modify sth on dynamic2static documents

docs/api/paddle/jit/save_cn.rst

@@ -34,4 +34,96 @@ save
 代码示例
 :::::::::
 
-COPY-FROM: paddle.jit.save
+    ```python
+    # example 1: save layer
+    import numpy as np
+    import paddle
+    import paddle.nn as nn
+    import paddle.optimizer as opt
+
+    BATCH_SIZE = 16
+    BATCH_NUM = 4
+    EPOCH_NUM = 4
+
+    IMAGE_SIZE = 784
+    CLASS_NUM = 10
+
+    # define a random dataset
+    class RandomDataset(paddle.io.Dataset):
+        def __init__(self, num_samples):
+            self.num_samples = num_samples
+
+        def __getitem__(self, idx):
+            image = np.random.random([IMAGE_SIZE]).astype('float32')
+            label = np.random.randint(0, CLASS_NUM, (1, )).astype('int64')
+            return image, label
+
+        def __len__(self):
+            return self.num_samples
+
+    class LinearNet(nn.Layer):
+        def __init__(self):
+            super(LinearNet, self).__init__()
+            self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
+
+        @paddle.jit.to_static
+        def forward(self, x):
+            return self._linear(x)
+
+    def train(layer, loader, loss_fn, opt):
+        for epoch_id in range(EPOCH_NUM):
+            for batch_id, (images, labels) in enumerate(loader()):
+                out = layer(images)
+                loss = loss_fn(out, labels)
+                loss.backward()
+                opt.step()
+                opt.clear_grad()
+                print("Epoch {} batch {}: loss = {}".format(
+                    epoch_id, batch_id, np.mean(loss.numpy())))
+
+    # 1. train & save model.
+
+    # create network
+    layer = LinearNet()
+    loss_fn = nn.CrossEntropyLoss()
+    adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())
+
+    # create data loader
+    dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
+    loader = paddle.io.DataLoader(dataset,
+        batch_size=BATCH_SIZE,
+        shuffle=True,
+        drop_last=True,
+        num_workers=2)
+
+    # train
+    train(layer, loader, loss_fn, adam)
+
+    # save
+    path = "example_model/linear"
+    paddle.jit.save(layer, path)
+    ```
+
+    ```python
+    # example 2: save function
+    import paddle
+    from paddle.static import InputSpec
+
+
+    def save_function():
+        @paddle.jit.to_static
+        def fun(inputs):
+            return paddle.tanh(inputs)
+
+        path = 'test_jit_save_load_function/func'
+        inps = paddle.rand([3, 6])
+        origin = fun(inps)
+
+        paddle.jit.save(fun, path)
+        load_func = paddle.jit.load(path)
+
+        load_result = load_func(inps)
+        print((load_result - origin).abs().max() < 1e-10)
+
+    save_function()
+    ```

docs/guides/jit/basic_usage_cn.md

@@ -882,6 +882,11 @@ class SimpleNet(Layer):
 若被装饰函数的参数列表除了 Tensor 类型，还包含其他如 Int、 String 等非 Tensor 类型时，推荐在函数中使用 kwargs 形式定义非 Tensor 参数，如下述样例中的 ``use_act`` 参数。
 
 ```python
+import paddle
+from paddle.jit import to_static
+from paddle.nn import Layer
+from paddle.static import InputSpec
+
 class SimpleNet(Layer):
     def __init__(self, ):
         super(SimpleNet, self).__init__()
@@ -896,11 +901,11 @@ class SimpleNet(Layer):
 
 net = SimpleNet()
 # 方式一：save inference model with use_act=False
-net = to_static(input_spec=[InputSpec(shape=[None, 10], name='x')])
+net = to_static(net, input_spec=[InputSpec(shape=[None, 10], name='x')])
 paddle.jit.save(net, path='./simple_net')
 
 # 方式二：save inference model with use_act=True
-net = to_static(input_spec=[InputSpec(shape=[None, 10], name='x'), True])
+net = to_static(net, input_spec=[InputSpec(shape=[None, 10], name='x'), True])
 paddle.jit.save(net, path='./simple_net')
 ```
 

docs/guides/jit/case_analysis_cn.md

@@ -96,10 +96,10 @@
 def forward(self, x):
     out = self.linear(x)  # [bs, 3]
 
-    # 以下将 tensor 转为了 numpy 进行一系列操作
+    # 以下将 tensor 转为了 numpy array 进行一系列操作
     x_data = x.numpy().astype('float32')  # [bs, 10]
-    weight = np.random.randn([10,3])
-    mask = paddle.to_tensor(x_data * weight)  # 此处又转回了 Tensor
+    weight = np.random.randn(10, 3)
+    mask = paddle.to_tensor(x_data @ weight)  # 此处又转回了 Tensor
 
     out = out * mask
     return out
@@ -113,7 +113,7 @@ def forward(self, x):
     out = self.linear(x)  # [bs, 3]
 
     weight = paddle.randn([10,3], 'float32')
-    mask = x * weight
+    mask = paddle.matmul(x, weight)
 
     out = out * mask
     return out
@@ -129,7 +129,7 @@ def forward(self, x):
 
