[Docathon][Fix Doc Format No.55-59] fix LayerNorm_cn API (#7476)

Author: youge325

docs/api/paddle/nn/LayerNorm_cn.rst

@@ -16,20 +16,20 @@ LayerNorm
 
              \\y=f(\frac{g}{\sigma}(x-\mu) + b)\\
 
-- :math:`x`：该层神经元的向量表示
-- :math:`H`：层中隐藏神经元个数
-- :math:`\epsilon`：添加较小的值到方差中以防止除零
-- :math:`g`：可训练的增益参数
-- :math:`b`：可训练的偏置参数
+- :math:`x` ：该层神经元的向量表示
+- :math:`H` ：层中隐藏神经元个数
+- :math:`\epsilon` ：添加较小的值到方差中以防止除零
+- :math:`g` ：可训练的增益参数
+- :math:`b` ：可训练的偏置参数
 
 
 参数
 ::::::::::::
 
     - **normalized_shape** (int|list|tuple) – 需规范化的 shape，期望的输入 shape 为  ``[*, normalized_shape[0], normalized_shape[1], ..., normalized_shape[-1]]``  。如果是单个整数，则此模块将在最后一个维度上规范化（此时最后一维的维度需与该参数相同）。
     - **epsilon** (float，可选) - 指明在计算过程中是否添加较小的值到方差中以防止除零。默认值：1e-05。
-weight_attr (ParamAttr|bool|None, 可选) - 用于指定可训练的增益参数 :math:g 的属性。如果为 False，则不使用权重（即权重参数为 None）；如果为 None，则会使用一个默认的 ParamAttr 作为权重的属性设置，该属性将权重初始化为 1。默认值为 None，表示使用默认的权重属性。具体用法请参见 :ref:`cn_api_paddle_ParamAttr`。
-bias_attr (ParamAttr|bool|None, 可选) - 用于指定可训练的偏置参数 :math:b 的属性。如果为 False，则不使用偏置（即偏置参数为 None）；如果为 None，则会使用一个默认的 ParamAttr 作为偏置的属性设置，该属性将偏置初始化为 0。默认值为 None，表示使用默认的偏置属性。具体用法请参见 :ref:`cn_api_paddle_ParamAttr`。
+    - **weight_attr** (ParamAttr|bool|None, 可选) - 用于指定可训练的增益参数 :math:`g` 的属性。如果为 False，则不使用权重（即权重参数为 None）；如果为 None，则会使用一个默认的 ParamAttr 作为权重的属性设置，该属性将权重初始化为 1。默认值为 None，表示使用默认的权重属性。具体用法请参见 :ref:`cn_api_paddle_ParamAttr`。
+    - **bias_attr** (ParamAttr|bool|None, 可选) - 用于指定可训练的偏置参数 :math:`b` 的属性。如果为 False，则不使用偏置（即偏置参数为 None）；如果为 None，则会使用一个默认的 ParamAttr 作为偏置的属性设置，该属性将偏置初始化为 0。默认值为 None，表示使用默认的偏置属性。具体用法请参见 :ref:`cn_api_paddle_ParamAttr`。
     - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。
 
 形状

docs/api/paddle/nn/MaxPool3D_cn.rst

@@ -10,14 +10,13 @@ MaxPool3D
 例如：
 
 输入：
-    X 形状：:math:`\left ( N,C,D_{in}, H_{in},W_{in} \right )`
+    X 形状： :math:`\left ( N,C,D_{in}, H_{in},W_{in} \right )`
 属性：
-    kernel_size: :math:`ksize [kD, kH, kW]`
-    stride: :math:`stride`
+    kernel_size： :math:`ksize [kD, kH, kW]`
+    stride： :math:`stride`
 输出：
-    Out 形状：:math:`\left ( N,C,D_{out}, H_{out},W_{out} \right )`
+    Out 形状： :math:`\left ( N,C,D_{out}, H_{out},W_{out} \right )`
 .. math::
-    .. math::
           \text{out}(N_i, C_j, d, h, w) ={} & \max_{k=0, \ldots, kD-1} \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1} \\
                                               & \text{input}(N_i, C_j, \text{stride[0]} \times d + k,
                                                              \text{stride[1]} \times h + m, \text{stride[2]} \times w + n)

docs/api/paddle/nn/functional/max_pool3d_cn.rst

@@ -10,14 +10,13 @@ max_pool3d
 例如：
 
 输入：
-    X 形状：:math:`\left ( N,C,D_{in}, H_{in},W_{in} \right )`
+    X 形状： :math:`\left ( N,C,D_{in}, H_{in},W_{in} \right )`
 属性：
     kernel_size: :math:`[kD, kH, kW]`
     stride: :math:`stride`
 输出：
-    Out 形状：:math:`\left ( N,C,D_{out}, H_{out},W_{out} \right )`
+    Out 形状： :math:`\left ( N,C,D_{out}, H_{out},W_{out} \right )`
 .. math::
-    .. math::
           \text{out}(N_i, C_j, d, h, w) ={} & \max_{k=0, \ldots, kD-1} \max_{m=0, \ldots, kH-1} \max_{n=0, \ldots, kW-1} \\
                                               & \text{input}(N_i, C_j, \text{stride[0]} \times d + k,
                                                              \text{stride[1]} \times h + m, \text{stride[2]} \times w + n)

docs/api/paddle/sparse/nn/BatchNorm_cn.rst

@@ -8,7 +8,7 @@ BatchNorm
 
 构建稀疏  ``BatchNorm``  类的一个可调用对象，具体用法参照  ``代码示例``  。可以处理 4D SparseCooTensor ，实现了批归一化层（Batch Normalization Layer）的功能，可用作卷积和全连接操作的批归一化函数，根据当前批次数据按通道计算的均值和方差进行归一化。更多详情请参考： `Batch Normalization : Accelerating Deep Network Training by Reducing Internal Covariate Shift <https://arxiv.org/pdf/1502.03167.pdf>`_ 。
 
