fix-a2-a5

Author: Ricardo-shuo-liu

_typos.toml

@@ -23,11 +23,6 @@ Nervana = "Nervana"
 
 # These words need to be fixed
 Accuray = "Accuray"
-Adventages = "Adventages"
-Archetecture = "Archetecture"
-Asynchoronous = "Asynchoronous"
-Attrbute = "Attrbute"
-Attribtue = "Attribtue"
 Creenshot = "Creenshot"
 Embeddding = "Embeddding"
 Embeding = "Embeding"

docs/design/mkldnn/inplace/inplace.md

@@ -15,7 +15,7 @@ Currently assumption is that if operator can have in-place processing then all i
 - gelu*
 - sum**
 
-Adventages of in-place computation are:
+Advantages of in-place computation are:
 * lower memory usage
 * improved performance of operators
 

docs/design/network/deep_speech_2.md

@@ -117,7 +117,7 @@ The classical DS2 network contains 15 layers (from bottom to top):
 
 <div align="center">
 <img src="https://raw.githubusercontent.com/PaddlePaddle/Paddle/develop/doc/fluid/images/ds2_network.png" width=350><br/>
-Figure 1. Archetecture of Deep Speech 2 Network.
+Figure 1. Architecture of Deep Speech 2 Network.
 </div>
 
 We don't have to persist on this 2-3-7-1-1-1 depth \[[2](#references)\]. Similar networks with different depths might also work well. As in \[[1](#references)\], authors use a different depth (e.g. 2-2-3-1-1-1) for final experiments.

docs/dev_guides/api_contributing_guides/api_design_guidelines_standard_cn.md

@@ -538,7 +538,7 @@
 | 级联 | coalesced | |
 | 数据并行 | data parallelism | |
 | 模型并行 | model parallelism | |
-| 异步随机梯度下降 | Asynchoronous Stochastic Gradient Descent | |
+| 异步随机梯度下降 | Asynchronous Stochastic Gradient Descent | |
 | 参数服务器 | parameter server | |
 | 模型压缩 | model compression | |
 | 动态结构 | dynamic structure | |

docs/guides/paddle_v3_features/paddle_ir_cn.md

@@ -9,7 +9,7 @@
 </figure>
 
 在深度学习框架 IR 概念中，「顺序性」和「图语义」是两个非常高频常用的概念。旧的中间表示体系由「顺序性」ProgramDesc 和「图语义」Graph 两个核心类共同承载。用户在静态图 API 或者动转静模块下，产生的中间表示是 Op-by-Op 的 Program，如果要应用更高层面的优化策略（比如算子融合、inplace 策略、剪枝等），框架会将由 Program 构造出 Graph，其由数据节点、算子节点和彼此关联的边构成。
-在新的 Paddle IR 中，飞桨在底层抽象了一套高度可扩展的基础组件，包括 Type、Attrbute、Op、Trait 和 Interface，并引入了 Dialect 的概念，支持开发者灵活扩展、自由定制，提供了完备鲁邦的语义表达能力；在模型表示层，通过多 Dialect 模块化管理，统一多端表示，实现了训推一体的全架构统一表示，无缝衔接组合算子和编译器，支持自动优化和多硬件适配；在图变换层，通过统一底层模块，简化基础概念，向用户提供了低成本开发、易用高性能、丰富可插拔的 Pass 优化机制。
+在新的 Paddle IR 中，飞桨在底层抽象了一套高度可扩展的基础组件，包括 Type、Attribute、Op、Trait 和 Interface，并引入了 Dialect 的概念，支持开发者灵活扩展、自由定制，提供了完备鲁邦的语义表达能力；在模型表示层，通过多 Dialect 模块化管理，统一多端表示，实现了训推一体的全架构统一表示，无缝衔接组合算子和编译器，支持自动优化和多硬件适配；在图变换层，通过统一底层模块，简化基础概念，向用户提供了低成本开发、易用高性能、丰富可插拔的 Pass 优化机制。
 飞桨的新一代的 IR 表示坚持 SSA（静态单赋值）原则，模型等价于一个有向无环图。并以 Value、Operation 对计算图进行抽象， Operation 为节点，Value 为边。
 
 * Operation 表示计算图中的节点：一个 Operation 表示一个算子，它里面包含了零个或多个 Region；Region 表示一个闭包，它里面包含了零个或多个 Block；Block 表示一个符合 SSA 的基本块，里面包含了零个或多个 Operation；三者循环嵌套，可以实现任意复杂的语法结构
@@ -96,7 +96,7 @@ print(out)
 
 如上左图所示，新一代 IR 的整体设计自底向上分为三层：
 ### 1.灵活的基础组件
-飞桨提供了 Trait 和 Interface 两种重要机制实现了对算子 Op 的特征和接口的抽象标记。 比如 InplaceTrait 表示一个 Op 具有 Inplace 特征，  InferShapeInterface 表示一个算子定义了 InferShape 函数接口等，这二者都是可以任意扩展的，只要派生自相应的基类、遵循相应的实现规则即可；并对算子体系下核心概念抽出 Type、Attrbute、Op，这三者是基于 Trait 和 Interface 进行定义的。它们会对关联自己所拥有的相应 Trait 和 Interface ；Dialect 用来对 Type、Attribtue、Op 做模块化管理， 比如 BuiltinDialect、PaddleDialect、CinnDialect 等等。一个 Dialect 里面包含了一系列的 Type、Attribtue、Op 的定义。相应的，每个 Type、Attribtue、Op 都是定义在某个唯一的 Dialect 里面。对整个 IR 框架而言， Dialect 是可以随意插拔的，也是可以任意扩展的。
+飞桨提供了 Trait 和 Interface 两种重要机制实现了对算子 Op 的特征和接口的抽象标记。 比如 InplaceTrait 表示一个 Op 具有 Inplace 特征，  InferShapeInterface 表示一个算子定义了 InferShape 函数接口等，这二者都是可以任意扩展的，只要派生自相应的基类、遵循相应的实现规则即可；并对算子体系下核心概念抽出 Type、Attribute、Op，这三者是基于 Trait 和 Interface 进行定义的。它们会对关联自己所拥有的相应 Trait 和 Interface ；Dialect 用来对 Type、Attribute、Op 做模块化管理， 比如 BuiltinDialect、PaddleDialect、CinnDialect 等等。一个 Dialect 里面包含了一系列的 Type、Attribute、Op 的定义。相应的，每个 Type、Attribute、Op 都是定义在某个唯一的 Dialect 里面。对整个 IR 框架而言， Dialect 是可以随意插拔的，也是可以任意扩展的。
 
 这一层是 IR 适应多种场景的基础。这一层的每一个要素都是可定制化扩展的，一般情况下，针对一个具体的场景，比如分布式、编译器。都需要定义自己需要用到的 Trait、Interface，然后定义自己的 Dialect，在自己的 Dialect 里面，定义自己需要用到的 Type、Attribute、Op。