[phi::DenseTensor] delete LoDTensor in Zh files (#5486)

* fix LoDTensor

* fix LoDTensor

* fix LoDTensor

* fix LoDTensor

* fix LoDTensor

* Update sequence_expand_as_cn.rst

Co-authored-by: Ligoml <39876205+Ligoml@users.noreply.github.com>

docs/api/paddle/autograd/saved_tensors_hooks_cn.rst

@@ -11,7 +11,7 @@ saved_tensors_hooks 用于动态图，注册一对 pack / unpack hook，用于
 
 **参数**
 
-  - **pack_hook** (function) – 当某个算子的前向执行时，存在 Tensor 需要保留给反向计算梯度使用时， ``pack_hook`` 将会被调用。 ``pack_hook`` 可以将 Tensor 临时存放到内存或者硬盘上。 ``pack_hook`` 的输入是 1 个要被保留的 Tensor。 ``pack_hook`` 的输出是恢复被保留 Tensor 所需要的信息。当 ``PyLayerContext.save_for_backward`` 被调用时， ``pack_hook`` 也会被调用。如果一个 Tensor 是 no need buffer 的（即反向不需要数据内容，只需要数据的 meta 信息）， ``pack_hook`` 则不会被调用。只有需要保留的 Tensor 是 LoDTensor， ``pack_hook`` 才会被调用。
+  - **pack_hook** (function) – 当某个算子的前向执行时，存在 Tensor 需要保留给反向计算梯度使用时， ``pack_hook`` 将会被调用。 ``pack_hook`` 可以将 Tensor 临时存放到内存或者硬盘上。 ``pack_hook`` 的输入是 1 个要被保留的 Tensor。 ``pack_hook`` 的输出是恢复被保留 Tensor 所需要的信息。当 ``PyLayerContext.save_for_backward`` 被调用时， ``pack_hook`` 也会被调用。如果一个 Tensor 是 no need buffer 的（即反向不需要数据内容，只需要数据的 meta 信息）， ``pack_hook`` 则不会被调用。只有需要保留的 Tensor 带有 LoD 信息， ``pack_hook`` 才会被调用。
   - **unpack_hook** (function) – 当反向执行，需要用到前向保留的 Tensor 时， ``unpack_hook`` 会被调用 ``unpack_hook`` 的输入是 ``pack_hook `` 输出的用于恢复 Tensor 所需的信息。 ``unpack_hook`` 的输出是恢复后的 Tensor，这个 Tensor 的数据内容应该和 ``pack_hook`` 的输入严格一致。
 
 **返回**

docs/api/paddle/fluid/evaluator/DetectionMAP_cn.rst

@@ -24,8 +24,8 @@ DetectionMAP
 
     - **input** (Variable) – detection 的输出结果，一个 shape=[M, 6] 的 LoDtensor。布局为[label, confidence, xmin, ymin, xmax, ymax],label 为类别标签，confidence 为置信度，xmin，ymin 为检测框左上点坐标，xmax，ymax 为检测框右下点坐标，数据类型为 float32 或 float64。
     - **gt_label** (Variable) – ground truth label 的索引，它是一个形状为[N, 1]的 LoDtensor，数据类型为 float32 或 float64。
-    - **gt_box** (Variable) – ground truth bounds box (bbox)，是一个具有形状的 LoDTensor[N, 4]。布局是[xmin, ymin, xmax, ymax]，数据类型为 float32 或 float64。
-    - **gt_difficult** (Variable|None，可选) – 指定这个 ground truth 是否是一个 difficult bounding bbox，它可以是一个 shape=[N, 1]的 LoDTensor，也可以不被指定。默认设置为 None，表示所有的 ground truth 标签都不是 difficult bbox，数据类型为 float32 或 float64。
+    - **gt_box** (Variable) – ground truth bounds box (bbox)，是一个具有形状的 Tensor[N, 4]。布局是[xmin, ymin, xmax, ymax]，数据类型为 float32 或 float64。
+    - **gt_difficult** (Variable|None，可选) – 指定这个 ground truth 是否是一个 difficult bounding bbox，它可以是一个 shape=[N, 1]的 Tensor，也可以不被指定。默认设置为 None，表示所有的 ground truth 标签都不是 difficult bbox，数据类型为 float32 或 float64。
     - **class_num** (int) – 检测类别的数目。
     - **background_label** (int) – 背景标签的索引，背景标签将被忽略。如果设置为-1，则所有类别将被考虑，默认为 0。
     - **overlap_threshold** (float) – 判断真假阳性的阈值，默认为 0.5。

docs/api/paddle/fluid/layers/center_loss_cn.rst

@@ -32,7 +32,7 @@ center_loss
 
 返回
 ::::::::::::
-形状为[N x 1]的 2 维 Tensor|LoDTensor。
+形状为[N x 1]的 2 维 Tensor。
 
 返回类型
 ::::::::::::

docs/api/paddle/fluid/layers/prroi_pool_cn.rst

@@ -18,7 +18,7 @@ PRROIPool 运算
 ::::::::::::
 
