[Docs][cn] make the word case correct

docs/design/dynamic_rnn/rnn_design.md

@@ -233,7 +233,7 @@ x    x
 - 将每个序列concat 为规则的mini-batch表示
 
 ## 参考文献
-[Tensorflow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing)
+[TensorFlow Bucketing](https://www.tensorflow.org/versions/r0.12/api_docs/python/contrib.training/bucketing)
 
 [mxnet Bucketing](http://mxnet.io/how_to/bucketing.html)
 

docs/design/modules/regularization.md

@@ -63,4 +63,4 @@ Since we want to create the regularization ops in a lazy manner, the regularizat
 
 #### High-level API
 
-In PaddlePaddle Python API, users will primarily rely on [layer functions](https://github.com/PaddlePaddle/FluidDoc/blob/develop/doc/fluid/design/modules/python_api.md#layer-function) to create neural network layers. Hence, we also need to provide regularization functionality in layer functions. The design of these APIs can be postponed for later right now. A good reference for these APIs can be found in [Keras](https://keras.io/regularizers/) and also by looking at Tensorflow in [`tf.contrib.layers`](https://www.tensorflow.org/api_guides/python/contrib.layers).
+In PaddlePaddle Python API, users will primarily rely on [layer functions](https://github.com/PaddlePaddle/FluidDoc/blob/develop/doc/fluid/design/modules/python_api.md#layer-function) to create neural network layers. Hence, we also need to provide regularization functionality in layer functions. The design of these APIs can be postponed for later right now. A good reference for these APIs can be found in [Keras](https://keras.io/regularizers/) and also by looking at TensorFlow in [`tf.contrib.layers`](https://www.tensorflow.org/api_guides/python/contrib.layers).

docs/design/network/deep_speech_2.md

@@ -23,7 +23,7 @@ Intensive system optimization and low-latency inference library (details in \[[1
 We roughly break down the project into 14 tasks:
 
 1. Develop an **audio data provider**:
-    - Json filelist generator.
+    - JSON filelist generator.
     - Audio file format transformer.
     - Spectrogram feature extraction, power normalization etc.
     - Batch data reader with SortaGrad.

docs/design/others/graph_survey.md

@@ -32,7 +32,7 @@ Varible here is actually a Symbol. Every basic Symbol will correspond to one Nod
 
 Symbol contains a data member, std::vector<NodeEntry> outputs, and NodeEntry cantains a poniter to Node. We can follow the Node pointer to get all the Graph.
 
-And Symbol can be saved to a Json file.
+And Symbol can be saved to a JSON file.
 
 Here is a detailed example:
 
@@ -78,7 +78,7 @@ Attrs:
 ### TensorFlow
 
 
-The core concept of symbolic API is `Tensor`. Tensorflow defines `Tensor` in Python. Please refer to the comments in TensorFlow:
+The core concept of symbolic API is `Tensor`. TensorFlow defines `Tensor` in Python. Please refer to the comments in TensorFlow:
 
 A `Tensor` is a symbolic handle to one of the outputs of an `Operation`. It does not hold the values of that operation's output, but instead provides a means of computing those values in a TensorFlow [Session](https://www.tensorflow.org/api_docs/python/tf/Session).
 

docs/design/phi/design.md

@@ -527,12 +527,12 @@ Tensor scale(const Tensor& x,
 
 **如何自动生成C++ API？**
 
- C++ API的自动生成是通过解析Yaml配置文件来进行生成的，Yaml配置文件分为：
+ C++ API的自动生成是通过解析 YAML 配置文件来进行生成的，YAML 配置文件分为：
 
  - 前向API配置文件(`Python/paddle/utils/code_gen/api.yaml`，解析后生成代码文件为`paddle/phi/api/include/api.h`和`paddle/phi/api/lib/api.cc`)
  - 反向API配置文件(`Python/paddle/utils/code_gen/backward.yaml`，解析后生成的代码文件为`paddle/phi/api/backward/backward_api.h`和`paddle/phi/api/lib/backward_api.cc`)。
 
