[Docs] Fix 404 links, remove outdated Fluid docs, and update arXiv references

docs/api/paddle/nn/RNNTLoss_cn.rst

@@ -11,7 +11,7 @@ RNNTLoss
 参数
 :::::::::
     - **blank** (int，可选) - 空格标记的 ID 值，其取值范围为 [0, num_classes + 1)。数据类型支持 int32。默认值为 0。
-    - **fastemit_lambda** (float，默认 0.001) - FastEmit 的正则化参数(https://arxiv.org/pdf/2010.11148.pdf)。
+    - **fastemit_lambda** (float，默认 0.001) - FastEmit 的正则化参数，具体请参考：`FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization <https://arxiv.org/pdf/2010.11148.pdf>`_ 。
     - **reduction** (str，可选) - 表示如何平均损失，候选是 ``'none'`` | ``'mean'`` | ``'sum'`` 。如果是 ``'mean'`` ，输出将是损失的总和并除以 batch_size;如果是 ``'sum'``，返回损失的总和;如果为 ``'none'``，则不应用 reduction。默认是 ``'mean'``。
     - **name** (str，可选) - 操作名称，默认为 None。
 

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

@@ -5,7 +5,7 @@ hardswish
 
 .. py:function:: paddle.nn.functional.hardswish(x, name=None)
 
-hardswish 激活函数。在 MobileNetV3 架构中被提出，相较于 swish 函数，具有数值稳定性好，计算速度快等优点，具体原理请参考：https://arxiv.org/pdf/1905.02244.pdf
+hardswish 激活函数。在 MobileNetV3 架构中被提出，相较于 swish 函数，具有数值稳定性好，计算速度快等优点，具体原理请参考：`Searching for MobileNetV3 <https://arxiv.org/pdf/1905.02244.pdf>`_ 。
 
 .. math::
 

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

@@ -19,7 +19,7 @@ label_smooth
 其中 :math:`1-\epsilon` 和 :math:`\epsilon` 分别是权重，:math:`\tilde{y_k}` 是平滑后的标签，通常 :math:`\mu` 使用均匀分布。
 
 
-关于更多标签平滑的细节，`查看论文  <https://arxiv.org/abs/1512.00567>`_ 。
+关于更多标签平滑的细节请参考论文：`Rethinking the Inception Architecture for Computer Vision <https://arxiv.org/abs/1512.00567>`_ 。
 
 
 参数

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

@@ -15,7 +15,7 @@ rnnt_loss
     - **input_lengths** (Tensor) - 每个输入序列的长度，它应该有形状 [batch_size] 和 dtype int64。
     - **label_lengths** (Tensor) - 每个标签序列的长度，它应该有形状 [batch_size] 和 dtype int64。
     - **blank** (int，可选) - RNN-T loss 的空白标签索引，处于半开放区间 [0,B)。数据类型必须为 int32。默认值为 0。
-    - **fastemit_lambda** (float，默认 0.001) - FastEmit 的正则化参数(https://arxiv.org/pdf/2010.11148.pdf)。
+    - **fastemit_lambda** (float，默认 0.001) - FastEmit 的正则化参数，参考论文：`FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization <https://arxiv.org/pdf/2010.11148.pdf>`_ 。
     - **reduction** (str，可选) - 表示如何平均损失，候选是 ``'none'`` | ``'mean'`` | ``'sum'`` 。如果 :attr:`reduction` 是 ``'mean'``，输出将是损失的总和并除以 batch_size；如果 :attr:`reduction` 是 ``'sum'``，返回损失的总和；如果 :attr:`reduction` 为 ``'none'``，则不应用 reduction。默认是 ``'mean'``。
     - **name** (str，可选) - 操作名称，默认为 None。
 

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

@@ -20,7 +20,7 @@ SubmConv2D
 
     - :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:`\\ast` : 子流形卷积运算, 参考论文: `Submanifold Sparse Convolutional Networks <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。
 

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

@@ -7,7 +7,7 @@ psroi_pool
 
 位置敏感的兴趣区域池化（也称为 PSROIPooling），是在指定输入的感兴趣区域上执行位置敏感的平均池化。它在非均匀大小的输入上执行并获得固定大小的特征图。
 
-PSROIPooling 由 R-FCN 提出。更多详细信息，请参阅 https://arxiv.org/abs/1605.06409。
+PSROIPooling 由 R-FCN 提出。更多详细信息，请参阅 `R-FCN: Object Detection via Region-based Fully Convolutional Networks <https://arxiv.org/abs/1605.06409>`_ 。
 
 参数
 :::::::::