fix: shimo MODOC 16 18 21 22 24 26

docs/api/paddle/nn/Conv2DTranspose_cn.rst

@@ -8,7 +8,7 @@ Conv2DTranspose
 
 二维转置卷积层（Convlution2d transpose layer）
 
-该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCHW 或 NHWC 格式，其中 N 为批尺寸（batch size），C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 MCHW 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 `参考文献 <https://arxiv.org/pdf/1603.07285.pdf/>`_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。
+该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCHW 或 NHWC 格式，其中 N 为批尺寸（batch size），C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 MCHW 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 `参考文献 <https://arxiv.org/pdf/1603.07285.pdf>`_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。
 
 输入 :math:`X` 和输出 :math:`Out` 函数关系如下：
 

docs/dev_guides/code_contributing_path_cn.md

@@ -250,7 +250,7 @@ upstream    https://github.com/PaddlePaddle/Paddle.git (push)
 
 <span id="CItest">（6）确保通过 CI 测试</span>
 
-提交 Pull Request 后会触发 CI（Continuous Integration，持续集成）测试，并且之后每提交一次代码合入（`git push`）都会触发一次 CI 测试。CI 测试可尽可能保障代码质量，详细测试内容可参见 [Paddle CI 测试详解](../git_guides/paddle_ci_manual_cn.html)。
+提交 Pull Request 后会触发 CI（Continuous Integration，持续集成）测试，并且之后每提交一次代码合入（`git push`）都会触发一次 CI 测试。CI 测试可尽可能保障代码质量，详细测试内容可参见 [Paddle CI 测试详解](./git_guides/paddle_ci_manual_cn.html)。
 
 提交 Pull Request 后，请关注 CI 测试进程，一般会在几个小时内完成。
 

docs/guides/beginner/quick_start_cn.ipynb

@@ -422,7 +422,7 @@
     "3. **使用 [paddle.Model.fit](../../api/paddle/Model_cn.html#fit-train-data-none-eval-data-none-batch-size-1-epochs-1-eval-freq-1-log-freq-10-save-dir-none-save-freq-1-verbose-2-drop-last-false-shuffle-true-num-workers-0-callbacks-none) 配置循环参数并启动训练。**  配置参数包括指定训练的数据源 `train_dataset`、训练的批大小 `batch_size`、训练轮数 `epochs` 等，执行后将自动完成模型的训练循环。\n",
     "\n",
     "\n",
-    "因为是分类任务，这里损失函数使用常见的 [CrossEntropyLoss](../../api/paddle/nn/CrossEntropyLoss_cn.html#crossentropyloss) （交叉熵损失函数），优化器使用 [Adam](../../api/paddle/optimizer/Adam_cn.html#adam)，评价指标使用 [Accuracy](../../api/paddle/metric/Accuracy_cn.html#accuracy) 来计算模型在训练集上的精度。"
+    "因为是分类任务，这里损失函数使用常见的 [CrossEntropyLoss](../../api/paddle/nn/CrossEntropyLoss_cn.html#crossentropyloss) （交叉熵损失函数），优化器使用 [Adam](../../api/paddle/optimizer/Adam_cn.html#adam)，评价指标使用 [Accuracy](../../api/paddle/metric/accuracy_cn.html#accuracy) 来计算模型在训练集上的精度。"
    ]
   },
   {

docs/guides/model_convert/convert_from_pytorch/nlp_fast_explore_cn.md

@@ -393,7 +393,7 @@ def _init_weights(self, module):
 
 **【转换前】**
 
-PyTorc 和 Paddle 都是用套件的形式来进行 Bert 模型组装，在 3.1 通过替换模型组件就可以完成模型网络迁移，而相应的模型权重只需要通过转换脚本就能得到,需要首先下载 Huggingface 的 BERT 预训练模型到该目录下，下载地址为：https://huggingface.co/bert-base-uncased/blob/main/pytorch_model.bin
+PyTorch 和 Paddle 都是用套件的形式来进行 Bert 模型组装，在 3.1 通过替换模型组件就可以完成模型网络迁移，而相应的模型权重只需要通过转换脚本就能得到,需要首先下载 Huggingface 的 BERT 预训练模型到该目录下，下载地址为：https://huggingface.co/bert-base-uncased/blob/main/pytorch_model.bin
 
 **【转换后】**