add temporal_shift and grid_sample

doc/paddle/api/alias_api_mapping

@@ -101,7 +101,6 @@ paddle.fluid.layers.generate_mask_labels	paddle.nn.functional.generate_mask_labe
 paddle.tensor.math.prod	paddle.prod,paddle.tensor.prod
 paddle.fluid.layers.abs	paddle.abs,paddle.tensor.abs,paddle.tensor.math.abs
 paddle.fluid.dygraph.base.no_grad_	paddle.no_grad
-paddle.fluid.layers.grid_sampler	paddle.nn.functional.vision.grid_sampler
 paddle.tensor.linalg.cholesky	paddle.cholesky,paddle.tensor.cholesky
 paddle.tensor.math.sum	paddle.sum,paddle.tensor.sum,paddle.nn.functional.common.sum
 paddle.fluid.dygraph.learning_rate_scheduler.PiecewiseDecay	paddle.PiecewiseDecay,paddle.framework.PiecewiseDecay

doc/paddle/api/paddle/fluid/layers/temporal_shift_cn.rst

@@ -32,14 +32,14 @@ temporal_shift
 有关时序移动的详细信息，请参阅文件： `Temporal Shift Module <https://arxiv.org/abs/1811.08383>`_
 
 参数：
-  - **x**  (Variable) – 时移算符的输入张量。维度为 :math:`[N*T，C，H，W]` 的4-D Tensor。N为批量大小，T为时间段数，C为信道数，H为特征高度，W为特征宽度，数据类型为float32或float64。
+  - **x**  (Tensor) – 时移算符的输入张量。维度为 :math:`[N*T，C，H，W]` 的4-D Tensor。N为批量大小，T为时间段数，C为信道数，H为特征高度，W为特征宽度，数据类型为float32或float64。
   - **seg_num**  (int) – 时间段编号，这应该是一个正整数。
   - **shift_ratio**  (float) – 通道的移位比、通道的第一个 ``shift_ratio`` 部分沿时间维度移动-1，通道的第二个 ``shift_ratio`` 部分沿时间维度移动1，范围须在[0, 0.5]内。默认值0.25
   - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值：None。
 
-返回：Variable(Tensor) 时序位移后的输出张量，维度与输入 ``x`` 一致。
+返回：时序位移后的输出张量（Tensor），维度与输入 ``x`` 一致。
 
-返回类型：变量(Variable)，数据类型与输入 ``x`` 一致。
+返回类型：变量(Tensor)，数据类型与输入 ``x`` 一致。
 
 抛出异常： ``TypeError`` – seg_num 必须是int类型
 
@@ -48,9 +48,11 @@ temporal_shift
 
 .. code-block:: python
 
-    import paddle.fluid as fluid
-    input = fluid.data(name='input', shape=[None,4,2,2], dtype='float32')
-    out = fluid.layers.temporal_shift(x=input, seg_num=2, shift_ratio=0.2)
+    import paddle
+    import paddle.nn.functional as F
+
+    input = paddle.randn([6, 4, 2, 2])
+    out = F.temporal_shift(x=input, seg_num=2, shift_ratio=0.2)
 
 
 

