Add gather cn faq

docs/faq/train_cn.md

@@ -12,6 +12,47 @@
 
 ----------
 
+##### 问题：请问`paddle.gather`和`torch.gather`有什么区别？
+
++ 答复：[`paddle.gather`](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/gather_cn.html#gather)和`torch.gather`的函数签名分别为：
+
+```python
+paddle.gather(x, index, axis=None, name=None)
+torch.gather(input, dim, index, *, sparse_grad=False, out=None)
+```
+
+其中，`paddle.gather`的参数`x`，`index`，`axis`分别与`torch.gather`的参数`input`，`index`，`dim`意义相同。
+
+两者在输入形状、输出形状、计算公式等方面都有区别，具体如下：
+
+- `paddle.gather`
+
+  - 输入形状：`x`可以是任意的`N`维Tensor。但`index`必须是形状为`[M]`的一维Tensor，或形状为`[M, 1]`的二维Tensor。
+
+  - 输出形状：输出Tensor `out`的形状`shape_out`和`x`的形状`shape_x`的关系为：`shape_out[i] = shape_x[i] if i != axis else M`。
+
+  - 计算公式：`out[i_1][i_2]...[i_axis]...[i_N] = x[i_1][i_2]...[index[i_axis]]...[i_N]` 。
+
+  - 举例说明：假设`x`的形状为`[N1, N2, N3]`，`index`的形状为`[M]`，`axis`的值为1，那么输出`out`的形状为`[N1, M, N3]`，且`out[i_1][i_2][i_3] = x[i_1][index[i_2]][i_3]`。
+
+- `torch.gather`
+
+  - 输入形状：`input`可以是任意的`N`维Tensor，且`index.rank`必须等于`input.rank`。
+
+  - 输出形状：输出Tensor `out`的形状与`index`相同。
+
+  - 计算公式：`out[i_1][i_2]...[i_dim]...[i_N] = input[i_1][i_2]...[index[i_1][i_2]...[i_N]]...[i_N]`。
+
+  - 举例说明：假设`x`的形状为`[N1, N2, N3]`，`index`的形状为`[M1, M2, M3]`，`dim`的值为1，那么输出`out`的形状为`[M1, M2, M3]`，且`out[i_1][i_2][i_3] = input[i_1][index[i_1][i_2][i_3]][i_3]`。
+
+- 异同比较
+
+  - 只有当`x.rank == 1`且`index.rank == 1`时，`paddle.gather`和`torch.gather`功能相同。其余情况两者无法直接互换使用。
+
+  - `paddle.gather`不支持`torch.gather`的`sparse_grad`参数。
+
+----------
+
 ##### 问题：在模型组网时，inplace参数的设置会影响梯度回传吗？经过不带参数的op之后，梯度是否会保留下来？
 
 + 答复：inplace 参数不会影响梯度回传。只要用户没有手动设置`stop_gradient=True`，梯度都会保留下来。