fix doc bug

docs/api/api_python/mindspore.nn.rst

@@ -9,7 +9,7 @@ Cell
 
     mindspore.nn.Cell
 
-Containers
+容器
 -----------
 
 .. cnmsplatformautosummary::
@@ -18,7 +18,7 @@ Containers
     mindspore.nn.CellList
     mindspore.nn.SequentialCell
 
-Convolution Layers
+卷积层
 --------------------
 
 .. cnmsplatformautosummary::
@@ -40,7 +40,7 @@ Gradient
     mindspore.nn.Jvp
     mindspore.nn.Vjp
 
-Non-linear Activations
+非线性激活函数
 ----------------------
 
 .. cnmsplatformautosummary::
@@ -69,14 +69,13 @@ Utilities
     mindspore.nn.Flatten
     mindspore.nn.Tril
 
-Loss Functions
+损失函数
 --------------
 
 .. cnmsplatformautosummary::
     :toctree: nn
 
     mindspore.nn.L1Loss
-    mindspore.nn.MAELoss
     mindspore.nn.MSELoss
     mindspore.nn.SmoothL1Loss
 

docs/api/api_python/nn/mindspore.nn.HShrink.rst

@@ -3,7 +3,7 @@ mindspore.nn.HShrink
 
 .. py:class:: mindspore.nn.HShrink(lambd=0.5)
 
-    按元素计算Hard Shrink函数，公式定义如下：
+    Hard Shrink激活函数，按输入元素计算输出，公式定义如下：
 
     .. math::
         \text{HardShrink}(x) =
@@ -15,7 +15,7 @@ mindspore.nn.HShrink
 
     **参数：**
 
-    **lambd** (float) - Hard Shrink公式定义的阈值。默认值：0.5。
+    **lambd** (float) - Hard Shrink公式定义的阈值 :math:`\lambda` 。默认值：0.5。
 
     **输入：**
         
@@ -31,8 +31,8 @@ mindspore.nn.HShrink
 
     **异常：**
 
-    - **TypeError** - `lambd` 不是float。
-    - **TypeError** - `input_x` 的dtype既不是float16也不是float32。
+    - **TypeError** - `lambd` 数据类型不是float。
+    - **TypeError** - `input_x` 数据类型不是float。
 
     **样例：**
 

docs/api/api_python/nn/mindspore.nn.HSigmoid.rst

@@ -3,9 +3,7 @@ mindspore.nn.HSigmoid
 
 .. py:class:: mindspore.nn.HSigmoid
 
-    Hard Sigmoid激活函数。
-
-    按元素计算Hard Sigmoid激活函数。
+    Hard Sigmoid激活函数，按元素计算输出。
 
     Hard Sigmoid定义为：
 
@@ -16,7 +14,7 @@ mindspore.nn.HSigmoid
 
     **输入：**
 
-    - **input_x** (Tensor) - Hard Sigmoid的输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
+    - **input_x** (Tensor) - Hard Sigmoid的输入，任意维度的Tensor。
           
     **输出：**
 

docs/api/api_python/nn/mindspore.nn.LogSoftmax.rst

@@ -27,7 +27,7 @@ mindspore.nn.LogSoftmax
 
     **输出：**
 
-    Tensor，数据类型和shape与`x`相同，值的范围在[-inf,0)。
+    Tensor，数据类型和shape与`x`相同，输出值的范围在[-inf,0)。
 