doc/paddle/api/paddle/nn/functional/vision/grid_sample_cn.rst

@@ -0,0 +1,110 @@
+.. _cn_api_nn_functional_grid_sample:
+
+grid_sample
+-------------------------------
+
+.. py:function::  paddle.nn.function.grid_sample(x, grid, mode='bilinear', padding_mode='zeros', align_corners=True, name=None):
+
+
+
+
+该OP基于flow field网格的对输入X进行双线性插值采样。网格通常由affine_grid生成, shape为[N, H, W, 2]，是shape为[N, H, W]的采样点张量的(x, y)坐标。
+其中，x坐标是对输入数据X的第四个维度(宽度维度)的索引，y坐标是第三维度(高维度)的索引，最终输出采样值为采样点的4个最接近的角点的双线性插值结果，输出张量的shape为[N, C, H, W]。
+
+step 1：
+
+  得到(x, y)网格坐标，缩放到[0,h -1/W-1]
+
+.. code-block:: text
+
+  grid_x = 0.5 * (grid[:, :, :, 0] + 1) * (W - 1) grid_y = 0.5 * (grid[:, :, :, 1] + 1) * (H - 1)
+
+step 2：
+
+  在每个[H, W]区域用网格(X, y)作为输入数据X的索引，并将双线性插值点值由4个最近的点表示。
+
+.. code-block:: text
+
+      wn ------- y_n ------- en
+      |           |           |
+      |          d_n          |
+      |           |           |
+     x_w --d_w-- grid--d_e-- x_e
+      |           |           |
+      |          d_s          |
+      |           |           |
+      ws ------- y_s ------- wn
+
+    x_w = floor(x)              // west side x coord
+    x_e = x_w + 1               // east side x coord
+    y_n = floor(y)              // north side y coord
+    y_s = y_s + 1               // south side y coord
+    d_w = grid_x - x_w          // distance to west side
+    d_e = x_e - grid_x          // distance to east side
+    d_n = grid_y - y_n          // distance to north side
+    d_s = y_s - grid_y          // distance to south side
+    wn = X[:, :, y_n, x_w]      // north-west point value
+    en = X[:, :, y_n, x_e]      // north-east point value
+    ws = X[:, :, y_s, x_w]      // south-east point value
+    es = X[:, :, y_s, x_w]      // north-east point value
+
+
+    output = wn * d_e * d_s + en * d_w * d_s
+           + ws * d_e * d_n + es * d_w * d_n
+
+参数：
+  - **x** (Tensor): 输入张量，维度为 :math:`[N, C, H, W]` 的4-D Tensor，N为批尺寸，C是通道数，H是特征高度，W是特征宽度, 数据类型为float32或float64。
+  - **grid** (Variable): 输入网格数据张量，维度为 :math:`[N, H, W, 2]` 的4-D Tensor，N为批尺寸，C是通道数，H是特征高度，W是特征宽度, 数据类型为float32或float64。
+  - **mode** (str, optional): 插值方式，可以为 'bilinear' 或者 'nearest'. 默认值：'bilinear'。
+  - **padding_mode** (str, optional) 当原来的索引超过输入的图像大小时的填充方式。可以为 'zeros', 'reflection' 和 'border'. 默认值：'zeros'。
+  - **align_corners** (bool, optional): 一个可选的bool型参数，如果为True，则将输入和输出张量的4个角落像素的中心对齐，并保留角点像素的值。 默认值：True。
+  - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置。默认值：None。
+
+返回： 输入X基于输入网格的双线性插值计算结果，维度为 :math:`[N, C, H, W]` 的4-D Tensor
+
+返回类型：变量(Tensor)，数据类型与 ``x`` 一致
+
+**代码示例：**
+
+.. code-block:: python
+
+    import paddle
+    import paddle.nn.functional as F
+    import numpy as np
+
+    # shape=[1, 1, 3, 3]
+    x = np.array([[[[-0.6,  0.8, -0.5],
+                    [-0.5,  0.2,  1.2],
+                    [ 1.4,  0.3, -0.2]]]]).astype("float64")
+
+    # grid shape = [1, 3, 4, 2]
+    grid = np.array(
+                  [[[[ 0.2,  0.3],
+                    [-0.4, -0.3],
+                    [-0.9,  0.3],
+                    [-0.9, -0.6]],
+                    [[ 0.4,  0.1],
+                    [ 0.9, -0.8],
+                    [ 0.4,  0.5],
+                    [ 0.5, -0.2]],
+                    [[ 0.1, -0.8],
+                    [-0.3, -1. ],
+                    [ 0.7,  0.4],
+                    [ 0.2,  0.8]]]]).astype("float64")
+
+
+    x = paddle.to_tensor(x)
+    grid = paddle.to_tensor(grid)
+    y_t = F.grid_sample(
+        x,
+        grid,
+        mode='bilinear',
+        padding_mode='border',
+        align_corners=True)
+    print(y_t.numpy())
+
+    # output shape = [1, 1, 3, 4]
+    # [[[[ 0.34   0.016  0.086 -0.448]
+    #    [ 0.55  -0.076  0.35   0.59 ]
+    #    [ 0.596  0.38   0.52   0.24 ]]]]
+