width_per_group -> width

Author: SigureMo

docs/api/paddle/vision/models/ResNet_cn.rst

@@ -3,18 +3,18 @@
 ResNet
 -------------------------------
 
-.. py:class:: paddle.vision.models.ResNet(Block, depth=50, width=64, num_classes=1000, with_pool=True)
+.. py:class:: paddle.vision.models.ResNet(Block, depth=50, width=64, num_classes=1000, with_pool=True, groups=1)
 
  ResNet模型，来自论文 `"Deep Residual Learning for Image Recognition" <https://arxiv.org/pdf/1512.03385.pdf>`_ 。
 
 参数
 :::::::::
   - **Block** (BasicBlock|BottleneckBlock) - 模型的残差模块。
   - **depth** (int，可选) - resnet模型的深度。默认值：50。
-  - **groups** (int，可选) - 各个卷积块的分组数。默认值：1。
-  - **width_per_group** (int，可选) - 各个卷积块的每个卷积组基础宽度。默认值：64。
+  - **width** (int，可选) - 各个卷积块的每个卷积组基础宽度。默认值：64。
   - **num_classes** (int, 可选) - 最后一个全连接层输出的维度。如果该值小于0，则不定义最后一个全连接层。默认值：1000。
   - **with_pool** (bool，可选) - 是否定义最后一个全连接层之前的池化层。默认值：True。
+  - **groups** (int，可选) - 各个卷积块的分组数。默认值：1。
 
 返回
 :::::::::
@@ -35,10 +35,10 @@ ResNet模型，Layer的实例。
     resnet50 = ResNet(BottleneckBlock, 50)
 
     # build Wide ResNet model
-    wide_resnet50_2 = ResNet(BottleneckBlock, 50, width_per_group=64*2)
+    wide_resnet50_2 = ResNet(BottleneckBlock, 50, width=64*2)
 
     # build ResNeXt model
-    resnext50_32x4d = ResNet(BottleneckBlock, 50, groups=32, width_per_group=4)
+    resnext50_32x4d = ResNet(BottleneckBlock, 50, width=4, groups=32)
 
     x = paddle.rand([1, 3, 224, 224])
     out = resnet18(x)