[Docs] Normalize spaces around inline literals in CN text

Author: Noai-oss

docs/api/paddle/Tensor__upper_cn.rst

@@ -265,17 +265,17 @@ COPY-FROM: paddle.distributed.fleet.Fleet.stop_worker
 save_inference_model(executor, dirname, feeded_var_names, target_vars, main_program=None, export_for_deployment=True)
 '''''''''
 
-修剪指定的 ``main_program`` 以构建一个专门用于预测的 ``Inference Program`` （ ``Program`` 含义详见 :ref:`api_guide_Program` ）。所得到的 ``Inference Program`` 及其对应的所>有相关参数均被保存到 ``dirname`` 指定的目录中。
+修剪指定的``main_program``以构建一个专门用于预测的``Inference Program`` （ ``Program``含义详见 :ref:`api_guide_Program` ）。所得到的``Inference Program``及其对应的所>有相关参数均被保存到``dirname``指定的目录中。
 
 
 **参数**
 
-  - **executor** (Executor) –  用于保存预测模型的 ``executor``，详见 :ref:`api_guide_executor` 。
+  - **executor** (Executor) –  用于保存预测模型的``executor``，详见 :ref:`api_guide_executor` 。
   - **dirname** (str) – 指定保存预测模型结构和参数的文件目录。
   - **feeded_var_names** (list[str]) – 字符串列表，包含着 Inference Program 预测时所需提供数据的所有变量名称（即所有输入变量的名称）。
   - **target_vars** (list[Tensor]) – ``Tensor`` （详见 :ref:`api_guide_Program` ）类型列表，包含着模型的所有输出变量。通过这些输出变量即可得到模型的预测结果。
-  - **main_program** (Program，可选) – 通过该参数指定的 ``main_program`` 可构建一个专门用于预测的 ``Inference Program``。若为 None，则使用全局默认的  ``_main_program_`` 。>默认值为 None。
-  - **export_for_deployment** (bool，可选) – 若为 True，则 ``main_program`` 指定的 Program 将被修改为只支持直接预测部署的 Program。否则，将存储更多的信息，方便优化和再训练。目前
+  - **main_program** (Program，可选) – 通过该参数指定的``main_program``可构建一个专门用于预测的``Inference Program``。若为 None，则使用全局默认的``_main_program_`` 。>默认值为 None。
+  - **export_for_deployment** (bool，可选) – 若为 True，则``main_program``指定的 Program 将被修改为只支持直接预测部署的 Program。否则，将存储更多的信息，方便优化和再训练。目前
 只支持设置为 True，且默认值为 True。
 
 
@@ -295,9 +295,9 @@ save_persistables(executor, dirname, main_program=None)
 
 **参数**
 
- - **executor**  (Executor) – 用于保存持久性变量的 ``executor``，详见 :ref:`api_guide_executor` 。
+ - **executor**  (Executor) – 用于保存持久性变量的``executor``，详见 :ref:`api_guide_executor` 。
  - **dirname**  (str) – 用于储存持久性变量的文件目录。
- - **main_program**  (Program，可选) – 需要保存持久性变量的 Program（ ``Program`` 含义详见 :ref:`api_guide_Program` ）。如果为 None，则使用 default_main_Program。默认值为 None>。
+ - **main_program**  (Program，可选) – 需要保存持久性变量的 Program（ ``Program``含义详见 :ref:`api_guide_Program` ）。如果为 None，则使用 default_main_Program。默认值为 None>。
 
 **返回**
 无
@@ -441,10 +441,10 @@ state_dict()
 
   **1. 该 API 只在** `Dygraph <../../user_guides/howto/dygraph/DyGraph.html>`_ **模式下生效**
 
-以 ``dict`` 返回当前 ``optimizer`` 使用的所有 Tensor。比如对于 Adam 优化器，将返回 beta1, beta2, momentum 等 Tensor。
+以``dict``返回当前``optimizer``使用的所有 Tensor。比如对于 Adam 优化器，将返回 beta1, beta2, momentum 等 Tensor。
 
 **返回**
-dict，当前 ``optimizer`` 使用的所有 Tensor。
+dict，当前``optimizer``使用的所有 Tensor。
 
 
 **代码示例**
@@ -479,7 +479,7 @@ set_state_dict(state_dict)
 
   **1. 该 API 只在** `Dygraph <../../user_guides/howto/dygraph/DyGraph.html>`_ **模式下生效**
 
-加载 ``optimizer`` 的 Tensor 字典给当前 ``optimizer`` 。
+加载``optimizer``的 Tensor 字典给当前``optimizer`` 。
 
