[CodeStyle][Typos][G-[1-5],H-1,I-[1-9],K-1] Fix typos(Generater,Gloabal,Imporvement,Interfce,Kernal,gard,generaly,gloabl,heigh,imge,implememted,indeces,indentical,indicies,indx,infered,infor,ingore)

README.md

@@ -5,7 +5,7 @@ English | [简体中文](./README_cn.md) | [日本語](./README_ja.md)
 
 Source files for contents presented at [PaddlePaddle documentation](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/index_cn.html).
 
-Note: English version API docs are generaly docstrings in [PaddlePaddle/Paddle](https://github.com/PaddlePaddle/Paddle), documents for [other PaddlePaddle projects](https://www.paddlepaddle.org.cn/overview) are being managed in their respective ways.
+Note: English version API docs are generally docstrings in [PaddlePaddle/Paddle](https://github.com/PaddlePaddle/Paddle), documents for [other PaddlePaddle projects](https://www.paddlepaddle.org.cn/overview) are being managed in their respective ways.
 
 ## Codebase structure
 

_typos.toml

@@ -35,11 +35,6 @@ Creenshot = "Creenshot"
 Embeddding = "Embeddding"
 Embeding = "Embeding"
 Engish = "Engish"
-Generater = "Generater"
-Gloabal = "Gloabal"
-Imporvement = "Imporvement"
-Interfce = "Interfce"
-Kernal = "Kernal"
 Learing = "Learing"
 Moible = "Moible"
 Operaton = "Operaton"
@@ -128,21 +123,8 @@ foward = "foward"
 functinal = "functinal"
 fundemental = "fundemental"
 funtion = "funtion"
-gard = "gard"
-generaly = "generaly"
-gloabl = "gloabl"
-heigh = "heigh"
 ilter = "ilter"
-imge = "imge"
-implememted = "implememted"
-indeces = "indeces"
-indentical = "indentical"
-indicies = "indicies"
-indx = "indx"
-infered = "infered"
 inferface = "inferface"
-infor = "infor"
-ingore = "ingore"
 instert = "instert"
 instrinsics = "instrinsics"
 interchangable = "interchangable"

docs/api/paddle/nn/Upsample_cn.rst

@@ -154,7 +154,7 @@ https://en.wikipedia.org/wiki/Bicubic_interpolation
     - **scale_factor** (float|Tensor|list|tuple|None，可选) - 输入的深度、高度或宽度的缩放因子。:code:`size` 和 :code:`scale_factor` 至少要设置一个。:code:`size` 的优先级高于 :code:`scale_factor`。默认值为 None。如果 scale_factor 是一个 list 或 tuple，它必须与输入的 shape 匹配。
     - **mode** (str，可选) - 插值方法。支持"bilinear"或"trilinear"或"nearest"或"bicubic"或"linear"或"area"。默认值为"nearest"。
     - **align_corners** (bool，可选) - 一个可选的 bool 型参数，如果为 True，则将输入和输出 Tensor 的 4 个角落像素的中心对齐，并保留角点像素的值。默认值为 False。
-    - **align_mode** (int，可选) - 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_indx + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。默认值为 0。
+    - **align_mode** (int，可选) - 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_index + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。默认值为 0。
     - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致。支持的值有："NCW"、"NWC"、"NCHW"、"NHWC"、"NCDHW"、"NDHWC"。默认值为 None，此时若输入是 3-D Tensor， ``data_format`` 将默认为"NCW"；若输入是 4—D Tensor, 将默认为"NCHW"；若输入是 5—D Tensor, 将默认为"NCDHW"。
     - **recompute_scale_factor** (bool，可选) - 是否在插值计算中重新计算乘数因子。当设置为 True 时，必须提供 scale_factor 参数，函数会用 scale_factor 和输入张量的形状计算输出张量的形状，然后根据输出张量形状和输入张量形状重新计算乘数因子。该参数可用于 scale_factor 为浮点数的情况。当设置为 False 时，将直接使用 size 或 scale_factor 进行插值计算，不进行重新计算。默认值为 None。
     - **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。