     - **input** （Variable） - （Tensor），PRROIPoolOp 的输入。输入 Tensor 的格式是 NCHW。其中 N 是批大小 batch_size，C 是输入通道的数量，H 是输入特征图的高度，W 是特征图宽度
-    - **rois** （Variable） - 要进行池化的 RoI（感兴趣区域）。应为一个形状为(num_rois, 4)的二维 LoDTensor，其 lod level 为 1。给出[[x1, y1, x2, y2], ...]，(x1, y1)为左上角坐标，(x2, y2)为右下角坐标。
+    - **rois** （Variable） - 要进行池化的 RoI（感兴趣区域）。应为一个形状为(num_rois, 4)的二维 Tensor，其 lod level 为 1。给出[[x1, y1, x2, y2], ...]，(x1, y1)为左上角坐标，(x2, y2)为右下角坐标。
     - **output_channels** （integer） - （int），输出特征图的通道数。对于共 C 个种类的对象分类任务，output_channels 应该是（C + 1），该情况仅适用于分类任务。
     - **spatial_scale** （float） - （float，default 1.0），乘法空间比例因子，用于将 ROI 坐标从其输入比例转换为池化使用的比例。默认值：1.0
     - **pooled_height** （integer） - （int，默认值 1），池化输出的高度。默认值：1

docs/api/paddle/fluid/layers/roi_perspective_transform_cn.rst

@@ -8,23 +8,23 @@ roi_perspective_transform
 
 
 
-该OP对RoI区域做透视变换，将不规则的RoI区域变成固定大小的矩形区域，透视变换是线性代数里面的一种基础变换。
+该 OP 对 RoI 区域做透视变换，将不规则的 RoI 区域变成固定大小的矩形区域，透视变换是线性代数里面的一种基础变换。
 
 参数
 ::::::::::::
 
-    - **input** (Variable) - 输入特征图，4-D Tensor，格式为NCHW。N是batch_size，C是输入通道数，H是特征图高度，W是特征图宽度。数据类型是float32
-    - **rois** (Variable) - 感兴趣区域，2D-LoDTensor，形状是(num_rois,8)，lod_level为1。其数据形式是[[x1,y1,x2,y2,x3,y3,x4,y4], ...]，其中(x1,y1)是左上角坐标，(x2,y2)是右上角坐标，(x3,y3)是右下角坐标，(x4,y4)是左下角坐标。数据类型与 ``input`` 相同
+    - **input** (Variable) - 输入特征图，4-D Tensor，格式为 NCHW。N 是 batch_size，C 是输入通道数，H 是特征图高度，W 是特征图宽度。数据类型是 float32
+    - **rois** (Variable) - 感兴趣区域，2-D Tensor，形状是(num_rois,8)。其数据形式是[[x1,y1,x2,y2,x3,y3,x4,y4], ...]，其中(x1,y1)是左上角坐标，(x2,y2)是右上角坐标，(x3,y3)是右下角坐标，(x4,y4)是左下角坐标。数据类型与 ``input`` 相同
     - **transformed_height** (int) - 输出的高度
     - **transformed_width** (int) – 输出的宽度
-    - **spatial_scale** (float，可选) - 空间尺度因子，用于缩放ROI坐标，浮点数。默认值1.0
+    - **spatial_scale** (float，可选) - 空间尺度因子，用于缩放 ROI 坐标，浮点数。默认值 1.0
 