 **返回**
 None
@@ -520,7 +520,7 @@ set_lr(value)
 
   **1. 该 API 只在** `Dygraph <../../user_guides/howto/dygraph/DyGraph.html>`_ **模式下生效**
 
-手动设置当前 ``optimizer`` 的学习率。
+手动设置当前``optimizer``的学习率。
 
 **参数**
 
@@ -573,7 +573,7 @@ set_lr_scheduler(scheduler)
 
   **1. 该 API 只在** `Dygraph <../../user_guides/howto/dygraph/DyGraph.html>`_ **模式下生效**
 
-手动设置当前 ``optimizer`` 的学习率为 LRScheduler 类。
+手动设置当前``optimizer``的学习率为 LRScheduler 类。
 
 **参数**
 

docs/api/paddle/distributed/fleet/Fleet_cn.rst

@@ -17,13 +17,13 @@ Metric
             m.update(prediction, label)
         m.accumulate()
 
-``compute`` 接口的进阶用法：
+``compute``接口的进阶用法：
 
-在 ``compute`` 中可以使用 PaddlePaddle 内置的算子进行评估器的状态，而不是通过
-Python/NumPy，这样可以加速计算。``update`` 接口将 ``compute`` 的输出作为
+在``compute``中可以使用 PaddlePaddle 内置的算子进行评估器的状态，而不是通过
+Python/NumPy，这样可以加速计算。``update``接口将``compute``的输出作为
 输入，内部采用 Python/NumPy 计算。
 
-``Metric`` 计算流程如下 （在{}中的表示模型和评估器的计算）:
+``Metric``计算流程如下 （在{}中的表示模型和评估器的计算）:
 
     .. code-block:: text
 
@@ -46,17 +46,17 @@ Python/NumPy，这样可以加速计算。``update`` 接口将 ``compute`` 的
 代码示例 1
 ::::::::::::
 
-以 计算正确率的 ``Accuracy`` 为例，该评估器的输入为 ``pred`` 和 ``label``，可以在 ``compute`` 中通过 ``pred`` 和 ``label``先计算正确预测的矩阵。
-例如，预测结果包含 10 类，``pred`` 的 shape 是[N, 10]，``label`` 的 shape 是[N, 1]，N 是 batch size，我们需要计算 top-1 和 top-5 的准确率，
-可以在 ``compute`` 中计算每个样本的 top-5 得分，正确预测的矩阵的 shape 是[N, 5]。
+以 计算正确率的``Accuracy``为例，该评估器的输入为``pred``和``label``，可以在``compute``中通过``pred``和``label``先计算正确预测的矩阵。
+例如，预测结果包含 10 类，``pred``的 shape 是[N, 10]，``label``的 shape 是[N, 1]，N 是 batch size，我们需要计算 top-1 和 top-5 的准确率，
+可以在``compute``中计算每个样本的 top-5 得分，正确预测的矩阵的 shape 是[N, 5]。
 
 
 COPY-FROM: paddle.metric.Metric:code-compute-example
 
 代码示例 2
 ::::::::::::
 
-在 ``compute`` 中的计算，使用内置的算子(可以跑在 GPU 上，使得速度更快)。作为 ``update`` 的输入，该接口计算如下：
+在``compute``中的计算，使用内置的算子(可以跑在 GPU 上，使得速度更快)。作为``update``的输入，该接口计算如下：
 
 COPY-FROM: paddle.metric.Metric:code-update-example
 
@@ -75,10 +75,10 @@ reset()
 update(*args)
 '''''''''
 
-更新状态。如果定义了 ``compute`` ， ``update`` 的输入是 ``compute`` 的输出。如果没有定义，则输入是网络的输出**output**和标签**label**，
+更新状态。如果定义了``compute`` ， ``update``的输入是``compute``的输出。如果没有定义，则输入是网络的输出**output**和标签**label**，
 如：``update(output1, output2, ..., label1, label2,...)`` 。
 
-也可以参考 ``update`` 。
+也可以参考``update`` 。
 
 
 accumulate()
@@ -107,6 +107,6 @@ compute()
 此接口可以通过 PaddlePaddle 内置的算子计算 metric 的状态，可以加速 metric 的计算，为可选的高阶接口。
 
