[Docs] Normalize spaces around inline literals in CN text

Author: Noai-oss

docs/api/paddle/Tensor__upper_cn.rst

@@ -1446,9 +1446,9 @@ expand_as(y, name=None)
 exponential_(lam=1.0, name=None)
 :::::::::
 
-该 OP 为 inplace 形式，通过 ``指数分布`` 随机数来填充该 Tensor。
+该 OP 为 inplace 形式，通过 `` 指数分布 `` 随机数来填充该 Tensor。
 
-``lam`` 是 ``指数分布`` 的 :math:`\lambda` 参数。随机数符合以下概率密度函数：
+``lam`` 是 `` 指数分布 `` 的 :math:`\lambda` 参数。随机数符合以下概率密度函数：
 
 .. math::
 
@@ -2936,7 +2936,7 @@ to(*args, **kwargs)
     3. to(other, blocking=True)
 
 其中， ``dtype`` 可以是 ``paddle.dtype``, ``numpy.dtype`` 类型或者是 ``["bfloat16", "float16", "float32", "float64", "int8", "int16", "int32",
-"int64", "uint8", "complex64", "complex128", "bool"]`` 中的任意一个 ``str``。 ``device`` 可以是 ``paddle.CPUPlace()``, ``paddle.CUDAPlace()``,
+"int64", "uint8", "complex64", "complex128", "bool"]`` 中的任意一个 ``str``。``device`` 可以是 ``paddle.CPUPlace()``,``paddle.CUDAPlace()``,
 ``paddle.CUDAPinnedPlace()``, ``paddle.XPUPlace()``, ``paddle.CustomPlace()`` 或者 ``str``。 ``other`` 需要是 ``Tensor`` 类型。
 
 返回：类型转换后的新的 Tensor

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
@@ -274,7 +274,7 @@ save_inference_model(executor, dirname, feeded_var_names, target_vars, main_prog
   - **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。
+  - **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。
 

docs/api/paddle/metric/Metric_cn.rst

@@ -46,7 +46,7 @@ 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。
+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]。
 

docs/api/paddle/nn/Fold_cn.rst

@@ -16,7 +16,7 @@ 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` 。
 
 
 

docs/api/paddle/nn/Unfold_cn.rst

@@ -11,7 +11,7 @@ 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。
 
 .. 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**：

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

@@ -5,7 +5,7 @@ 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` 。

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

@@ -5,7 +5,7 @@ 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` 。

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

@@ -5,7 +5,7 @@ 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` 。

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

@@ -16,7 +16,7 @@ prelu 激活层（PRelu Activation Operator）。计算公式如下：
 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。
+    - **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。
 

docs/api/paddle/nn/initializer/Dirac_cn.rst

@@ -6,7 +6,7 @@ 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）