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

@@ -146,7 +146,7 @@ https://en.wikipedia.org/wiki/Bicubic_interpolation
     - **scale_factor** (float|Tensor|list|tuple|None)-输入的高度或宽度的乘数因子。out_shape 和 scale 至少要设置一个。out_shape 的优先级高于 scale。默认值为 None。如果 scale_factor 是一个 list 或 tuple，它必须与输入的 shape 匹配。
     - **mode** (str，可选) - 插值方法。支持"bilinear"或"trilinear"或"nearest"或"bicubic"或"linear"或"area"。默认值为"nearest"。
     - **align_corners** (bool，可选) - 一个可选的 bool 型参数，如果为 True，则将输入和输出 Tensor 的 4 个角落像素的中心对齐，并保留角点像素的值。默认值为 False。
-    - **align_mode** (int，可选) - 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_indx + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。默认值：0。
+    - **align_mode** (int，可选) - 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_index + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。默认值：0。
     - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致。支持的值有："NCW"、"NWC"、"NCHW"、"NHWC"、"NCDHW"、"NDHWC"。默认值为 None，此时若输入是 3-D Tensor， ``data_format`` 将默认为"NCW"；若输入是 4—D Tensor, 将默认为"NCHW"；若输入是 5—D Tensor, 将默认为"NCDHW"。
     - **recompute_scale_factor** (bool，可选) - 是否在插值计算中重新计算乘数因子。当设置为 True 时，必须提供 scale_factor 参数，函数会用 scale_factor 和输入张量的形状计算输出张量的形状，然后根据输出张量形状和输入张量形状重新计算乘数因子。该参数可用于 scale_factor 为浮点数的情况。当设置为 False 时，将直接使用 size 或 scale_factor 进行插值计算，不进行重新计算。默认值为 None。
     - **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。

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

@@ -144,7 +144,7 @@ https://en.wikipedia.org/wiki/Bicubic_interpolation
     - **size** (list|tuple|Tensor|None) - 输出 Tensor，输入为 4D Tensor 时，形状为为(out_h, out_w)的 2-D Tensor。输入为 5-D Tensor 时，形状为(out_d, out_h, out_w)的 3-D Tensor。如果 :code:`out_shape` 是列表，每一个元素可以是整数或者形状为[]的变量。如果 :code:`out_shape` 是变量，则其维度大小为 1。默认值为 None。
     - **scale_factor** (float|Tensor|list|tuple|None)-输入的高度或宽度的乘数因子。out_shape 和 scale 至少要设置一个。out_shape 的优先级高于 scale。默认值为 None。如果 scale_factor 是一个 list 或 tuple，它必须与输入的 shape 匹配。
     - **mode** (str，可选) - 插值方法。支持"bilinear"或"trilinear"或"nearest"或"bicubic"或"linear"或"area"。默认值为"nearest"。
-    - **align_mode** (int，可选)- 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_indx + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。
+    - **align_mode** (int，可选)- 双线性插值的可选项。可以是 '0' 代表 src_idx = scale *（dst_index + 0.5）-0.5；如果为'1'，代表 src_idx = scale * dst_index。
     - **align_corners** (bool，可选) - 一个可选的 bool 型参数，如果为 True，则将输入和输出 Tensor 的 4 个角落像素的中心对齐，并保留角点像素的值。默认值为 True
     - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致。支持的值有："NCW"、"NWC"、"NCHW"、"NHWC"、"NCDHW"、"NDHWC"。默认值为 None，此时若输入是 3-D Tensor， ``data_format`` 将默认为"NCW"；若输入是 4—D Tensor, 将默认为"NCHW"；若输入是 5—D Tensor, 将默认为"NCDHW"。
     - **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。

docs/api/paddle/put_along_axis_cn.rst

@@ -21,7 +21,7 @@ put_along_axis
 返回
 :::::::::
 
-输出 Tensor，indeces 矩阵选定的下标会被插入 value，与 ``arr`` 数据类型相同。
+输出 Tensor，indices 矩阵选定的下标会被插入 value，与 ``arr`` 数据类型相同。
 