 - 如果这个接口定义了，输入是网络的输出 **outputs** 和 标签 **labels**，定义如：``compute(output1, output2, ..., label1, label2,...)`` 。
-- 如果这个接口没有定义，默认的行为是直接将输入参数返回给 ``update``，则其定义如：``update(output1, output2, ..., label1, label2,...)`` 。
+- 如果这个接口没有定义，默认的行为是直接将输入参数返回给``update``，则其定义如：``update(output1, output2, ..., label1, label2,...)`` 。
 
-也可以参考 ``compute`` 。
+也可以参考``compute`` 。

docs/api/paddle/metric/Metric_cn.rst

@@ -16,15 +16,15 @@ Fold
     C_{out} &= \frac{C_{in}}{kernel\_sizes[0]\times kernel\_sizes[1]} \\
 
 .. note::
-   对应的 ``functional 方法`` 请参考：:ref:`cn_api_paddle_nn_functional_fold` 。
+   对应的``functional 方法``请参考：:ref:`cn_api_paddle_nn_functional_fold` 。
 
 
 
 参数
 :::::::::
-    - **output_sizes**  (int|list|tuple) – 输出尺寸，整数或者整型列表。如为列表类型应包含两个元素 ``[output_size_h, output_size_w]``。如果为整数 o，则输出形状会被认为 ``[o, o]``。
-    - **kernel_size** (int|list|tuple) - 卷积核大小，整数或者整型列表。如为列表类型应包含两个元素 ``[k_h, k_w]``。如果为整数 k，则输出形状会被认为 ``[k, k]``。
-    - **strides** (int|list|tuple，可选) - 步长大小，整数或者整型列表。如为列表类型应包含两个元素 ``[stride_h, stride_w]``。如果为整数 stride，则输出形状会被认为 ``[sride, stride]``。默认为[1,1]。
+    - **output_sizes**  (int|list|tuple) – 输出尺寸，整数或者整型列表。如为列表类型应包含两个元素``[output_size_h, output_size_w]``。如果为整数 o，则输出形状会被认为``[o, o]``。
+    - **kernel_size** (int|list|tuple) - 卷积核大小，整数或者整型列表。如为列表类型应包含两个元素``[k_h, k_w]``。如果为整数 k，则输出形状会被认为``[k, k]``。
+    - **strides** (int|list|tuple，可选) - 步长大小，整数或者整型列表。如为列表类型应包含两个元素``[stride_h, stride_w]``。如果为整数 stride，则输出形状会被认为``[sride, stride]``。默认为[1,1]。
     - **paddings** (int|list|tuple，可选) – 每个维度的扩展，整数或者整型列表。如果为整型列表，长度应该为 4 或者 2；长度为 4 对应的 padding 参数是：[padding_top, padding_left，padding_bottom, padding_right]，长度为 2 对应的 padding 参数是[padding_h, padding_w]，会被当作[padding_h, padding_w, padding_h, padding_w]处理。如果为整数 padding，则会被当作[padding, padding, padding, padding]处理。默认值为 0。
     - **dilations** (int|list|tuple，可选) – 卷积膨胀，整型列表或者整数。如果为整型列表，应该包含两个元素[dilation_h, dilation_w]。如果是整数 dilation，会被当作整型列表[dilation, dilation]处理。默认值为 1。
     - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。
@@ -33,7 +33,7 @@ Fold
 形状
 :::::::::
  - **输入** ：4-D Tensor，形状为[N, C_in, L]，数据类型为 float32 或者 float64
- - **输出** ：形状如上面所描述的[N, Cout, H, W]，数据类型与 ``x`` 相同
+ - **输出** ：形状如上面所描述的[N, Cout, H, W]，数据类型与``x``相同
 
 
 代码示例

docs/api/paddle/nn/Fold_cn.rst

@@ -8,10 +8,10 @@ Unfold
 
 
 
-实现的功能与卷积中用到的 im2col 函数一样，通常也被称作为 im2col 过程。对于每一个卷积核覆盖下的区域，元素会被重新排成一列。当卷积核在整个图片上滑动时，将会形成一系列的列向量。对于每一个输入形状为[N, C, H, W]的 ``x``，都将会按照下面公式计算出一个形状为[N, Cout, Lout]的输出。
+实现的功能与卷积中用到的 im2col 函数一样，通常也被称作为 im2col 过程。对于每一个卷积核覆盖下的区域，元素会被重新排成一列。当卷积核在整个图片上滑动时，将会形成一系列的列向量。对于每一个输入形状为[N, C, H, W]的``x``，都将会按照下面公式计算出一个形状为[N, Cout, Lout]的输出。
 