 返回
 ::::::::::::
  由三个变量构成的元组 (out, mask, transform_matrix)
- - ``out`` : ``ROIPerspectiveTransformOp`` 的输出，4D-LoDTensor，形状是(num_rois,channels,transformed_height,transformed_width)，lod_level为1
- - ``mask`` : ``ROIPerspectiveTransformOp`` 的掩码，4D-LoDTensor，形状是(num_rois,1,transformed_height,transformed_width)，lod_level为1
- - ``transform_matrix`` : ``ROIPerspectiveTransformOp`` 的转换矩阵，2D-LoDTensor，形状是(num_rois,9)，lod_level为1
+ - ``out`` : ``ROIPerspectiveTransformOp`` 的输出，4D-LoDTensor，形状是(num_rois,channels,transformed_height,transformed_width)，lod_level 为 1
+ - ``mask`` : ``ROIPerspectiveTransformOp`` 的掩码，4D-LoDTensor，形状是(num_rois,1,transformed_height,transformed_width)，lod_level 为 1
+ - ``transform_matrix`` : ``ROIPerspectiveTransformOp`` 的转换矩阵，2D-LoDTensor，形状是(num_rois,9)，lod_level 为 1
 
 返回类型
 ::::::::::::
@@ -33,4 +33,4 @@ roi_perspective_transform
 代码示例
 ::::::::::::
 
-COPY-FROM: paddle.fluid.layers.roi_perspective_transform
+COPY-FROM: paddle.fluid.layers.roi_perspective_transform

docs/api/paddle/io/DataLoader_cn.rst

@@ -139,9 +139,9 @@ from_generator(feed_list=None, capacity=None, use_double_buffer=True, iterable=T
     - **capacity** (int) - DataLoader 对象内部维护队列的容量大小。单位是 batch 数量。若 reader 读取速度较快，建议设置较大的 capacity 值。
     - **use_double_buffer** (bool，可选) - 是否使用 ``double_buffer_reader``。若 use_double_buffer=True，DataLoader 会异步地预读取下一个 batch 的数据，可加速数据读取过程，但同时会占用少量的 CPU/GPU 存储，即一个 batch 输入数据的存储空间。
     - **iterable** (bool，可选) - 所创建的 DataLoader 对象是否可迭代。
-    - **return_list** (bool，可选) - 每个设备上的数据是否以 list 形式返回。仅在 iterable = True 模式下有效。若 return_list = False，每个设备上的返回数据均是 str -> LoDTensor 的映射表，其中映射表的 key 是每个输入变量的名称。若 return_list = True，则每个设备上的返回数据均是 list(LoDTensor)。推荐在静态图模式下使用 return_list = False，在动态图模式下使用 return_list = True。
-    - **use_multiprocess** (bool，可选) - 设置是否是用多进程加速动态图的数据载入过程。**注意**：该参数的设置仅在动态图模式下有效，在静态图模式下，该参数设置与否均无任何影响。默认值为 False。
-    - **drop_last** (bool，可选) - 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。
+    - **return_list** (bool，可选) - 每个设备上的数据是否以 list 形式返回。仅在 iterable = True 模式下有效。若 return_list = False，每个设备上的返回数据均是 str -> Tensor 的映射表，其中映射表的 key 是每个输入变量的名称。若 return_list = True，则每个设备上的返回数据均是 list(Tensor)。推荐在静态图模式下使用 return_list = False，在动态图模式下使用 return_list = True。
+    - **use_multiprocess** (bool，可选) - 设置是否是用多进程加速动态图的数据载入过程。注意：该参数的设置仅在动态图模式下有效，在静态图模式下，该参数设置与否均无任何影响。默认值为 False。
+    - **drop_last** (bool，可选)：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**
 