-C++ API生成的关键在于Yaml文件的配置，以matmul为例，其前向和反向的配置文件如下：
+C++ API生成的关键在于 YAML 文件的配置，以matmul为例，其前向和反向的配置文件如下：
 
 ```
 # 前向API配置
@@ -567,9 +567,9 @@ C++ API生成的关键在于Yaml文件的配置，以matmul为例，其前向和
  - func：kernel函数的注册名（REGISTER使用的name，非函数名），默认输入为args项的所有参数和output参数
 - backward：（可选）对应的反向函数名称，没有则生成纯前向API。
 
-Yaml解析脚本将根据上述配置项自动生成对应的C++ API，生成的代码中会完成包括Kernel自动选择、Tensor转换、Data Transform、InferMeta以及Kernel调用等相关处理逻辑，具体可参考生成的`api.cc`内代码。
+YAML 解析脚本将根据上述配置项自动生成对应的C++ API，生成的代码中会完成包括Kernel自动选择、Tensor转换、Data Transform、InferMeta以及Kernel调用等相关处理逻辑，具体可参考生成的`api.cc`内代码。
 
-由于C++ API数量较多，且有着各种各样的形式与功能，为此在Yaml配置机制上也提供了很多更为灵活的配置项，如`invoke`等。
+由于C++ API数量较多，且有着各种各样的形式与功能，为此在 YAML 配置机制上也提供了很多更为灵活的配置项，如`invoke`等。
 
 ### 2.3.4 Kernel形式、注册及管理
 

docs/dev_guides/api_contributing_guides/new_cpp_op_cn.md

@@ -50,8 +50,8 @@
 
 算子描述及定义是定义运算的基本属性，主要包括算子的输入、输出以及各项非计算逻辑的配置，这些都是设备无关的。
 
-### 2.1 算子Yaml文件配置
-我们在`python/paddle/utils/code_gen/api.yaml`和`python/paddle/utils/code_gen/backward.yaml`文件中对算子进行描述及定义，在框架编译时会根据Yaml文件中的配置自动生成C++端的相关代码接口以及内部实现（详见[Paddle基于Yaml配置的算子代码自动生成](new_cpp_op_cn.md#paddleyaml)），下面主要以Trace为例介绍算子的Yaml配置规则：
+### 2.1 算子 YAML 文件配置
+我们在`python/paddle/utils/code_gen/api.yaml`和`python/paddle/utils/code_gen/backward.yaml`文件中对算子进行描述及定义，在框架编译时会根据 YAML 文件中的配置自动生成C++端的相关代码接口以及内部实现（详见[Paddle 基于 YAML 配置的算子代码自动生成](new_cpp_op_cn.md#paddleyaml)），下面主要以Trace为例介绍算子的 YAML 配置规则：
 
 python/paddle/utils/code_gen/api.yaml：
 ```yaml
@@ -938,7 +938,7 @@ PADDLE_ENFORCE_EQ(比较对象A, 比较对象B, 错误提示信息)
 #### 6.3.1 为可原位计算的算子注册inplace
 有些算子的计算逻辑中，输出可以复用输入的显存空间，也可称为原位计算。例如[reshape](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/phi/kernels/reshape_kernel.cc)中，输出`out`可以复用输入`x`的显存空间，因为该算子的计算逻辑不会改变`x`的实际数据，只是修改它的shape，输出和输入复用同一块显存空间不影响结果。对于这类算子，可以注册`inlace`，从而让框架在运行时自动地进行显存优化。
 
-注册方式为在算子的Yaml配置中添加`inplace`配置项，格式如：`(x -> out)`，详见[Yaml配置规则](new_cpp_op_cn.html#yaml)。示例：
+注册方式为在算子的 YAML 配置中添加`inplace`配置项，格式如：`(x -> out)`，详见[YAML 配置规则](new_cpp_op_cn.html#yaml)。示例：
 
 ```yaml
 - api : reshape
@@ -954,7 +954,7 @@ PADDLE_ENFORCE_EQ(比较对象A, 比较对象B, 错误提示信息)
 所以在定义反向算子时需要注意以下几点：
 
 - 如果反向不需要前向的某些输入或输出参数，则无需在args中设置。
-- 如果有些反向算子需要依赖前向算子的输入或输出变量的的Shape或LoD，但不依赖于变量中Tensor的内存Buffer数据，且不能根据其他变量推断出该Shape和LoD，则可以通过`no_need_buffer`对该变量进行配置，详见[Yaml配置规则](new_cpp_op_cn.html#yaml)。示例：
+- 如果有些反向算子需要依赖前向算子的输入或输出变量的的Shape或LoD，但不依赖于变量中Tensor的内存Buffer数据，且不能根据其他变量推断出该Shape和LoD，则可以通过`no_need_buffer`对该变量进行配置，详见[YAML 配置规则](new_cpp_op_cn.html#yaml)。示例：
 ```yaml
 - backward_api : trace_grad
   forward : trace (Tensor x, int offset, int axis1, int axis2) -> Tensor(out)
@@ -1063,11 +1063,11 @@ The following device operations are asynchronous with respect to the host:
 