 代码示例
 :::::::::

docs/api/paddle/sparse/nn/functional/subm_conv2d_cn.rst

@@ -32,7 +32,7 @@ subm_conv2d
     - stride (int|list|tuple, optional): 步长大小， 意味着卷积的步长。如果步长为 list/tuple, 它必须包含两个整数 (stride_height, stride_width)。否则, stride_height = stride_width = stride。stride 的默认值为 1。
     - padding (string|int|list|tuple, optional): 填充大小。它表示零填充在每个维度的两侧的数量。
       如果 'padding' 是字符串，则 'VALID' 或 'SAME' 是填充算法。
-      如果填充大小是元组或列表，它可以有三种形式：'[pad_heigh, pad_width]' 或 '[pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]'。
+      如果填充大小是元组或列表，它可以有三种形式：'[pad_height, pad_width]' 或 '[pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]'。
       当 'data_format' 为 'NHWC' 时, 'padding' 可以采用以下形式 '[[0,0], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]'。padding 的默认值为 0。
     - dilation (int|list|tuple, optional): 空洞大小。它表示内核点之间的间距。
       如果 dilation 是列表/元组，则它必须包含两个整数 (dilation_height、dilation_width)。

docs/api/paddle/take_along_axis_cn.rst

@@ -23,7 +23,7 @@ take_along_axis
 返回
 :::::::::
 
-输出 Tensor，包含 indeces 矩阵选定的元素，与 ``arr`` 数据类型相同。
+输出 Tensor，包含 indices 矩阵选定的元素，与 ``arr`` 数据类型相同。
 
 代码示例
 :::::::::

docs/api/paddle/vision/ops/decode_jpeg_cn.rst

@@ -19,7 +19,7 @@ decode_jpeg
 返回
 :::::::::
 
-    具有形状（imge_channels、image_height、image_width）的解码图像 Tensor。
+    具有形状（image_channels、image_height、image_width）的解码图像 Tensor。
 
 代码示例
 :::::::::

docs/design/concepts/tensor.md

@@ -116,7 +116,7 @@ Before writing code, please make sure you already look through Majel Source Code
 
 
 ### Memory Management
-`Allocation` manages a block of memory in device(CPU/GPU). We use `Place` to decribe memory location. The details of memory allocation and deallocation are implememted in `Allocator` and `DeAllocator`. Related low-level API such as `hl_malloc_device()` and `hl_malloc_host()` are provided by Paddle.
+`Allocation` manages a block of memory in device(CPU/GPU). We use `Place` to decribe memory location. The details of memory allocation and deallocation are implemented in `Allocator` and `DeAllocator`. Related low-level API such as `hl_malloc_device()` and `hl_malloc_host()` are provided by Paddle.
 
 ### Dim and Array
 #### Dim

docs/design/concurrent/parallel_do.md

@@ -80,15 +80,15 @@ block1 { # the forward pass
 }
 block2 { # the backward pass
   parent_block: 1
-  vars: data_grad, h1_grad, h2_grad, loss_gard, local_w1_grad, local_w2_grad
+  vars: data_grad, h1_grad, h2_grad, loss_grad, local_w1_grad, local_w2_grad
   ops: softmax_grad,
        fc_grad
        fc_grad
 }
 }
 ```
 
-## Performance Imporvement
+## Performance Improvement
 
 There are serial places we can make this parallel_do faster.
 
@@ -148,7 +148,7 @@ block1 {
 }
 block2 {
   parent_block: 1
-  vars: data_grad, h1_grad, h2_grad, loss_gard, w1_grad, w2_grad
+  vars: data_grad, h1_grad, h2_grad, loss_grad, w1_grad, w2_grad
   ops: softmax_grad,
        fc_grad, allreduce(places, scopes, w1_grad),
        fc_grad, allreduce(places, scopes, w2_grad)

docs/dev_guides/api_contributing_guides/auto_parallel_op_cn.md

@@ -325,13 +325,13 @@ class TestElementwiseSPMDRule(unittest.TestCase):
         result_dist_attrs = self.binary_rule.infer_forward(
             self.x_dist_tensor_spec, self.y_dist_tensor_spec
         )
-        infered_input_dist_attrs = result_dist_attrs[0] # 推导得到的 input dims mapping
-        infered_output_dist_attrs = result_dist_attrs[1] # 推导得到的 output dims mapping
+        inferred_input_dist_attrs = result_dist_attrs[0] # 推导得到的 input dims mapping
+        inferred_output_dist_attrs = result_dist_attrs[1] # 推导得到的 output dims mapping
 
         # 检查结果是否正确
-        self.assertEqual(infered_input_dist_attrs[0].dims_mapping, [0, -1])
-        self.assertEqual(infered_input_dist_attrs[1].dims_mapping, [0, -1])
-        self.assertEqual(infered_output_dist_attrs[0].dims_mapping, [0, -1])
+        self.assertEqual(inferred_input_dist_attrs[0].dims_mapping, [0, -1])
+        self.assertEqual(inferred_input_dist_attrs[1].dims_mapping, [0, -1])
+        self.assertEqual(inferred_output_dist_attrs[0].dims_mapping, [0, -1])
 
     # 逆向推导单测
     def test_backward_multi_mesh_dim(self):
@@ -351,16 +351,16 @@ class TestElementwiseSPMDRule(unittest.TestCase):
             self.y_dist_tensor_spec,
             self.out_dist_tensor_spec,
         )
-        infered_input_dist_attrs = resulted_dist_attrs[0]
-        infered_output_dist_attrs = resulted_dist_attrs[1]
+        inferred_input_dist_attrs = resulted_dist_attrs[0]
+        inferred_output_dist_attrs = resulted_dist_attrs[1]
 
         self.assertEqual(len(resulted_dist_attrs), 2)
-        self.assertEqual(len(infered_input_dist_attrs), 2)
-        self.assertEqual(len(infered_output_dist_attrs), 1)
+        self.assertEqual(len(inferred_input_dist_attrs), 2)
+        self.assertEqual(len(inferred_output_dist_attrs), 1)
 
-        self.assertEqual(infered_input_dist_attrs[0].dims_mapping, [0, 1, -1])
-        self.assertEqual(infered_input_dist_attrs[1].dims_mapping, [0, 1, -1])
-        self.assertEqual(infered_output_dist_attrs[0].dims_mapping, [0, 1, -1])
+        self.assertEqual(inferred_input_dist_attrs[0].dims_mapping, [0, 1, -1])
+        self.assertEqual(inferred_input_dist_attrs[1].dims_mapping, [0, 1, -1])
+        self.assertEqual(inferred_output_dist_attrs[0].dims_mapping, [0, 1, -1])
 ```
 