docs/api/paddle/static/Executor_cn.rst

@@ -59,7 +59,7 @@ run(program=None, feed=None, fetch_list=None, feed_var_name='feed', fetch_var_na
   - **feed_var_name** (str) – 该参数表示数据输入算子(feed operator)的输入变量名称。默认为："feed"。
   - **fetch_var_name** (str) – 该参数表示结果获取算子(fetch operator)的输出变量名称。默认为："fetch"。
   - **scope** (Scope) – 该参数表示执行当前 program 所使用的作用域，用户可以为不同的 program 指定不同的作用域。默认值：paddle.static.global_scope()。
-  - **return_numpy** (bool) – 该参数表示是否将返回的计算结果（fetch list 中指定的变量）转化为 numpy；如果为 False，则每个变量返回的类型为 LoDTensor，否则返回变量的类型为 numpy.ndarray。默认为：True。
+  - **return_numpy** (bool) – 该参数表示是否将返回的计算结果（fetch list 中指定的变量）转化为 numpy；如果为 False，则每个变量返回的类型为 Tensor，否则返回变量的类型为 numpy.ndarray。默认为：True。
   - **use_program_cache** (bool) – 该参数表示是否对输入的 Program 进行缓存。如果该参数为 True，在以下情况时，模型运行速度可能会更快：输入的 program 为 ``paddle.static.Program``，并且模型运行过程中，调用该接口的参数（program、 feed 变量名和 fetch_list 变量）名始终不变。默认为：False。
   - **return_merged** (bool) – 该参数表示是否按照执行设备维度将返回的计算结果（fetch list 中指定的变量）进行合并。如果 ``return_merged`` 设为 False，返回值类型是一个 Tensor 的二维列表（ ``return_numpy`` 设为 Fasle 时）或者一个 numpy.ndarray 的二维列表（ ``return_numpy`` 设为 True 时）。如果 ``return_merged`` 设为 True，返回值类型是一个 Tensor 的一维列表（ ``return_numpy`` 设为 Fasle 时）或者一个 numpy.ndarray 的一维列表（ ``return_numpy`` 设为 True 时）。更多细节请参考示例代码 2。如果返回的计算结果是变长的，请设置 ``return_merged`` 为 False，即不按照执行设备维度合并返回的计算结果。该参数的默认值为 True，但这仅是为了兼容性考虑，在未来的版本中默认值可能会更改为 False。
   - **use_prune** (bool) - 该参数表示输入 Program 是否会被裁剪。如果该参数为 True，会根据 feed 和 fetch_list 裁剪 Program，这意味着对生成 fetch_list 没有必要的算子和变量会被裁剪掉。默认为 False，即算子和变量在运行过程不会被裁剪。注意如果 Optimizer.minimize()返回的 tuple 被作为 fetch_list 参数，那么 use_prune 会被重载为 True 并且 Program 会被裁剪。