 ## 四、to_tensor() 的使用
 
-``paddle.to_tensor()`` 接口是动态图模型代码中使用比较频繁的一个接口。 ``to_tensor``  功能强大，将可以将一个 ``scalar`` ， ``list`` ，``tuple`` ， ``numpy.ndarray`` 转为 ``paddle.Tensor`` 类型。
+``paddle.to_tensor()`` 接口是动态图模型代码中使用比较频繁的一个接口。 ``to_tensor``  功能强大，可以将一个 ``scalar`` ， ``list`` ，``tuple`` ， ``numpy.ndarray`` 转为 ``paddle.Tensor`` 类型。
 
 此接口是动态图独有的接口，在动转静时，会转换为 ``assign`` 接口：
 
@@ -193,14 +193,14 @@ class SimpleNet(paddle.nn.Layer):
 
 动态图模型常常包含很多嵌套的子网络，建议各个自定义的子网络 ``sublayer`` **无论是否包含了参数，都继承 ``nn.Layer`` .**
 
-从 **Parameters 和 Buffers**  章节可知，有些 ``paddle.to_tensor`` 接口转来的 ``Tensor`` 也可能参与预测逻辑分支的计算，即模型导出时，也需要作为参数序列化保存到 ``.pdiparams`` 文件中。
+从 [**Parameters 和 Buffers**](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/jit/principle_cn.html#buffer)  章节可知，有些 ``paddle.to_tensor`` 接口转来的 ``Tensor`` 也可能参与预测逻辑分支的计算，即模型导出时，也需要作为参数序列化保存到 ``.pdiparams`` 文件中。
 
 > **原因**： 若某个 sublayer 包含了 buffer Variables，但却没有继承 ``nn.Layer`` ，则可能导致保存的 ``.pdiparams`` 文件缺失部分重要参数。
 
 **举个例子：**
 
 ```python
-class SimpleNet(object):                       # <---- 继承 Object
+class SimpleNet(object):                       # <---- 继承 object
     def __init__(self, mask):
         super(SimpleNet, self).__init__()
         self.linear = paddle.nn.Linear(10, 3)  # <---- Linear 参数永远都不会被更新
@@ -215,7 +215,7 @@ class SimpleNet(object):                       # <---- 继承 Object
 
 同时，所有继承 ``nn.Layer`` 的 ``sublayer`` 都建议：
 
-+ 重写 ``forward`` 函数，尽量避免重写 ``__call__``` 函数
++ 重写 ``forward`` 函数，尽量避免重写 ``__call__`` 函数
 > ``__call__`` 函数通常会包含框架层面的一些通用的处理逻辑，比如 ``pre_hook`` 和 ``post_hook`` 。重写此函数可能会覆盖框架层面的逻辑。
 
 +  尽量将 ``forward`` 函数作为 sublayers 的调用入口
@@ -265,19 +265,23 @@ def forward(self, x):
 model = SimpleNet()
 model.eval()           # <---- 一键切换分支，则只会导出 eval 相关的预测分支
 
-jit.save(mode, model_path)
+paddle.jit.save(model, model_path)
 ```
 
 
 推荐使用 ``self.training`` 或其他非 Tensor 类型的 bool 值进行区分。
 
-此 flag 继承自 ``nn.Layer`` ，因此可通过 ``model.train()`` 和 ``model.eval()`` 来全局切换所有 sublayers 的分支状态。
+此 flag 继承自 ``paddle.nn.Layer`` ，因此可通过 ``model.train()`` 和 ``model.eval()`` 来全局切换所有 sublayers 的分支状态。
 
 ## 七、非 forward 函数导出
 
-`@to_static` 与 `jit.save` 接口搭配也支持导出非 forward 的其他函数，具体使用方式如下：
+`@paddle.jit.to_static` 与 `paddle.jit.save` 接口搭配也支持导出非 forward 的其他函数，具体使用方式如下：
 
 ```python
+import paddle
+from paddle.jit import to_static
+from paddle.static import InputSpec
+
 class SimpleNet(paddle.nn.Layer):
     def __init__(self):
         super(SimpleNet, self).__init__()
@@ -300,24 +304,24 @@ net = SimpleNet()
 net.eval()
 
 # step 2: 定义 InputSpec 信息 （同上）
-x_spec = InputSpec(shape=[None, 3], dtype='float32', name='x')
+x_spec = InputSpec(shape=[None, 10], dtype='float32', name='x')
 
 # step 3: @to_static 装饰
 static_func = to_static(net.another_func, input_spec=[x_spec])
 
-# step 4: 调用 jit.save 接口
-net = paddle.jit.save(static_func, path='another_func')
+# step 4: 调用 paddle.jit.save 接口
+paddle.jit.save(static_func, path='another_func')
 ```
 