-当 use_global_stats = False 时 :math: `\mu_{\beta}` 和 :math: `\sigma_{\beta}^{2}` 是 minibatch 的统计数据。计算公式如下：
+当 use_global_stats = False 时 :math:`\mu_{\beta}` 和 :math:`\sigma_{\beta}^{2}` 是 minibatch 的统计数据。计算公式如下：
 
 .. math::
 

docs/api/paddle/sparse/nn/SubmConv2D_cn.rst

@@ -9,7 +9,7 @@ SubmConv2D
 
 子流形稀疏二维卷积层(submanifold sparse convolution2d layer)根据输入计算输出，卷积核和步长、填充、空洞大小(dilations)一组参数。
 输入(input)和输出(Output)是多维的稀疏张量(Sparse Coo Tensor)，
-形状为 :math:[N,H,W,C] 其中 N 是批尺寸，C 是通道，H 是特征高度，W 是特征宽度。
+形状为 :math:`[N,H,W,C]` 其中 N 是批尺寸，C 是通道，H 是特征高度，W 是特征宽度。
 如果提供了 bias_attr，则添加偏置项到卷积的输出。
 对于每一个输入 :math:`X`，方程是：
 
@@ -18,11 +18,11 @@ SubmConv2D
 
 其中：
 
-    - :math:`X`: 输入值, NDHWC 格式的 Tencer。
-    - :math:`W`: 卷积核值, NDHWC 格式的 Tencer。
-    - :math:`\\ast`: 子流形卷积运算, 参考论文: https://arxiv.org/abs/1706.01307。
-    - :math:`b`: 偏置值, 形状为[M]的 1-D Tencer。
-    - :math:`Out`: 输出值, :math:`Out` 和 :math:`X` 的形状可能不同。
+    - :math:`X` : 输入值, NDHWC 格式的 Tencer。
+    - :math:`W` : 卷积核值, NDHWC 格式的 Tencer。
+    - :math:`\\ast` : 子流形卷积运算, 参考论文: https://arxiv.org/abs/1706.01307。
+    - :math:`b` : 偏置值, 形状为[M]的 1-D Tencer。
+    - :math:`Out` : 输出值, :math:`Out` 和 :math:`X` 的形状可能不同。
 
 参数
 ::::::::::::
@@ -44,7 +44,7 @@ SubmConv2D
     - **groups** (int, 可选): - 二维卷积层的组号。根据 Alex Krizhevsky 的 Deep CNN 论文中的分组卷积:当 group = 2 时, 卷积核的前半部分仅连接到输入通道的前半部分, 而卷积核的后半部分仅连接到输入通道的后半部分。默认值为 1。
     - **padding_mode** (str, 可选): -  ``'zeros'`` ,  ``'reflect'`` ,  ``'replicate'``  或  ``'circular'`` 。 目前仅支持  ``'zeros'`` 。
     - **key** (str, 可选): - key 用于保存或使用相同的规则手册，规则手册的定义和作用是指 https://pdfs.semanticscholar.org/5125/a16039cabc6320c908a4764f32596e018ad3.pdf。默认值为 None。
-    - **weight_attr** (ParamAttr, 可选): - conv2d 的可学习参数/权重的参数属性。如果设置为 None 或 ParamAttr 的一个属性，则 conv2d 将创建 ParamAttr 作为 param_attr。 如果设置为 None, 则参数初始化为:math:`Normal(0.0, std)`, 并且 :math:`std` 是:math:`(\frac{2.0 }{filter\_elem\_num})^{0.5}`,默认值为 None。
+    - **weight_attr** (ParamAttr, 可选): - conv2d 的可学习参数/权重的参数属性。如果设置为 None 或 ParamAttr 的一个属性，则 conv2d 将创建 ParamAttr 作为 param_attr。 如果设置为 None, 则参数初始化为 :math:`Normal(0.0, std)` , 并且 :math:`std` 是 :math:`(\frac{2.0 }{filter\_elem\_num})^{0.5}` ,默认值为 None。
     - **bias_attr** (ParamAttr|bool, 可选): - conv2d 偏差的参数属性。如果设置为 False, 则不会向输出单位添加任何偏置。如果设置为 None 或 ParamAttr 的一个属性，则 conv2d 将创建 ParamAttr 作为 bias_attr。如果未设置 bias_attr 的初始值设定项,则偏置初始化为零。默认值为 None。
     - **data_format** (str, 可选): 指定输入布局的数据格式。它可以是 "NCHW" 或 "NHWC"。目前仅支持 "NHWC"。