 
 ## 7. 补充
-### 7.1 Paddle基于Yaml配置的算子代码自动生成
-Paddle支持动态图和静态图两种模式，在Yaml配置文件中完成算子基本属性的定义后，需要进行解析并分别生成动态图和静态图所对应的算子代码逻辑，从而将算子接入框架的执行体系。基于Yaml配置的算子代码自动生成示意图：
+### 7.1 Paddle 基于 YAML 配置的算子代码自动生成
+Paddle 支持动态图和静态图两种模式，在 YAML 配置文件中完成算子基本属性的定义后，需要进行解析并分别生成动态图和静态图所对应的算子代码逻辑，从而将算子接入框架的执行体系。基于 YAML 配置的算子代码自动生成示意图：
 ![code_gen_by_yaml](./code_gen_by_yaml.png)
 
-- 其中Yaml配置文件为前向：`python/paddle/utils/code_gen/api.yaml` 和反向：`python/paddle/utils/code_gen/backward.yaml`。
+- 其中 YAML 配置文件为前向：`python/paddle/utils/code_gen/api.yaml` 和反向：`python/paddle/utils/code_gen/backward.yaml`。
 - 动态图中自动生成的代码包括从Python API到计算Kernel间的各层调用接口实现，从底层往上分别为：
   - C++ API：一套与Python API参数对齐的C++接口（只做逻辑计算，不支持自动微分），内部封装了底层kernel的选择和调用等逻辑，供上层灵活使用。
     - 注：前向算子生成C++ API头文件和实现代码分别为`paddle/phi/api/include/api.h`和`paddle/phi/api/lib/api.cc`，反向算子生成的头文件和实现代码分别为`paddle/phi/api/backward/backward_api.h`,`paddle/phi/api/lib/backward_api.cc`。

docs/dev_guides/api_contributing_guides/new_python_api_cn.md

@@ -211,9 +211,9 @@ if _in_legacy_dygraph():
 
 `_C_ops` 是 `Python/paddle/_C_ops.py`，其中从 paddle 编译得到的二进制文件中 import 了 c++ 算子对应的 Python C 函数。
 
-- 在新动态图模式下，Python C 的调用函数名为`final_state_` + 算子名，然后将参数按照Yaml中定义的输入参数顺序传入即可。
+- 在新动态图模式下，Python C 的调用函数名为`final_state_` + 算子名，然后将参数按照 YAML 中定义的输入参数顺序传入即可。
 - 在旧动态图模式下，Python C 函数名和算子名一致。如希望调用名为 `trace` 的算子，则使用 `_C_ops.trace`, 然后传入参数。其中参数分为两个部分：
-  - 对于 `Tensor` 类型的输入，直接按照Yaml中的定义，按位置传参的方式传入
+  - 对于 `Tensor` 类型的输入，直接按照 YAML 中的定义，按位置传参的方式传入
   - 对于非 `Tensor` 类型的输入，则以 `attribute 名，attribute 值` 交替的方式传入，这类似 Python 中的按关键字传参的方式。然后返回调用函数得到的结果。
 
 
@@ -239,8 +239,8 @@ helper.append_op(
     outputs={'Out': [out]})
 return out
 ```
-注意：在`append_op`添加的`inputs`和`outputs`项，其中的key值（静态图中变量名）一般为Yaml中定义的输入输出Tensor变量名的首字母大写格式，静态图中的变量名可以在`paddle/fluid/operators/generated_op.cc`（需要先开发C++算子并完成编译）文件内对应算子的`OpMaker`中找到；`attrs`项的变量名与Yaml中相同。
-这里`trace`中的'Input'没有与Yaml配置的中'x'直接对应是由于为了兼容旧算子体系下`Trace`算子的`OpMaker`实现而做了额外的映射，新增算子时无需考虑这种情况。
+注意：在`append_op`添加的`inputs`和`outputs`项，其中的key值（静态图中变量名）一般为 YAML 中定义的输入输出Tensor变量名的首字母大写格式，静态图中的变量名可以在`paddle/fluid/operators/generated_op.cc`（需要先开发C++算子并完成编译）文件内对应算子的`OpMaker`中找到；`attrs`项的变量名与 YAML 中相同。
+这里`trace`中的'Input'没有与 YAML 配置的中'x'直接对应是由于为了兼容旧算子体系下`Trace`算子的`OpMaker`实现而做了额外的映射，新增算子时无需考虑这种情况。
 
 
 ## 开发单元测试代码

docs/dev_guides/git_guides/local_dev_guide_en.md

@@ -11,7 +11,7 @@ You will learn how to develop programs in local environment under the guidelines
 The following guidiance tells you how to submit code.
 ## [Fork](https://help.github.com/articles/fork-a-repo/)
 
-Transfer to the home page of Github [PaddlePaddle](https://github.com/PaddlePaddle/Paddle) ,and then click button `Fork`  to generate the git under your own file directory,such as <https://github.com/USERNAME/Paddle>。
+Transfer to the home page of GitHub [PaddlePaddle](https://github.com/PaddlePaddle/Paddle) ,and then click button `Fork`  to generate the git under your own file directory,such as <https://github.com/USERNAME/Paddle>。
 
 ## Clone
 

docs/dev_guides/git_guides/paddle_ci_manual_cn.md

@@ -26,7 +26,7 @@ git commit -m 'test=document_fix'
 
 ### CLA
 
-贡献者许可证协议[Contributor License Agreements](https://cla-assistant.io/PaddlePaddle/Paddle)是指当你要给Paddle贡献代码的时候，需要签署的一个协议。如果不签署那么你贡献给 Paddle 项目的修改，即`PR`会被 Github 标志为不可被接受，签署了之后，这个`PR`就是可以在 review 之后被接受了。
+贡献者许可证协议[Contributor License Agreements](https://cla-assistant.io/PaddlePaddle/Paddle)是指当你要给Paddle贡献代码的时候，需要签署的一个协议。如果不签署那么你贡献给 Paddle 项目的修改，即`PR`会被 GitHub 标志为不可被接受，签署了之后，这个`PR`就是可以在 review 之后被接受了。
 
 ### CheckPRTemplate
 

docs/dev_guides/git_guides/submit_pr_guide_en.md

@@ -1,4 +1,4 @@
-# Guide of submitting PR to Github
+# Guide of submitting PR to GitHub
 
 ## Tthe submit of Pull Request
 

docs/eval/evaluation_of_docs_system.md

@@ -835,7 +835,7 @@ Paddle 当前文档中的 Tutorial，特别是初级内容部分，都很好的
 
 想为飞桨开源项目增加功能的用户，可以参考 [自定义算子](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/07_new_op/index_cn.html) 了解如何增加算子，以及 [参与开发](https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/10_contribution/index_cn.html) 了解提交 PR 的流程。
 
-不过，其它框架，一般会有文档介绍它组件中的设计理念和原理，如 Pytorch 的这篇 [autograd](https://pytorch.org/docs/stable/notes/autograd.html)，OneFlow 的一些 [技术博客](https://zhuanlan.zhihu.com/p/337851255)，以及 MindSpore 的 [设计文档](https://www.mindspore.cn/docs/programming_guide/zh-CN/r1.6/design/technical_white_paper.html) （这个信息量偏薄弱点）。
+不过，其它框架，一般会有文档介绍它组件中的设计理念和原理，如 PyTorch 的这篇 [autograd](https://pytorch.org/docs/stable/notes/autograd.html)，OneFlow 的一些 [技术博客](https://zhuanlan.zhihu.com/p/337851255)，以及 MindSpore 的 [设计文档](https://www.mindspore.cn/docs/programming_guide/zh-CN/r1.6/design/technical_white_paper.html) （这个信息量偏薄弱点）。
 
 在 Paddle 的文档体系中，好像没有找到类似的内容，这对于想学习 Paddle 底层原理甚至参与开源建设的爱好者，是一种遗憾。希望可以考虑推出。