 使用上的区别主要在于：
 
 + **`@to_static` 装饰**：导出其他函数时需要显式地用 `@to_static` 装饰，以告知动静转换模块将其识别、并转为静态图 Program；
-+ **`save`接口参数**：调用`jit.save`接口时，需将上述被`@to_static` 装饰后的函数作为**参数**；
++ **`save`接口参数**：调用`paddle.jit.save`接口时，需将上述被`@to_static` 装饰后的函数作为**参数**；
 
 执行上述代码样例后，在当前目录下会生成三个文件：
 ```
 another_func.pdiparams        // 存放模型中所有的权重数据
-another_func.pdimodel         // 存放模型的网络结构
+another_func.pdmodel         // 存放模型的网络结构
 another_func.pdiparams.info   // 存放额外的其他信息
 ```
 
@@ -326,7 +330,7 @@ another_func.pdiparams.info   // 存放额外的其他信息
 
 ## 八、再谈控制流
 
-前面[【控制流转写】(./basic_usage_cn.html#sikongzhiliuzhuanxie)]提到，不论控制流 ``if/for/while`` 语句是否需要转为静态图中的 ``cond_op/while_op`` ，都会先进行代码规范化，如 ``IfElse`` 语句会规范为如下范式：
+前面[【控制流转写】](./principle_cn.html#kongzhiliuzhuanxie)提到，不论控制流 ``if/for/while`` 语句是否需要转为静态图中的 ``cond_op/while_op`` ，都会先进行代码规范化，如 ``IfElse`` 语句会规范为如下范式：
 
 ```python
 def true_fn_0(out):
@@ -348,7 +352,7 @@ out = convert_ifelse(paddle.mean(x) > 5.0, true_fn_0, false_fn_0, (x,), (x,), (o
 
 当控制流中，出现了 ``list.append`` 类似语法时，情况会有一点点特殊。
 
-Paddle 框架中的 ``cond_op`` 和 [``while_loop``](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/fluid/layers/while_loop_cn.html#cn-api-fluid-layers-while-loop) 对输入和返回类型有一个要求：
+Paddle 框架中的 [``cond_op``](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/static/nn/cond_cn.html#cond) 和 [``while_loop``](https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/static/nn/while_loop_cn.html) 对输入和返回类型有一个要求：
 > 输入或者返回类型必须是：LoDTensor 或者 LoDTensorArray <br><br>
 > 即：不支持其他非 LoDTensor 类型
 

docs/guides/jit/grammar_list_cn.md

@@ -135,9 +135,9 @@ def break_usage(x):
             break  # <------- jump out of while loop when break ;
     return tensor_idx
 ```
-当时输入 x = Tensor([1.0, 2.0 ,3.0]) 时，输出的 tensor_idx 是 Tensor([1])。
+当输入 x = Tensor([1.0, 2.0 ,3.0]) 时，输出的 tensor_idx 是 Tensor([1])。
 
-> 注：这里虽然 idx 是-1，但是返回值还是 Tensor。因为`tensor_idx` 在 while loop 中转化为了`Tensor`。
+> 注：这里虽然 tensor_idx 初始值是-1，但是返回值还是 Tensor。因为 `idx` 在 while loop 中转化为了只含一个索引值的 `Tensor`。
 
 
 ### 3.5 与、或、非
@@ -167,9 +167,11 @@ def and(x, y):
 <span id='6'></span>
 **主要逻辑：**
 
-动态图中可以直接用 Python 的类型转化语法来转化 Tensor 类型。如若 x 是 Tensor 时，float(x)可以将 x 的类型转化为 float。
+动态图中可以直接用 Python 的类型转化语法来转化 Tensor 类型。如若 x 是 Tensor 时（只支持含有一个元素的 Tensor ），
 
-动转静在运行时判断 x 是否是 Tensor，若是，则在动转静时使用静态图`cast`接口转化相应的 Tensor 类型。
+float(x) 可以将 x 的类型转化为 float。动转静在运行时判断 x 是否是 Tensor，若是，则在动转静时使用静态图 `cast` 接口
+
+转化相应的 Tensor 类型。
 
 **使用样例**：
 
@@ -239,7 +241,7 @@ def recur_call(x):
 def list_example(x, y):
      a = [ x ]   # < ------ 支持直接创建
      a.append(x) # < ------ 支持调用 append、pop 操作
-     a[1] = y    # < ------ 支持下标修改 append
+     a[1] = y    # < ------ 支持下标修改 
      return a[0] # < ------ 支持下标获取
 ```