 ## 三、自定义算子

docs/dev_guides/api_contributing_guides/new_cpp_op_cn.md

@@ -956,7 +956,7 @@ class TestTraceOp(OpTest):
     - 第二个参数`'Out'` : 指定前向网络最终的输出目标变量`Out`。
     - 第三个参数`check_pir` : `check_pir=True` 表示开启 PIR 模式单测（默认为 `False`，需手动开启），`check_dygraph` 默认为 `True`, 表示默认开启动态图单测。
   - 对于存在多个输入的反向算子测试，需要指定只计算部分输入梯度的 case
-    - 例如，[test_elementwise_sub_op.py](https://github.com/PaddlePaddle/Paddle/tree/develop/test/legacy_test/test_elementwise_sub_op.py) 中的 `test_check_grad_ignore_x` 和 `test_check_grad_ingore_y`分支用来测试只需要计算一个输入梯度的情况
+    - 例如，[test_elementwise_sub_op.py](https://github.com/PaddlePaddle/Paddle/tree/develop/test/legacy_test/test_elementwise_sub_op.py) 中的 `test_check_grad_ignore_x` 和 `test_check_grad_ignore_y`分支用来测试只需要计算一个输入梯度的情况
     - 此处第三个参数 `max_relative_error` ：指定检测梯度时能容忍的最大相对误差值。
 
