update docs

Author: Ligoml

docs/api/paddle/amp/decorate_cn.rst

@@ -21,6 +21,6 @@ decorate
     - **save_dtype** (str|None, 可选) - 网络存储类型，可为float16、float32、float64。通过 ``save_dtype`` 可指定通过 ``paddle.save`` 和 ``paddle.jit.save`` 存储的网络参数数据类型。默认为None，采用现有网络参数类型进行存储。
 
 
-代码示例：
+代码示例
 :::::::::
 COPY-FROM: paddle.amp.decorate

docs/api/paddle/io/DataLoader_cn.rst

@@ -143,10 +143,9 @@ from_generator(feed_list=None, capacity=None, use_double_buffer=True, iterable=T
     - **drop_last** (bool): 是否丢弃最后的不足CPU/GPU设备数的批次。默认值为True。在网络训练时，用户不能设置drop_last=False，此时所有CPU/GPU设备均应从DataLoader中读取到数据。在网络预测时，用户可以设置drop_last=False，此时最后不足CPU/GPU设备数的批次可以进行预测。
 
 **返回**
- 被创建的DataLoader对象
 
-**返回类型**
- loader (DataLoader)
+ 被创建的DataLoader对象。
+
 
 **代码示例 1**
 
@@ -349,8 +348,7 @@ from_generator(feed_list=None, capacity=None, use_double_buffer=True, iterable=T
             print("Epoch {} batch {}: loss = {}".format(
                 epoch_id, batch_id, np.mean(loss.numpy())))
 
-代码示例 3
-::::::::::::
+**代码示例 3**
 
 .. code-block:: python
 
@@ -415,10 +413,9 @@ from_dataset(dataset, places, drop_last=True)
     - **drop_last** (bool) - 是否丢弃最后样本数量不足batch size的batch。若drop_last = True则丢弃，若drop_last = False则不丢弃。
 
 **返回**
- 被创建的DataLoader对象，可以for-range的方式循环迭代
 
-**返回类型**
- loader (DataLoader)
+ 被创建的DataLoader对象，可以for-range的方式循环迭代。
+
 
 **代码示例**
 

docs/api/paddle/io/DistributedBatchSampler_cn.rst

@@ -56,17 +56,18 @@ DistributedBatchSampler，返回样本下标数组的迭代器。
         # do something
         break
 
-.. py:function:: set_epoch(epoch)
+方法
+::::::::::::
+set_epoch(epoch)
+'''''''''
 
 设置epoch数。当设置``shuffle=True``时，此epoch被用作随机种子。默认情况下，用户可以不用此接口设置，每个epoch时，所有的进程(workers)使用不同的顺序。如果每个epoch设置相同的数字，每个epoch数据的读取顺序将会相同。
 
-参数
-::::::::::::
+**参数**
 
     - **epoch** (int) - epoch数。
 
-代码示例
-::::::::::::
+**代码示例**
 
 .. code-block:: python
 

docs/api/paddle/io/IterableDataset_cn.rst

@@ -16,7 +16,7 @@ IterableDataset
 
 见 ``paddle.io.DataLoader`` 。
 
-代码示例
+代码示例 1
 ::::::::::::
 
 .. code-block:: python
@@ -42,11 +42,12 @@ IterableDataset
 当 ``paddle.io.DataLoader`` 中 ``num_workers > 0`` 时，每个子进程都会遍历全量的数据集返回全量样本，所以数据集会重复 ``num_workers``
 次，如果需要数据集样本不会重复返回，可通过如下两种方法避免样本重复，两种方法中都需要通过 ``paddle.io.get_worker_info`` 获取各子进程的信息。
 
-1. 通过 ``__iter__`` 函数划分各子进程的数据
 
-代码示例 1
+代码示例 2
 ::::::::::::
 
+通过 ``__iter__`` 函数划分各子进程的数据
+
 .. code-block:: python
 
     import math
@@ -86,11 +87,12 @@ IterableDataset
         print(data)
     # outputs: [2, 5, 3, 6, 4, 7]
 
-2. 通过各子进程初始化函数 ``worker_inif_fn`` 划分子进程数据
 
-代码示例 2
+代码示例 3
 ::::::::::::
 
+通过各子进程初始化函数 ``worker_inif_fn`` 划分子进程数据
+
 .. code-block:: python
 
     import math