     **异常：**
 

docs/api/api_python/nn/mindspore.nn.MAELoss.rst

@@ -1,60 +0,0 @@
-mindspore.nn.MAELoss
-=============================
-
-.. py:class:: mindspore.nn.MAELoss(reduction='mean')
-
-    MAELoss用于测量 :math:`x` 和 :math:`y` 元素之间的平均绝对误差，其中 :math:`x` 是输入Tensor， :math:`y` 是标签Tensor。
-    
-    假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
-    
-    .. math::
-        \ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
-
-    其中， :math:`N` 为batch size。如果 `reduction` 不是"none"，则：
-
-    .. math::
-        \ell(x, y) =
-        \begin{cases}
-            \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
-            \operatorname{sum}(L),  & \text{if reduction} = \text{'sum'.}
-        \end{cases}
-
-    **参数：**
-    
-    **reduction** (str) - 应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。默认值："mean"。
-
-    **输入：**
-    
-    - **logits** (Tensor) - shape为 :math:`(M, *)` 的tensor，其中 :math:`*` 表示任意的附加维度。
-    - **labels** (Tensor) - shape为 :math:`(N, *)` 的tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
-          
-    **输出：**
-
-    Tensor，为加权loss float tensor，如果 `reduction` 为"mean"或"sum"，则shape为零；如果 `reduction` 为"none"，则输出的shape为输入Tensor广播后的shape。
-        
-    **异常：**
-
-    **ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
-
-    **支持平台：**
-
-    ``Ascend`` ``GPU`` ``CPU``
-
-    **样例：**
-
-    >>> #用例1：logits.shape = labels.shape = (3,)
-    >>> loss = nn.MAELoss()
-    >>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
-    >>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
-    >>> output = loss(logits, labels)
-    >>> print(output)
-    0.33333334
-    >>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
-    >>> loss = nn.MAELoss(reduction='none')
-    >>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
-    >>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
-    >>> output = loss(logits, labels)
-    >>> print(output)
-    [[0. 1. 2.]
-     [0. 0. 1.]]
-    

docs/api/api_python/nn/mindspore.nn.MSELoss.rst

@@ -3,7 +3,7 @@ mindspore.nn.MSELoss
 
 .. py:class:: mindspore.nn.MSELoss(reduction='mean')
 
-    MSELoss是用来测量 :math:`x` 和 :math:`y` 对应元素之间的均方差，其中 :math:`x` 是输入Tensor， :math:`y` 是标签Tensor。
+    用于计算预测值与标签值之间的均方误差。
     
     假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
     
@@ -25,16 +25,18 @@ mindspore.nn.MSELoss
 
     **输入：**
 
-    - **logits** (Tensor) - shape为 :math:`(N, *)` 的Tensor，其中 :math:`*` 表示任意的附加维度。 
-    - **labels** (Tensor) - shape为 :math:`(N, *)` 的Tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
+    - **logits** (Tensor) - 输入预测值，任意维度的Tensor。
+    - **labels** (Tensor) - 输入标签，任意维度的Tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
           
     **输出：**
 
-    Tensor，为loss float tensor，如果 `reduction` 为"mean"或"sum"，则shape为零；如果 `reduction` 为"none"，则输出的shape为输入Tensor广播后的shape。
+    Tensor，为float类型的loss，如果 `reduction` 为"mean"或"sum"，则shape为0；
+    如果 `reduction` 为"none"，则输出的shape为输入Tensor广播后的shape。
         
     **异常：**
 
     **ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
+    **ValueError** - `logits` 和 `labels` 的shape不同，且不能广播。
 
     **支持平台：**
 

docs/api/api_python/nn/mindspore.nn.Sigmoid.rst

@@ -3,9 +3,9 @@ mindspore.nn.Sigmoid
 
 .. py:class:: mindspore.nn.Sigmoid
 
-    Sgmoid激活函数。
+    Sigmoid激活函数。
 
-    按元素计算Sgmoid激活函数。
+    按元素计算Sigmoid激活函数。
 
     Sigmoid函数定义为：
 
@@ -19,7 +19,7 @@ mindspore.nn.Sigmoid
 
     **输入：**
 
-    - **x** (Tensor) - 数据类型为float16或float32的Sgmoid输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
+    - **x** (Tensor) - 数据类型为float16或float32的Sgmoid输入。任意维度的Tensor。
 
     **输出：**
 

docs/api/api_python/nn/mindspore.nn.Tanh.rst

@@ -16,7 +16,7 @@ mindspore.nn.Tanh
 
     **输入：**
     
-    - **x** (Tensor) - 数据类型为float16或float32的Tanh输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
+    - **x** (Tensor) - 任意维度的Tensor，数据类型为float16或float32的输入。
 
     **输出：**