 .. note::
-   对应的 ``functional 方法`` 请参考：:ref:`cn_api_paddle_nn_functional_unfold`。
+   对应的``functional 方法``请参考：:ref:`cn_api_paddle_nn_functional_unfold`。
 
 
 **样例**：
@@ -31,16 +31,16 @@ Unfold
 参数
 ::::::::::::
 
-    - **kernel_sizes**  (int|list(tuple) of int) – 卷积核的尺寸，整数或者整型列表。如果为整型列表，应包含两个元素 ``[k_h, k_w]``，卷积核大小为 ``k_h * k_w``；如果为整数 k，会被当作整型列表 ``[k, k]`` 处理
+    - **kernel_sizes**  (int|list(tuple) of int) – 卷积核的尺寸，整数或者整型列表。如果为整型列表，应包含两个元素``[k_h, k_w]``，卷积核大小为``k_h * k_w``；如果为整数 k，会被当作整型列表``[k, k]``处理
     - **dilations** (int|list(tuple) of int，可选) – 卷积膨胀，整型列表或者整数。如果为整型列表，应该包含两个元素[dilation_h, dilation_w]。如果是整数 dilation，会被当作整型列表[dilation, dilation]处理。默认值为 1
     - **paddings** (int|list(tuple) of int，可选) – 每个维度的扩展，整数或者整型列表。如果为整型列表，长度应该为 4 或者 2；长度为 4 对应的 padding 参数是：[padding_top, padding_left，padding_bottom, padding_right]，长度为 2 对应的 padding 参数是[padding_h, padding_w]，会被当作[padding_h, padding_w, padding_h, padding_w]处理。如果为整数 padding，则会被当作[padding, padding, padding, padding]处理。默认值为 0
-    - **strides**  (int|list(tuple) of int，可选) – 卷积步长，整数或者整型列表。如果为整型列表，应该包含两个元素 ``[stride_h, stride_w]``。如果为整数，则 ``stride_h = stride_w = strides``。默认值为 1
+    - **strides**  (int|list(tuple) of int，可选) – 卷积步长，整数或者整型列表。如果为整型列表，应该包含两个元素``[stride_h, stride_w]``。如果为整数，则``stride_h = stride_w = strides``。默认值为 1
     - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。
 
 形状
 :::::::::
  - **输入** : 4-D Tensor，形状为[N, C, H, W]，数据类型为 float32 或者 float64
- - **输出**：形状如上面所描述的[N, Cout, Lout]，Cout 每一个滑动 block 里面覆盖的元素个数，Lout 是滑动 block 的个数，数据类型与 ``x`` 相同
+ - **输出**：形状如上面所描述的[N, Cout, Lout]，Cout 每一个滑动 block 里面覆盖的元素个数，Lout 是滑动 block 的个数，数据类型与``x``相同
 
 
 代码示例

docs/api/paddle/nn/Unfold_cn.rst

@@ -5,10 +5,10 @@ max_unpool1d
 
 .. py:function:: paddle.nn.functional.max_unpool1d(x, indices, kernel_size, stride=None, padding=0, data_format="NCL", output_size=None, name=None)
 
-这个 API 实现了 ``1D 最大反池化`` 操作
+这个 API 实现了``1D 最大反池化``操作
 
 .. note::
-   更多细节请参考对应的 ``Class`` 请参考 :ref:`cn_api_paddle_nn_MaxUnPool1D` 。
+   更多细节请参考对应的``Class``请参考 :ref:`cn_api_paddle_nn_MaxUnPool1D` 。
 
 
 输入：
@@ -19,7 +19,7 @@ max_unpool1d
 .. math::
   L_{out} = (L_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{kernel_size}
 
-或由参数 ``output_size`` 直接指定
+或由参数``output_size``直接指定
 
 
 参数

docs/api/paddle/nn/functional/max_unpool1d_cn.rst

@@ -5,10 +5,10 @@ max_unpool2d
 
 .. py:function:: paddle.nn.functional.max_unpool2d(x, indices, kernel_size, stride=None,padding=0,data_format="NCHW",output_size=None,name=None)
 
