diff --git a/models/rank/deepfm/readme.md b/models/rank/deepfm/readme.md
index 4c7cfbdeb7abc7a5c876cc683525c25d0835d89a..e5e43331de1de9b540af19aaefe07ffbe489514d 100644
--- a/models/rank/deepfm/readme.md
+++ b/models/rank/deepfm/readme.md
@@ -43,6 +43,10 @@
   year={2017}
 }
 ```
+在全量数据下模型的指标如下：
+| 模型 | auc | batch_size | thread_num| epoch_num| Time of each epoch |
+| :------| :------ | :------| :------ | :------| :------ | :------ |
+| deepFM | 0.8044 | 1024 | 10 | 2 | 约3.5小时 |
 ## 数据准备
 ### 数据来源
 训练及测试数据集选用[Display Advertising Challenge](https://www.kaggle.com/c/criteo-display-ad-challenge/)所用的Criteo数据集。该数据集包括两部分：训练集和测试集。训练集包含一段时间内Criteo的部分流量，测试集则对应训练数据后一天的广告点击流量。
@@ -74,6 +78,28 @@ os : windows/linux/macos
 ```
 python -m paddlerec.run -m models/rank/deepfm/config.yaml
 ```
+使用样例数据快速跑通的结果实例:
+```
+PaddleRec: Runner train_runner Begin
+Executor Mode: train
+processor_register begin
+Running SingleInstance.
+Running SingleNetwork.
+Warning:please make sure there are no hidden files in the dataset folder and check these hidden files:[]
+Running SingleStartup.
+Running SingleRunner.
+2020-09-24 03:45:57,924-INFO:   [Train] batch: 1, time_each_interval: 2.22s, BATCH_AUC: [0.43357143 0.4689441  0.43859649 0.42124542 0.44302615 0.44444444
+ 0.48305085 0.47866667 0.48032407 0.45833333], AUC: [0.43357143 0.4562963  0.43859649 0.47866667 0.44302615 0.44444444
+ 0.48305085 0.4562963  0.49451754 0.45833333]
+epoch 0 done, use time: 2.38709902763, global metrics: BATCH_AUC=2.2195661068, AUC=[0.43357143 0.4689441  0.43859649 0.42124542 0.44302615 0.44444444
+ 0.48305085 0.47866667 0.48032407 0.45833333]
+2020-09-24 03:45:59,023-INFO:   [Train] batch: 1, time_each_interval: 0.07s, BATCH_AUC: [0.4570095  0.45771188 0.45467121 0.47039474 0.46313874 0.45297619
+ 0.46199579 0.45470861 0.47237934 0.47326632], AUC: [0.4570095  0.45771188 0.45575717 0.47039474 0.46313874 0.45297619
+ 0.46199579 0.45470861 0.47237934 0.47326632]
+epoch 1 done, use time: 0.0733981132507, global metrics: BATCH_AUC=0.0677909851074, AUC=[0.4570095  0.45771188 0.45467121 0.47039474 0.46313874 0.45297619
+ 0.46199579 0.45470861 0.47237934 0.47326632]
+PaddleRec Finish
+```
 
 ## 模型组网
 
@@ -88,102 +114,37 @@ $$Out=sigmoid(b + \sum^{N}_{i=1}W_iX_i + \sum^{N-1}_{i=1}\sum^{N}_{j=i+1}W_{ij}X
 用公式表示如下：  
 $$\sum^{N}_{i=1}W_iX_i$$
 
-```python
-first_weights_re = fluid.embedding(
-    input=feat_idx,
-    is_sparse=True,
-    is_distributed=is_distributed,
-    dtype='float32',
-    size=[self.sparse_feature_number + 1, 1],
-    padding_idx=0,
-    param_attr=fluid.ParamAttr(
-        initializer=fluid.initializer.TruncatedNormalInitializer(
-            loc=0.0, scale=init_value_),
-        regularizer=fluid.regularizer.L1DecayRegularizer(self.reg)))
-first_weights = fluid.layers.reshape(first_weights_re,shape=[-1, self.num_field, 1])  # None * num_field * 1
-y_first_order = fluid.layers.reduce_sum((first_weights * feat_value),1)
-```
-
 ### 二阶项部分
 二阶项部分主要实现了公式中的交叉项部分，也就是特征的组合部分。Wij求解的思路是通过矩阵分解的方法。所有的二次项参数Wij可以组成一个对称阵W，那么这个矩阵就可以分解为 $W=V^TV$，V 的第 i 列便是第 i 维特征的隐向量。交叉项的展开式如下：
 $$\sum^{N-1}_{i=1}\sum^{N}_{j=i+1}W_{ij}X_iX_j =1/2\sum^{k}_{j=1}((\sum^{N}_{i=1}W_iX_i)^2-\sum^{N}_{i=1}W_i^2X_i^2)$$
 
-
-```python
-feat_embeddings_re = fluid.embedding(
-    input=feat_idx,
-    is_sparse=True,
-    is_distributed=is_distributed,
-    dtype='float32',
-    size=[self.sparse_feature_number + 1, self.sparse_feature_dim],
-    padding_idx=0,
-    param_attr=fluid.ParamAttr(
-        initializer=fluid.initializer.TruncatedNormalInitializer(
-            loc=0.0,
-            scale=init_value_ /
-            math.sqrt(float(self.sparse_feature_dim)))))
-feat_embeddings = fluid.layers.reshape(
-    feat_embeddings_re,
-    shape=[-1, self.num_field, self.sparse_feature_dim])  # None * num_field * embedding_size
-# None * num_field * embedding_size
-feat_embeddings = feat_embeddings * feat_value
- # sum_square part
-summed_features_emb = fluid.layers.reduce_sum(feat_embeddings, 1)  # None * embedding_size
-summed_features_emb_square = fluid.layers.square(summed_features_emb)  # None * embedding_size
- # square_sum part
-squared_features_emb = fluid.layers.square(feat_embeddings)  # None * num_field * embedding_size
-squared_sum_features_emb = fluid.layers.reduce_sum(squared_features_emb, 1)  # None * embedding_size
-y_second_order = 0.5 * fluid.layers.reduce_sum(summed_features_emb_square - squared_sum_features_emb,1,keep_dim=True)  # None * 1
-```
-
-### dnn部分
-相比fm模型，我们去除了fm模型中的偏移量，而加入了dnn部分作为特征间的高阶组合，通过并行的方式组合fm和dnn两种方法，两者共用底层的embedding数据。dnn部分的主要组成为三个全连接层，每层FC的输出维度都为400，每层FC都后接一个relu激活函数，每层FC的初始化方式为符合正态分布的随机初始化.  
-最后接了一层输出维度为1的fc层，方便与fm部分综合计算预测值。  
-```python
-y_dnn = fluid.layers.reshape(feat_embeddings, [-1, self.num_field * self.sparse_feature_dim])
-for s in self.layer_sizes:
-    y_dnn = fluid.layers.fc(
-        input=y_dnn,
-        size=s,
-        act=self.act,
-        param_attr=fluid.ParamAttr(
-            initializer=fluid.initializer.TruncatedNormalInitializer(
-                loc=0.0, scale=init_value_ / math.sqrt(float(10)))),
-        bias_attr=fluid.ParamAttr(
-            initializer=fluid.initializer.TruncatedNormalInitializer(
-                loc=0.0, scale=init_value_)))
-y_dnn = fluid.layers.fc(
-    input=y_dnn,
-    size=1,
-    act=None,
-    param_attr=fluid.ParamAttr(
-        initializer=fluid.initializer.TruncatedNormalInitializer(
-            loc=0.0, scale=init_value_)),
-    bias_attr=fluid.ParamAttr(
-        initializer=fluid.initializer.TruncatedNormalInitializer(
-            loc=0.0, scale=init_value_)))
-
-```
-
 ### Loss及Auc计算
 - 预测的结果将FM的一阶项部分，二阶项部分以及dnn部分相加，再通过激活函数sigmoid给出，为了得到每条样本分属于正负样本的概率，我们将预测结果和`1-predict`合并起来得到predict_2d，以便接下来计算auc。  
 - 每条样本的损失为负对数损失值，label的数据类型将转化为float输入。  
 - 该batch的损失`avg_cost`是各条样本的损失之和
 - 我们同时还会计算预测的auc，auc的结果由`fluid.layers.auc()`给出，该层的返回值有三个，分别是全局auc: `auc_var`，当前batch的auc: `batch_auc_var`，以及auc_states: `_`，auc_states包含了`batch_stat_pos, batch_stat_neg, stat_pos, stat_neg`信息。
-```python
-self.predict = fluid.layers.sigmoid(y_first_order + y_second_order +y_dnn)
-cost = fluid.layers.log_loss(
-    input=self.predict, label=fluid.layers.cast(self.label, "float32"))
-avg_cost = fluid.layers.reduce_sum(cost)
-self._cost = avg_cost
-predict_2d = fluid.layers.concat([1 - self.predict, self.predict], 1)
-label_int = fluid.layers.cast(self.label, 'int64')
-auc_var, batch_auc_var, _ = fluid.layers.auc(input=predict_2d,
-                                                     label=label_int,
-                                                     slide_steps=0)
-```
-
 完成上述组网后，我们最终可以通过训练拿到`auc`指标。
+
+## 效果复现
+为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。  
+1. 确认您当前所在目录为PaddleRec/models/rank/deepfm
+2. 在data目录下运行数据一键处理脚本，命令如下：  
+``` 
+cd data
+sh run.sh
+cd ..
+```
+3. 退回deepfm目录中，打开文件config.yaml,更改其中的参数  
+将workspace改为您当前的绝对路径。（可用pwd命令获取绝对路径）  
+将train_sample中的batch_size从5改为1024  
+将train_sample中的data_path改为{workspace}/data/slot_train_data  
+将infer_sample中的batch_size从5改为1024  
+将infer_sample中的data_path改为{workspace}/data/slot_test_data  
+4. 开始训练。运行命令启动训练即可得到相应auc指标  
+```
+python -m paddlerec.run -m ./config.yaml
+```
+5. 全量数据的训练结果示例如下：
 ```
 PaddleRec: Runner infer_runner Begin
 Executor Mode: infer
@@ -211,26 +172,6 @@ Infer infer_phase of epoch 1 done, use time: 1764.81796193, global metrics: AUC=
 PaddleRec Finish
 ```
 
-## 效果复现
-为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。  
-1. 确认您当前所在目录为PaddleRec/models/rank/deepfm
-2. 在data目录下运行数据一键处理脚本，命令如下：  
-``` 
-cd data
-sh run.sh
-cd ..
-```
-3. 退回deepfm目录中，打开文件config.yaml,更改其中的参数  
-将workspace改为您当前的绝对路径。（可用pwd命令获取绝对路径）  
-将train_sample中的batch_size从5改为512  
-将train_sample中的data_path改为{workspace}/data/slot_train_data  
-将infer_sample中的batch_size从5改为512  
-将infer_sample中的data_path改为{workspace}/data/slot_test_data  
-4. 开始训练。运行命令启动训练即可得到相应auc指标  
-```
-python -m paddlerec.run -m ./config.yaml
-```
-
 ## 进阶使用
   
 ## FAQ