fix-t1-t5

Author: Ricardo-shuo-liu

_typos.toml

@@ -70,10 +70,10 @@ Simle = "Simle"
 Sovler = "Sovler"
 Successed = "Successed"
 Tansformer = "Tansformer"
-Tenosr = "Tenosr"
+Tensor = "Tensor"
 Traning = "Traning"
 Transfomed = "Transfomed"
-Tthe = "Tthe"
+The = "The"
 Ture = "Ture"
 Useage = "Useage"
 Varialble = "Varialble"
@@ -253,7 +253,7 @@ sucessor = "sucessor"
 sucessors = "sucessors"
 szie = "szie"
 tempory = "tempory"
-tenosr = "tenosr"
+tensor = "tensor"
 thier = "thier"
 traget = "traget"
 traing = "traing"

docs/api/paddle/distribution/Overview_cn.rst

@@ -35,7 +35,7 @@ paddle.distribution 目录下包含飞桨框架支持的随机变量的概率分
     " :ref:`MultivariateNormal <cn_api_paddle_distribution_MultivariateNormal>` ", "MultivariateNormal 概率分布类"
     " :ref:`Multinomial <cn_api_paddle_distribution_Multinomial>` ", "Multinomial 概率分布类"
     " :ref:`Independent <cn_api_paddle_distribution_Independent>` ", "Independent 概率分布类"
-    " :ref:`TransfomedDistribution <cn_api_paddle_distribution_TransformedDistribution>` ", "TransformedDistribution 概率分布类"
+    " :ref:`TransformedDistribution <cn_api_paddle_distribution_TransformedDistribution>` ", "TransformedDistribution 概率分布类"
     " :ref:`Laplace <cn_api_paddle_distribution_Laplace>`", "Laplace 概率分布类"
     " :ref:`LKJCholesky <cn_api_paddle_distribution_LKJCholesky>`", "LKJCholesky 概率分布类"
     " :ref:`LogNormal <cn_api_paddle_distribution_LogNormal>` ", "LogNormal 概率分布类"

docs/api/paddle/nn/BeamSearchDecoder_cn.rst

@@ -44,7 +44,7 @@ tile_beam_merge_with_batch(x, beam_size)
 
 **参数**
 
-  - **x** (Variable) - 形状为 :math:`[batch\_size, ...]` 的 tenosr。数据类型应为 float32，float64，int32，int64 或 bool。
+  - **x** (Variable) - 形状为 :math:`[batch\_size, ...]` 的 tensor。数据类型应为 float32，float64，int32，int64 或 bool。
   - **beam_size** (int) - 在 beam search 中使用的 beam 宽度。
 
 **返回**
@@ -59,7 +59,7 @@ _split_batch_beams(x)
 
 **参数**
 
-  - **x** (Variable) - 形状为 :math:`[batch\_size * beam\_size, ...]` 的 tenosr。数据类型应为 float32，float64，int32，int64 或 bool。
+  - **x** (Variable) - 形状为 :math:`[batch\_size * beam\_size, ...]` 的 tensor。数据类型应为 float32，float64，int32，int64 或 bool。
 
 **返回**
 
@@ -72,7 +72,7 @@ _merge_batch_beams(x)
 
 **参数**
 
-  - **x** (Variable) - 形状为 :math:`[batch\_size, beam_size,...]` 的 Tenosr。数据类型应为 float32，float64，int32，int64 或 bool。
+  - **x** (Variable) - 形状为 :math:`[batch\_size, beam_size,...]` 的 Tensor。数据类型应为 float32，float64，int32，int64 或 bool。
 
 **返回**
 
@@ -85,7 +85,7 @@ _expand_to_beam_size(x)
 
 **参数**
 
-  - **x** (Variable) - 形状为 :math:`[batch\_size, ...]` 的 tenosr。数据类型应为 float32，float64，int32，int64 或 bool。
+  - **x** (Variable) - 形状为 :math:`[batch\_size, ...]` 的 tensor。数据类型应为 float32，float64，int32，int64 或 bool。
 