   ```python

docs/eval/【Hackathon No.111】PR.md

@@ -239,7 +239,7 @@ class MyNet(paddle.nn.Layer):
                                       kernel_size=(3,3),
                                       stride=2)
 
-        self.gloabl_pool = paddle.nn.AdaptiveAvgPool2D((1,1))
+        self.global_pool = paddle.nn.AdaptiveAvgPool2D((1,1))
 
         self.fc1 = paddle.nn.Linear(in_features=128, out_features=8)
 
@@ -250,7 +250,7 @@ class MyNet(paddle.nn.Layer):
         x = F.relu(x)
         x = self.conv3(x)
         x = F.relu(x)
-        x = self.gloabl_pool(x)
+        x = self.global_pool(x)
         x = paddle.squeeze(x, axis=[2, 3])
         x = self.fc1(x)
         x = x / paddle.norm(x, axis=1, keepdim=True)
@@ -356,8 +356,8 @@ x_test_t = paddle.to_tensor(x_test)
 test_images_embeddings = model(x_test_t)
 similarities_matrix = paddle.matmul(test_images_embeddings, test_images_embeddings, transpose_y=True)
 
-indicies = paddle.argsort(similarities_matrix, descending=True)
-indicies = indicies.numpy()
+indices = paddle.argsort(similarities_matrix, descending=True)
+indices = indices.numpy()
 
 examples = np.empty(
     (
@@ -375,7 +375,7 @@ for row_idx in range(num_classes):
     anchor_idx = random.choice(examples_for_class)
 
     examples[row_idx, 0] = x_test[anchor_idx]
-    anchor_near_neighbours = indicies[anchor_idx][1:near_neighbours_per_example+1]
+    anchor_near_neighbours = indices[anchor_idx][1:near_neighbours_per_example+1]
     for col_idx, nn_idx in enumerate(anchor_near_neighbours):
         examples[row_idx, col_idx + 1] = x_test[nn_idx]
 
@@ -459,7 +459,7 @@ class MyNet2(paddle.nn.Layer):
                                       kernel_size=(3,3),
                                       stride=2)
 
-        self.gloabl_pool = paddle.nn.AdaptiveAvgPool2D((1,1))
+        self.global_pool = paddle.nn.AdaptiveAvgPool2D((1,1))
 
         self.fc1 = paddle.nn.Linear(in_features=128, out_features=8)
 
@@ -472,7 +472,7 @@ class MyNet2(paddle.nn.Layer):
         x = F.relu(x)
         x = self.conv3(x)
         x = F.relu(x)
-        x = self.gloabl_pool(x)
+        x = self.global_pool(x)
         x = paddle.squeeze(x, axis=[2, 3])
         x = self.fc1(x)
         x = x / paddle.norm(x, axis=1, keepdim=True)
@@ -799,8 +799,8 @@ x_test_t = paddle.to_tensor(x_test)
 test_images_embeddings = model_2(x_test_t)
 similarities_matrix = paddle.matmul(test_images_embeddings, test_images_embeddings, transpose_y=True)
 
-indicies = paddle.argsort(similarities_matrix, descending=True)
-indicies = indicies.numpy()
+indices = paddle.argsort(similarities_matrix, descending=True)
+indices = indices.numpy()
 
 examples = np.empty(
     (
@@ -818,7 +818,7 @@ for row_idx in range(num_classes):
     anchor_idx = random.choice(examples_for_class)
 
     examples[row_idx, 0] = x_test[anchor_idx]
-    anchor_near_neighbours = indicies[anchor_idx][1:near_neighbours_per_example+1]
+    anchor_near_neighbours = indices[anchor_idx][1:near_neighbours_per_example+1]
     for col_idx, nn_idx in enumerate(anchor_near_neighbours):
         examples[row_idx, col_idx + 1] = x_test[nn_idx]
 
@@ -836,7 +836,7 @@ show_collage(examples)
     报错信息可读性差比较好，比如：
     Traceback (most recent call last):
       File "D:\Postgraduate\deep_learning\jiaoliu\pp\train.py", line 191, in <module>
-        indicies = paddle.argsort(similarities_matrix, descending=True)
+        indices = paddle.argsort(similarities_matrix, descending=True)
       File "F:\Users\ASUS\anaconda3\envs\paddlepaddle-gpu\lib\site-packages\paddle\tensor\search.py", line 92, in argsort
         _, ids = _C_ops.argsort(x, 'axis', axis, 'descending', descending)
     SystemError: (Fatal) Operator argsort raises an struct paddle::memory::allocation::BadAlloc exception.

docs/guides/advanced/gradient_clip_cn.rst

@@ -156,7 +156,7 @@
 .. code:: ipython3
 
     linear = paddle.nn.Linear(10, 10)
-    clip = paddle.nn.ClipGradByGloabalNorm(clip_norm=1.0)
+    clip = paddle.nn.ClipGradByGlobalNorm(clip_norm=1.0)
     sdg = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters(), grad_clip=clip)
 
 如果仅需裁剪部分参数，用法如下：

docs/guides/advanced/gradient_clip_en.rst

@@ -124,7 +124,7 @@ By default, Gradients of all parameters in SGD optimizer will be clipped:
 .. code:: ipython3
 
     linear = paddle.nn.Linear(10, 10)
-    clip = paddle.nn.ClipGradByGloabalNorm(clip_norm=1.0)
+    clip = paddle.nn.ClipGradByGlobalNorm(clip_norm=1.0)
     sdg = paddle.optimizer.SGD(learning_rate=0.1, parameters=linear.parameters(), grad_clip=clip)
 
 You can also clip gradients of a part of parameters as follow: