Polish dy2stat doc (PaddlePaddle#4145)

* Polish dy2stat doc

* fix code style

Author: Aurelius84

docs/guides/04_dygraph_to_static/basic_usage_cn.md

@@ -5,7 +5,7 @@
 
 动静转换（@to_static）通过解析 Python 代码（抽象语法树，下简称：AST） 实现一行代码即可将动态图转为静态图的功能，只需在待转化的函数前添加一个装饰器 ``@paddle.jit.to_static`` 。
 
-如下是使用 @to_static 进行动静转换的两种方式：
+使用 @to_static 即支持 **可训练可部署** ，也支持**只部署**（详见[模型导出](#2)） ，常见使用方式如下：
 
 - 方式一：使用 @to_static 装饰器装饰 ``SimpleNet`` (继承了 ``nn.Layer``)  的 ``forward`` 函数:
 
@@ -28,8 +28,8 @@
     net.eval()
     x = paddle.rand([2, 10])
     y = paddle.rand([2, 3])
-    out = net(x, y)
-    paddle.jit.save(net, './net')
+    out = net(x, y)                # 动转静训练
+    paddle.jit.save(net, './net')  # 导出预测模型
     ```
 
 - 方式二：调用 ``paddle.jit.to_static()`` 函数，仅做预测模型导出时推荐此种用法。
@@ -53,17 +53,20 @@
     net = paddle.jit.to_static(net)  # 动静转换
     x = paddle.rand([2, 10])
     y = paddle.rand([2, 3])
-    out = net(x, y)
-    paddle.jit.save(net, './net')
+    out = net(x, y)                  # 动转静训练
+    paddle.jit.save(net, './net')    # 导出预测模型
     ```
 
-方式一和方式二的主要区别是，使用 @to_static 除了支持预测模型导出外，在模型训练时，还会转为静态图子图训练，而方式二仅支持预测模型导出。@to_static 的基本执行流程如下图：
+方式一和方式二的主要区别是，前者直接在 `forward()` 函数定义处装饰，后者显式调用了 `jit.to_static()`方法，默认会对 `net.forward`进行动静转换。
+
+两种方式均支持动转静训练，如下是@to_static 的基本执行流程：
 
 <img src="https://raw.githubusercontent.com/PaddlePaddle/docs/develop/docs/guides/04_dygraph_to_static/images/to_static_train.png" style="zoom:50%" />
 
 
 
 ## 二、动转静模型导出
+<span id='2'></span>
 
 动转静模块**是架在动态图与静态图的一个桥梁**，旨在打破动态图模型训练与静态部署的鸿沟，消除部署时对模型代码的依赖，打通与预测端的交互逻辑。下图展示了**动态图模型训练——>动转静模型导出——>静态预测部署**的流程。
 
@@ -350,22 +353,6 @@ paddle.save(layer_state_dict, "net.pdiparams") # 导出模型
 
 上图展示了动态图下**模型训练——>参数导出——>预测部署**的流程。如图中所示，动态图预测部署时，除了已经序列化的参数文件，还须提供**最初的模型组网代码**。
 
-在动态图下，模型代码是 **逐行被解释执行** 的。如：
-
-```python
-import paddle
-
-zeros = paddle.zeros(shape=[1,2], dtype='float32')
-print(zeros)
-
-#Tensor(shape=[1, 2], dtype=float32, place=CPUPlace, stop_gradient=True,
-#       [[0., 0.]])
-```
-
-
-**从框架层面上，上述的调用链是：**
-
-> 前端 zeros 接口 &rarr; core.ops.fill_constant (Pybind11)  &rarr; 后端 Kernel  &rarr; 前端 Tensor 输出
 
 如下是一个简单的 Model 示例：
 
@@ -430,20 +417,6 @@ paddle.save(main_program.state_dict(), para_path) # 导出为 .pdiparams
 
 在静态图编译期，变量 ``Variable`` 只是**一个符号化表示**，并不像动态图 ``Tensor`` 那样持有实际数据。
 
-```python
-import paddle
-# 开启静态图模式
-paddle.enable_static()
-
-zeros = paddle.zeros(shape=[1,2], dtype='float32')
-print(zeros)
-# var fill_constant_1.tmp_0 : LOD_TENSOR.shape(1, 2).dtype(float32).stop_gradient(True)
-```
-
-**从框架层面上，静态图的调用链：**
-
-> layer 组网（前端） &rarr; InferShape 检查（编译期） &rarr;  Executor（执行期） &rarr; 逐个执行 OP
-
 
 如下是 ``SimpleNet`` 的静态图模式下的组网代码：
 

docs/guides/04_dygraph_to_static/principle_cn.md

@@ -5,7 +5,7 @@
 ## 一、 设置 Placeholder 信息
 
 
-静态图下，模型起始的 Placeholder 信息是通过 ``paddle.static.data`` 来指定的，并以此作为编译期的 ``InferShape`` 推导起点。
+静态图下，模型起始的 Placeholder 信息是通过 ``paddle.static.data`` 来指定的，并以此作为编译期的 ``InferShape`` 推导起点，即用于推导输出 Tensor 的 shape。
 
 ```python
 import paddle
@@ -41,7 +41,7 @@ class SimpleNet(paddle.nn.Layer):
 net = SimpleNet()
 
 # 通过 InputSpec 设置 Placeholder 信息
-x_spec = InputSpec(shape=[None, 10], name='x') 
+x_spec = InputSpec(shape=[None, 10], name='x')
 y_spec = InputSpec(shape=[3], name='y')
 
 net = paddle.jit.to_static(net, input_spec=[x_spec, y_spec])  # 动静转换
@@ -138,14 +138,14 @@ def add_two(x, y):
 + **只有**控制流的判断条件 **依赖了``Tensor``**（如 ``shape`` 或 ``value`` ），才会转写为对应 Op
 
 
-
-
 ### 3.1 IfElse
 
 无论是否会转写为 ``cond_op`` ，动转静都会首先对代码进行处理，**转写为 ``cond`` 接口可以接受的写法**
 
 **示例一：不依赖 Tensor 的控制流**
 
+如下代码样例中的 `if label is not None`, 此判断只依赖于 `label` 是否为 `None`（存在性），并不依赖 `label` 的Tensor值（数值性），因此属于**不依赖 Tensor 的控制流**。
+
 ```python
 def not_depend_tensor_if(x, label=None):
     out = x + 1
@@ -176,6 +176,8 @@ def not_depend_tensor_if(x, label=None):
 
 **示例二：依赖 Tensor 的控制流**
 
+如下代码样例中的 `if paddle.mean(x) > 5`, 此判断直接依赖 `paddle.mean(x)` 返回的Tensor值（数值性），因此属于**依赖 Tensor 的控制流**。
+
 ```python
 def depend_tensor_if(x):
     if paddle.mean(x) > 5.:         # <---- Bool Tensor 类型
@@ -235,6 +237,7 @@ def convert_ifelse(pred, true_fn, false_fn, true_args, false_args, return_vars):
 ``For/While`` 也会先进行代码层面的规范化，在逐行执行用户代码时，才会决定是否转为 ``while_op``。
 
 **示例一：不依赖 Tensor 的控制流**
+如下代码样例中的 `while a < 10`, 此循环条件中的 `a` 是一个 `int` 类型，并不是 Tensor 类型，因此属于**不依赖 Tensor 的控制流**。
 
 ```python
 def not_depend_tensor_while(x):
@@ -269,6 +272,8 @@ def not_depend_tensor_while(x):
 
 **示例二：依赖 Tensor 的控制流**
 
+如下代码样例中的 `for i in range(bs)`, 此循环条件中的 `bs` 是一个 `paddle.shape` 返回的 Tensor 类型，且将其 Tensor 值作为了循环的终止条件，因此属于**依赖 Tensor 的控制流**。
+
 ```python
 def depend_tensor_while(x):
     bs = paddle.shape(x)[0]