsityGuarantee.minimize 和 exe.run(startup_program) 来成功获取掩码变量。通常情况下训练时（已调用 OptimizerWithSparsityGuarantee.minimize）设置 ``with_mask`` 为 True。而仅进行推理时，设置 ``with_mask`` 为 False。 获取 OptimizerWithSparsityGuarantee 请参考 :ref:`paddle.incubate.asp.decorate <cn_api_paddle_incubate_asp_decorate>`。
     - 在动态图模式下，使用 with_mask 调用函数时，需要先调用 :ref:`paddle.incubate.asp.decorate <cn_api_paddle_incubate_asp_decorate>` 来获取掩码变量。
 
 
diff --git a/docs/api/paddle/linalg/householder_product_cn.rst b/docs/api/paddle/linalg/householder_product_cn.rst
@@ -6,11 +6,11 @@ householder_product
 .. py:function:: paddle.linalg.householder_product(x, tau, name=None)
 
 
-计算 Householder 矩阵乘积的前 n 列(输入矩阵为 `[*,m,n]` )。
+计算 Householder 矩阵乘积的前 n 列(输入矩阵为 ``[*,m,n]`` )。
 
 
-该函数可以从矩阵 `x` (m x n) 得到向量 :math:`\omega_{i}`，其中前 `i-1` 个元素为零，第 i 个元素为 `1`，其余元素元素来自 `x` 的第 i 列。
-并且使用向量 `tau` 可以计算 Householder 矩阵乘积的前 n 列。
+该函数可以从矩阵 ``x`` (m x n) 得到向量 :math:`\omega_{i}`，其中前 ``i-1`` 个元素为零，第 i 个元素为 ``1``，其余元素元素来自 ``x`` 的第 i 列。
+并且使用向量 ``tau`` 可以计算 Householder 矩阵乘积的前 n 列。
 
 .. math::
     H_i = I_m - \tau_i \omega_i \omega_i^H
diff --git a/docs/api/paddle/linalg/matrix_transpose_cn.rst b/docs/api/paddle/linalg/matrix_transpose_cn.rst
@@ -5,10 +5,10 @@ matrix_transpose
 
 .. py:function:: paddle.linalg.matrix_transpose(x, name=None)
 
-对输入张量 `x` 的最后两个维度进行转置。
+对输入张量 ``x`` 的最后两个维度进行转置。
 
 .. note::
-       如果 `n` 是 `x` 的维数，则 `paddle.linalg.matrix_transpose(x)` 等同于 `x.transpose([0, 1, ..., n-2, n-1])` 。
+       如果 ``n`` 是 ``x`` 的维数，则 ``paddle.linalg.matrix_transpose(x)`` 等同于 ``x.transpose([0, 1, ..., n-2, n-1])`` 。
 
 参数
 ::::::::::::
diff --git a/docs/api/paddle/matrix_transpose_cn.rst b/docs/api/paddle/matrix_transpose_cn.rst
@@ -5,10 +5,10 @@ matrix_transpose
 
 .. py:function:: paddle.matrix_transpose(x, name=None)
 
-对输入张量 `x` 的最后两个维度进行转置。
+对输入张量 ``x`` 的最后两个维度进行转置。
 
 .. note::
-       如果 `n` 是 `x` 的维数，则 `paddle.matrix_transpose(x)` 等同于 `x.transpose([0, 1, ..., n-2, n-1])` 。
+       如果 ``n`` 是 ``x`` 的维数，则 ``paddle.matrix_transpose(x)`` 等同于 ``x.transpose([0, 1, ..., n-2, n-1])`` 。
 
 参数
 ::::::::::::
diff --git a/docs/api/paddle/sparse/add_cn.rst b/docs/api/paddle/sparse/add_cn.rst
@@ -8,7 +8,7 @@ add
 
 输入 :attr:`x` 与输入 :attr:`y` 逐元素相加，并将各个位置的输出元素保存到返回结果中。
 
-输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 `SparseCooTensor` 或同为 `SparseCsrTensor`），如果同为 `SparseCooTensor` 则 `sparse_dim` 也需要相同。
+输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 ``SparseCooTensor`` 或同为 ``SparseCsrTensor``），如果同为 ``SparseCooTensor`` 则 ``sparse_dim`` 也需要相同。
 
 等式为：
 
diff --git a/docs/api/paddle/sparse/addmm_cn.rst b/docs/api/paddle/sparse/addmm_cn.rst
@@ -6,9 +6,9 @@ addmm
 .. py:function:: paddle.sparse.addmm(input, x, y, beta=1.0, alpha=1.0, name=None)
 
 .. note::
-    该 API 从 `CUDA 11.0` 开始支持。
+    该 API 从 ``CUDA 11.0`` 开始支持。
 
-对输入 :attr:`x` 与输入 :attr:`y` 求稀疏矩阵乘法，并将 `input` 加到计算结果上。
+对输入 :attr:`x` 与输入 :attr:`y` 求稀疏矩阵乘法，并将 ``input`` 加到计算结果上。
 
 数学公式：
 
@@ -27,7 +27,7 @@ addmm
 
      input[DenseTensor] + x[SparseCooTensor] @ y[DenseTensor] -> out[DenseTensor]
 
-该 API 支持反向传播，`input` 、 `x` 、 `y` 的维度相同且>=2D，不支持自动广播。
+该 API 支持反向传播，``input`` 、 ``x`` 、 ``y`` 的维度相同且>=2D，不支持自动广播。
 
 参数
 :::::::::
@@ -40,7 +40,7 @@ addmm
 
 返回
 :::::::::
-SparseTensor|DenseTensor: 其 Tensor 类型、dtype、shape 与 `input` 相同。
+SparseTensor|DenseTensor: 其 Tensor 类型、dtype、shape 与 ``input`` 相同。
 