docs/api/paddle/static/Overview_cn.rst

@@ -77,19 +77,19 @@ Executor 相关 API
     " :ref:`row_conv <cn_api_fluid_layers_row_conv>` ", "行卷积"
     " :ref:`spectral_norm <cn_api_fluid_layers_spectral_norm>` ", "Spectral Normalization 方法"
     " :ref:`switch_case <cn_api_fluid_layers_switch_case>` ", "类似于 c++的 switch/case"
-    " :ref:`sequence_concat <cn_api_fluid_layers_sequence_concat>` ", "仅支持 LoDTensor ，通过 LoDTensor 的 LoD 信息将输入的多个 LoDTensor 进行连接，输出连接后的 LoDTensor"
-    " :ref:`sequence_conv <cn_api_fluid_layers_sequence_conv>` ", "仅支持 LoDTensor ，在给定的卷积参数下，对输入的变长序列 LoDTensor 进行卷积操作"
-    " :ref:`sequence_enumerate <cn_api_fluid_layers_sequence_enumerate>` ", "仅支持 LoDTensor ，枚举形状为 [d_1, 1] 的输入序列所有长度为 win_size 的子序列，生成一个形状为 [d_1, win_size] 的新序列，需要时以 pad_value 填充"
-    " :ref:`sequence_expand <cn_api_fluid_layers_sequence_expand>` ", "仅支持 LoDTensor ，根据输入 y 的第 ref_level 层 lod 对输入 x 进行扩展"
-    " :ref:`sequence_expand_as <cn_api_fluid_layers_sequence_expand_as>` ", "仅支持 LoDTensor ，根据输入 y 的第 0 级 lod 对输入 x 进行扩展"
-    " :ref:`sequence_first_step <cn_api_fluid_layers_sequence_first_step>` ", "仅支持 LoDTensor ，对输入的 LoDTensor，在最后一层 lod_level 上，选取其每个序列的第一个时间步的特征向量作为池化后的输出向量"
-    " :ref:`sequence_last_step <cn_api_fluid_layers_sequence_last_step>` ", "仅支持 LoDTensor ，对输入的 LoDTensor，在最后一层 lod_level 上，选取其每个序列的最后一个时间步的特征向量作为池化后的输出向量"
-    " :ref:`sequence_pad <cn_api_fluid_layers_sequence_pad>` ", "仅支持 LoDTensor ，将同一 batch 中的序列填充到一个一致的长度（由 maxlen 指定）"
-    " :ref:`sequence_pool <cn_api_fluid_layers_sequence_pool>` ", "仅支持 LoDTensor ，对输入的 LoDTensor 进行指定方式的池化操作"
-    " :ref:`sequence_reshape <cn_api_fluid_layers_sequence_reshape>` ", "仅支持 LoDTensor ，对输入的 LoDTensor 进行指定方式的变形操作"
-    " :ref:`sequence_reverse <cn_api_fluid_layers_sequence_reverse>` ", "仅支持 LoDTensor ，对输入的 LoDTensor，在每个序列上进行反转"
-    " :ref:`sequence_slice <cn_api_fluid_layers_sequence_slice>` ", "仅支持 LoDTensor ，对输入的 LoDTensor，实现序列切片运算"
-    " :ref:`sequence_softmax <cn_api_fluid_layers_sequence_softmax>` ", "仅支持 LoDTensor ，根据 LoDTensor 信息将输入的第 0 维度进行划分，在划分的每一个区间内部进行运算"
+    " :ref:`sequence_concat <cn_api_fluid_layers_sequence_concat>` ", "仅支持带有 LoD 信息的 Tensor ，通过 Tensor 的 LoD 信息将输入的多个 Tensor 进行连接，输出连接后的 Tensor"
+    " :ref:`sequence_conv <cn_api_fluid_layers_sequence_conv>` ", "仅支持带有 LoD 信息的 Tensor，在给定的卷积参数下，对输入的变长序列 Tensor 进行卷积操作"
+    " :ref:`sequence_enumerate <cn_api_fluid_layers_sequence_enumerate>` ", "仅支持带有 LoD 信息的 Tensor，枚举形状为 [d_1, 1] 的输入序列所有长度为 win_size 的子序列，生成一个形状为 [d_1, win_size] 的新序列，需要时以 pad_value 填充"
+    " :ref:`sequence_expand <cn_api_fluid_layers_sequence_expand>` ", "仅支持带有 LoD 信息的 Tensor，根据输入 y 的第 ref_level 层 lod 对输入 x 进行扩展"
+    " :ref:`sequence_expand_as <cn_api_fluid_layers_sequence_expand_as>` ", "仅支持带有 LoD 信息的 Tensor，根据输入 y 的第 0 级 lod 对输入 x 进行扩展"
+    " :ref:`sequence_first_step <cn_api_fluid_layers_sequence_first_step>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor，在最后一层 lod_level 上，选取其每个序列的第一个时间步的特征向量作为池化后的输出向量"
+    " :ref:`sequence_last_step <cn_api_fluid_layers_sequence_last_step>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor，在最后一层 lod_level 上，选取其每个序列的最后一个时间步的特征向量作为池化后的输出向量"
+    " :ref:`sequence_pad <cn_api_fluid_layers_sequence_pad>` ", "仅支持带有 LoD 信息的 Tensor，将同一 batch 中的序列填充到一个一致的长度（由 maxlen 指定）"
+    " :ref:`sequence_pool <cn_api_fluid_layers_sequence_pool>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor 进行指定方式的池化操作"
+    " :ref:`sequence_reshape <cn_api_fluid_layers_sequence_reshape>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor 进行指定方式的变形操作"
+    " :ref:`sequence_reverse <cn_api_fluid_layers_sequence_reverse>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor，在每个序列上进行反转"
+    " :ref:`sequence_slice <cn_api_fluid_layers_sequence_slice>` ", "仅支持带有 LoD 信息的 Tensor，对输入的 Tensor，实现序列切片运算"
+    " :ref:`sequence_softmax <cn_api_fluid_layers_sequence_softmax>` ", "仅支持带有 LoD 信息的 Tensor，根据 Tensor 信息将输入的第 0 维度进行划分，在划分的每一个区间内部进行运算"
 
 .. _about_io:
 

docs/api/paddle/static/accuracy_cn.rst

@@ -15,8 +15,8 @@ accuracy layer。参考 https://en.wikipedia.org/wiki/Precision_and_recall
 参数
 ::::::::::::
 
-    - **input** (Tensor|LoDTensor)-数据类型为 float32,float64。输入为网络的预测值。shape 为 ``[sample_number, class_dim]`` 。
-    - **label** (Tensor|LoDTensor)-数据类型为 int64，int32。输入为数据集的标签。shape 为 ``[sample_number, 1]`` 。
+    - **input** (Tensor)-数据类型为 float32,float64。输入为网络的预测值。shape 为 ``[sample_number, class_dim]`` 。
+    - **label** (Tensor)-数据类型为 int64，int32。输入为数据集的标签。shape 为 ``[sample_number, 1]`` 。
     - **k** (int64|int32) - 取每个类别中 k 个预测值用于计算。
     - **correct** (int64|int32)-正确预测值的个数。
     - **total** (int64|int32)-总共的预测值。