 **返回**
 

docs/api/paddle/static/nn/sequence_pool_cn.rst

@@ -67,7 +67,7 @@ sequence_pool
 :::::::::
     - **input** (Tensor) - 类型为 Tensor 的输入序列，仅支持 lod_level 不超过 2 的 Tensor，数据类型为 float32。
     - **pool_type** (str) - 池化类型，支持 average，sum，sqrt，max，last 和 first 池化操作。
-    - **is_test** (bool，可选) - 仅在 pool_type 取值为 max 时生效。当 is_test 为 False 时，则在池化操作过程中会创建 maxIndex 临时 Tenosr，以记录最大特征值对应的索引信息，用于训练阶段的反向梯度计算。默认为 False。
+    - **is_test** (bool，可选) - 仅在 pool_type 取值为 max 时生效。当 is_test 为 False 时，则在池化操作过程中会创建 maxIndex 临时 Tensor，以记录最大特征值对应的索引信息，用于训练阶段的反向梯度计算。默认为 False。
     - **pad_value** (float，可选) - 用于填充输入序列为空时的池化结果，默认为 0.0。
 
 返回

docs/dev_guides/git_guides/submit_pr_guide_en.md

@@ -1,6 +1,6 @@
 # Guide of submitting PR to GitHub
 
-## Tthe submit of Pull Request
+## The submit of Pull Request
 
 - Please note the number of commit:
 

docs/eval/evaluation_of_docs_system.md

@@ -61,7 +61,7 @@ adam.set_state_dict(opti_state_dict)
 + 答复：
   1. 对于``state_dict``保存方式与 paddle2.0 完全相同，我们将``Tensor``转化为``numpy.ndarray``保存。
 
-  2. 对于其他形式的包含``Tensor``的对象（``Layer``对象，单个``Tensor``以及包含``Tensor``的嵌套``list``、``tuple``、``dict``），在动态图中，将``Tensor``转化为``tuple(Tensor.name, Tensor.numpy())``;在静态图中，将``Tensor``直接转化为``numpy.ndarray``。之所以这样做，是因为当在静态图中使用动态保存的模型时，有时需要``Tensor``的名字因此将名字保存下来，同时，在``load``时区分这个``numpy.ndarray``是由 Tenosr 转化而来还是本来就是``numpy.ndarray``；保存静态图的``Tensor``时，通常通过``Variable.get_value``得到``Tensor``再使用``paddle.save``保存``Tensor``，此时，``Variable``是有名字的，这个``Tensor``是没有名字的，因此将静态图``Tensor``直接转化为``numpy.ndarray``保存。
+  2. 对于其他形式的包含``Tensor``的对象（``Layer``对象，单个``Tensor``以及包含``Tensor``的嵌套``list``、``tuple``、``dict``），在动态图中，将``Tensor``转化为``tuple(Tensor.name, Tensor.numpy())``;在静态图中，将``Tensor``直接转化为``numpy.ndarray``。之所以这样做，是因为当在静态图中使用动态保存的模型时，有时需要``Tensor``的名字因此将名字保存下来，同时，在``load``时区分这个``numpy.ndarray``是由 Tensor 转化而来还是本来就是``numpy.ndarray``；保存静态图的``Tensor``时，通常通过``Variable.get_value``得到``Tensor``再使用``paddle.save``保存``Tensor``，此时，``Variable``是有名字的，这个``Tensor``是没有名字的，因此将静态图``Tensor``直接转化为``numpy.ndarray``保存。
     > 此处动态图 Tensor 和静态图 Tensor 是不相同的，动态图 Tensor 有 name、stop_gradient 等属性；而静态图的 Tensor 是比动态图 Tensor 轻量级的，只包含 place 等基本信息，不包含名字等。
 
 ##### 问题：将 Tensor 转换为 numpy.ndarray 或者 tuple(Tensor.name, Tensor.numpy())不是惟一可译编码，为什么还要做这样的转换呢？

docs/faq/save_cn.md

@@ -269,7 +269,7 @@ def tanh(x):
     # 可以直接将 Tensor 作为 np.tanh 的输入参数
     return np.tanh(x)
 
-# 前向函数 2：将两个 2-D Tenosr 相加，输入多个 Tensor 以 list[Tensor]或 tuple(Tensor)形式
+# 前向函数 2：将两个 2-D Tensor 相加，输入多个 Tensor 以 list[Tensor]或 tuple(Tensor)形式
 def element_wise_add(x, y):
     # 必须先手动将 Tensor 转换为 numpy 数组，否则无法支持 numpy 的 shape 操作
     x = np.array(x)