 
 代码示例
diff --git a/docs/api/paddle/sparse/divide_cn.rst b/docs/api/paddle/sparse/divide_cn.rst
@@ -7,7 +7,7 @@ divide
 
 输入 :attr:`x` 与输入 :attr:`y` 逐元素相除，并将各个位置的输出元素保存到返回结果中。
 
-输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 `SparseCooTensor` 或同为 `SparseCsrTensor`），如果同为 `SparseCooTensor` 则 `sparse_dim` 也需要相同。
+输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 ``SparseCooTensor`` 或同为 ``SparseCsrTensor``），如果同为 ``SparseCooTensor`` 则 ``sparse_dim`` 也需要相同。
 
 等式为：
 
@@ -25,7 +25,7 @@ divide
 
 返回
 :::::::::
-多维稀疏 Tensor, 数据类型和压缩格式与 :attr:`x` 相同，如果是整数相除则返回数据类型为 `float32`。
+多维稀疏 Tensor, 数据类型和压缩格式与 :attr:`x` 相同，如果是整数相除则返回数据类型为 ``float32``。
 
 
 代码示例
diff --git a/docs/api/paddle/sparse/isnan_cn.rst b/docs/api/paddle/sparse/isnan_cn.rst
@@ -5,7 +5,7 @@ isnan
 
 .. py:function:: paddle.sparse.isnan(x, name=None)
 
-返回输入 tensor 的每一个值是否为 `+/-NaN`，要求 输入 :attr:`x` 为 `SparseCooTensor` 或 `SparseCsrTensor` 。
+返回输入 tensor 的每一个值是否为 ``+/-NaN``，要求 输入 :attr:`x` 为 ``SparseCooTensor`` 或 ``SparseCsrTensor`` 。
 
 参数
 :::::::::
@@ -14,7 +14,7 @@ isnan
 
 返回
 :::::::::
-多维稀疏 ``Tensor``，每个元素是一个 bool 值，表示输入 :attr:`x` 的每个元素是否为 `+/-NaN`，稀疏格式与 :attr:`x` 相同 。
+多维稀疏 ``Tensor``，每个元素是一个 bool 值，表示输入 :attr:`x` 的每个元素是否为 ``+/-NaN``，稀疏格式与 :attr:`x` 相同 。
 
 
 代码示例
diff --git a/docs/api/paddle/sparse/multiply_cn.rst b/docs/api/paddle/sparse/multiply_cn.rst
@@ -7,7 +7,7 @@ multiply
 
 输入 :attr:`x` 与输入 :attr:`y` 逐元素相乘，并将各个位置的输出元素保存到返回结果中。
 
-输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 `SparseCooTensor` 或同为 `SparseCsrTensor`），如果同为 `SparseCooTensor` 则 `sparse_dim` 也需要相同。
+输入 :attr:`x` 与输入 :attr:`y` 必须为相同形状且为相同稀疏压缩格式（同为 ``SparseCooTensor`` 或同为 ``SparseCsrTensor``），如果同为 ``SparseCooTensor`` 则 ``sparse_dim`` 也需要相同。
 
 等式为：
 
diff --git a/docs/api/paddle/sparse/nn/MaxPool3D_cn.rst b/docs/api/paddle/sparse/nn/MaxPool3D_cn.rst
@@ -5,8 +5,8 @@ MaxPool3D
 
 .. py:class:: paddle.sparse.nn.MaxPool3D(kernel_size, stride=None, padding=0, ceil_mode=False, return_mask=False, data_format="NDHWC", name=None)
 
-构建 `MaxPool3D` 类的一个可调用对象，其将构建一个三维最大池化层，根据输入参数 `kernel_size`, `stride`,
-`padding` 等参数对稀疏输入特征做最大池化操作。 输入输出都是 "NDHWC" 格式，其中 N 是批大小， C 是特征的通道数， H 是特征的高， W 是特征的宽。
+构建 ``MaxPool3D`` 类的一个可调用对象，其将构建一个三维最大池化层，根据输入参数 ``kernel_size``, ``stride``,
+``padding`` 等参数对稀疏输入特征做最大池化操作。 输入输出都是 "NDHWC" 格式，其中 N 是批大小， C 是特征的通道数， H 是特征的高， W 是特征的宽。
 
 参数
 :::::::::
diff --git a/docs/api/paddle/sparse/nn/functional/max_pool3d_cn.rst b/docs/api/paddle/sparse/nn/functional/max_pool3d_cn.rst
@@ -5,7 +5,7 @@ max_pool3d
 
 .. py:function:: paddle.sparse.nn.functional.max_pool3d(x, kernel_size, stride=None, padding=0, ceil_mode=False, data_format="NDHWC", name=None)
 
-该函数是一个三维最大池化函数，根据输入参数 `kernel_size` , `stride` , `padding` 等参数对输入 `x` 做最大池化操作。
+该函数是一个三维最大池化函数，根据输入参数 ``kernel_size`` , ``stride`` , ``padding`` 等参数对输入 ``x`` 做最大池化操作。
 
 参数
 :::::::::
diff --git a/docs/api/paddle/sparse/nn/functional/softmax_cn.rst b/docs/api/paddle/sparse/nn/functional/softmax_cn.rst
diff --git a/docs/api/paddle/sparse/pow_cn.rst b/docs/api/paddle/sparse/pow_cn.rst
diff --git a/docs/api/paddle/sparse/subtract_cn.rst b/docs/api/paddle/sparse/subtract_cn.rst
diff --git a/docs/api/paddle/trunc_cn.rst b/docs/api/paddle/trunc_cn.rst
diff --git a/docs/api/paddle/vision/ops/prior_box_cn.rst b/docs/api/paddle/vision/ops/prior_box_cn.rst