-这个 API 实现了 ``2D 最大反池化`` 操作
+这个 API 实现了``2D 最大反池化``操作
 
 .. note::
-   更多细节请参考对应的 ``Class`` 请参考 :ref:`cn_api_paddle_nn_MaxUnPool2D` 。
+   更多细节请参考对应的``Class``请参考 :ref:`cn_api_paddle_nn_MaxUnPool2D` 。
 
 
 输入：
@@ -22,7 +22,7 @@ max_unpool2d
 .. math::
   W_{out} = (W_{in} - 1) \times \text{stride[1]} - 2 \times \text{padding[1]} + \text{kernel_size[1]}
 
-或由参数 ``output_size`` 直接指定
+或由参数``output_size``直接指定
 
 
 参数

docs/api/paddle/nn/functional/max_unpool2d_cn.rst

@@ -5,10 +5,10 @@ max_unpool3d
 
 .. py:function:: paddle.nn.functional.max_unpool3d(x, indices, kernel_size, stride=None, padding=0, data_format="NCDHW", output_size=None, name=None)
 
-这个 API 实现了 ``3D 最大反池化`` 操作
+这个 API 实现了``3D 最大反池化``操作
 
 .. note::
-   更多细节请参考对应的 ``Class`` 请参考 :ref:`cn_api_paddle_nn_MaxUnPool3D` 。
+   更多细节请参考对应的``Class``请参考 :ref:`cn_api_paddle_nn_MaxUnPool3D` 。
 
 
 输入：
@@ -25,7 +25,7 @@ max_unpool3d
 .. math::
   W_{out} = (W_{in} - 1) \times \text{stride[2]} - 2 \times \text{padding[2]} + \text{kernel_size[2]}
 
-或由参数 ``output_size`` 直接指定
+或由参数``output_size``直接指定
 
 
 参数

docs/api/paddle/nn/functional/max_unpool3d_cn.rst

@@ -11,18 +11,18 @@ prelu 激活层（PRelu Activation Operator）。计算公式如下：
 
     prelu(x) = max(0, x) + weight * min(0, x)
 
-其中，:math:`x` 和 ``weight`` 为输入的 Tensor
+其中，:math:`x` 和``weight``为输入的 Tensor
 
 参数
 ::::::::::
-    - **x** (Tensor) - 输入的 ``Tensor``，数据类型为：float32、float64。
-    - **weight** (Tensor) - 可训练参数，数据类型同``x`` 一致，形状支持：[]、[1] 或者 [in]，其中`in`为输入的通道数。
+    - **x** (Tensor) - 输入的``Tensor``，数据类型为：float32、float64。
+    - **weight** (Tensor) - 可训练参数，数据类型同``x``一致，形状支持：[]、[1] 或者 [in]，其中`in`为输入的通道数。
     - **data_format** (str，可选) – 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 "NC", "NCL", "NCHW", "NCDHW", "NLC", "NHWC" 或者 "NDHWC"。默认值："NCHW"。
     - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。
 
 返回
 ::::::::::
-    ``Tensor``，数据类型和形状同 ``x`` 一致。
+    ``Tensor``，数据类型和形状同``x``一致。
 
 代码示例
 :::::::::

docs/api/paddle/nn/functional/prelu_cn.rst

@@ -6,17 +6,17 @@ Dirac
 .. py:class:: paddle.nn.initializer.Dirac(groups=1, name=None)
 
 
-通过 ``狄拉克 delta 函数`` 来初始化 3D/4D/5D Tensor。
+通过``狄拉克 delta 函数``来初始化 3D/4D/5D Tensor。
 
-该初始化方式一般用于 Conv1D/Conv2D/Conv3D 卷积层，能尽可能多的保留卷积层输入的特性。（如果 ``out_channels`` > ``in_channels``，则可保留全部的输入 ``channel`` 特性）
+该初始化方式一般用于 Conv1D/Conv2D/Conv3D 卷积层，能尽可能多的保留卷积层输入的特性。（如果``out_channels`` > ``in_channels``，则可保留全部的输入``channel``特性）
 
 被初始化的参数，每个卷积核中间的元素会被置为 1，其余元素为 0。公式可以描述为：
 
 .. math::
 
     X[d, d, shape[2]//2, shape[3]//2, ...]=1 ; d=0,1...N
 
-其中 N 为 ``out_channels`` 和 ``in_channels`` 中的较小值。
+其中 N 为``out_channels``和``in_channels``中的较小值。
 
 
 参数