[Docs] Fix invalid api_label references

docs/api/paddle/device/Overview_cn.rst

@@ -46,9 +46,9 @@ paddle.device 目录下包含 cuda 目录和 xpu 目录， cuda 目录中存放
     " :ref:`is_available <cn_api_paddle_device_is_available>` ", "检查设备是否可用"
     " :ref:`get_rng_state <cn_api_paddle_device_get_rng_state>` ", "获取随机数生成器状态"
     " :ref:`set_rng_state <cn_api_paddle_device_set_rng_state>` ", "设置随机数生成器状态"
-    " :ref:`device <_cn_api_paddle_device_device>` ", "临时使用设备"
+    " :ref:`device <cn_api_paddle_device_device>` ", "临时使用设备"
     " :ref:`get_device_name <cn_api_paddle_device_get_device_name>` ", "返回指定设备的名称"
-    " :ref:`manual_seed <_cn_api_paddle_device_manual_seed>` ", "设置当前设备的随机数种子"
+    " :ref:`manual_seed <cn_api_paddle_device_manual_seed>` ", "设置当前设备的随机数种子"
 .. _cn_device_compile:
 
 编译环境检测

docs/api/paddle/gather_cn.rst

@@ -59,7 +59,7 @@ COPY-FROM: paddle.gather
 
 .. py:function:: paddle.gather(input, dim, index, out=None)
 
-PyTorch 兼容的 ``gather`` 操作：根据索引 index 获取输入 ``input`` 的指定 ``dim`` 维度的条目，并将它们拼接在一起。行为与 ``cn_api_paddle_take_along_axis`` 在 ``broadcast=False`` 情况下一致。
+PyTorch 兼容的 ``gather`` 操作：根据索引 index 获取输入 ``input`` 的指定 ``dim`` 维度的条目，并将它们拼接在一起。行为与 :ref:`cn_api_paddle_take_along_axis` 在 ``broadcast=False`` 情况下一致。
 
 接口对比可见 `【torch 参数更多】torch.gather`_ 。
 

docs/api/paddle/linalg/Overview_cn.rst

@@ -64,7 +64,7 @@ paddle.linalg 目录下包含飞桨框架支持的线性代数相关 API。具
     " :ref:`paddle.linalg.cholesky <cn_api_paddle_linalg_cholesky>` ", "计算一个实数对称正定矩阵的 Cholesky 分解"
     " :ref:`paddle.linalg.cholesky_inverse <cn_api_paddle_linalg_cholesky_inverse>` ", "使用 Cholesky 因子 `U` 计算对称正定矩阵的逆矩阵"
     " :ref:`paddle.linalg.svd <cn_api_paddle_linalg_svd>` ", "计算矩阵的奇异值分解"
-    " :ref:`paddle.linalg.svdvals <_cn_api_paddle_linalg_svdvals>` ", "计算矩阵的奇异值"
+    " :ref:`paddle.linalg.svdvals <cn_api_paddle_linalg_svdvals>` ", "计算矩阵的奇异值"
     " :ref:`paddle.linalg.svd_lowrank <cn_api_paddle_linalg_svd_lowrank>` ", "对低秩矩阵进行奇异值分解"
     " :ref:`paddle.linalg.pca_lowrank <cn_api_paddle_linalg_pca_lowrank>` ", "对矩阵进行线性主成分分析"
     " :ref:`paddle.linalg.qr <cn_api_paddle_linalg_qr>` ", "计算矩阵的正交三角分解（也称 QR 分解）"

docs/api/paddle/linalg/eigvals_cn.rst

@@ -8,7 +8,7 @@ eigvals
 
 
 .. note::
-        该 API 的反向实现尚未完成，若你的代码需要对其进行反向传播，请使用 ref:`cn_api_paddle_linalg_eig`。
+        该 API 的反向实现尚未完成，若你的代码需要对其进行反向传播，请使用 :ref:`cn_api_paddle_linalg_eig`。
 
 
 参数

docs/api/paddle/linalg/matrix_norm_cn.rst

@@ -8,7 +8,7 @@ matrix_norm
 
 
 
-将计算给定 Tensor 的矩阵范数。具体用法请参见 :ref:`norm <_cn_api_paddle_linalg_norm>`。
+将计算给定 Tensor 的矩阵范数。具体用法请参见 :ref:`norm <cn_api_paddle_linalg_norm>`。
 
 
 参数

docs/api/paddle/linalg/vector_norm_cn.rst

@@ -8,7 +8,7 @@ vector_norm
 
 
 
-将计算给定 Tensor 的向量范数。具体用法请参见 :ref:`norm <_cn_api_paddle_linalg_norm>`。
+将计算给定 Tensor 的向量范数。具体用法请参见 :ref:`norm <cn_api_paddle_linalg_norm>`。
 
 
 参数

docs/api_guides/low_level/layers/sparse_update.rst

@@ -4,7 +4,7 @@
 稀疏更新
 #####
 
-`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>`  层在单机训练和分布式训练时，均可以支持“稀疏更新”，即梯度以 sparse tensor 结构存储，只保存梯度不为 0 的行。
+:ref:`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>` 层在单机训练和分布式训练时，均可以支持“稀疏更新”，即梯度以 sparse tensor 结构存储，只保存梯度不为 0 的行。
 在分布式训练中，对于较大的 embedding 层，开启稀疏更新有助于减少通信数据量，提升训练速度。
 
 在 paddle 内部，我们用 lookup_table 来实现 embedding。下边这张图说明了 embedding 在正向和反向计算的过程：
@@ -14,4 +14,4 @@
 .. image:: ../../../design/dist_train/src/lookup_table_training.png
    :scale: 50 %
 
-API 详细使用方法参考 `paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>`
+API 详细使用方法参考 :ref:`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>`

docs/api_guides/low_level/layers/sparse_update_en.rst

@@ -4,7 +4,7 @@
 Sparse update
 ###############
 
-`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>` layer supports "sparse updates" in both single-node and distributed training, which means gradients are stored in a sparse tensor structure where only rows with non-zero gradients are saved.
+:ref:`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>` layer supports "sparse updates" in both single-node and distributed training, which means gradients are stored in a sparse tensor structure where only rows with non-zero gradients are saved.
 In distributed training, for larger embedding layers, sparse updates reduce the amount of communication data and speed up training.
 
 In paddle, we use lookup_table to implement embedding. The figure below illustrates the process of embedding in the forward and backward calculations:
@@ -17,4 +17,4 @@ As shown in the figure: two rows in a Tensor are not 0. In the process of forwar
 Example
 --------------------------
 
-API reference `paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>` .
+API reference :ref:`paddle.nn.functional.embedding <cn_api_paddle_nn_functional_embedding>` .