update doc

doc/design.md

@@ -111,7 +111,7 @@ Engine的自定义实现，可以参考[local_cluster.py](../core/engine/local_c
 我们以GeneralTrainer为例，概览Trainer行为：
 
 ```python 
-class SingleTrainer(TranspileTrainer):
+class GeneralTrainer(Trainer):
     def processor_register(self):
         print("processor_register begin")
         self.regist_context_processor('uninit', self.instance)
@@ -229,9 +229,6 @@ class Reader(dg.MultiSlotDataGenerator):
 
 完成reader的构建工作。
 
-Reader数据处理的逻辑，可以参考[criteo_reader.py](../../models/rank/../../paddlerec/models/rank/criteo_reader.py)
-
-
 
 ## Metric
 

doc/predict.md

@@ -13,6 +13,7 @@ runner:
   device: cpu # 执行在 cpu 上
   init_model_path: "init_model" # 指定初始化模型的地址
   print_interval: 10 # 预测信息的打印间隔，以batch为单位
+  phases: phase_infer
 ```
 
 再定义具体的执行内容：

doc/train.md

@@ -65,7 +65,7 @@ python -m paddlerec.run -m paddlerec.models.recall.word2vec
 - **`runner`** : runner是训练的引擎，亦可称之为运行器，在runner中定义执行设备（cpu、gpu），执行的模式（训练、预测、单机、多机等），以及运行的超参，例如训练轮数，模型保存地址等。
 - **`phase`** : phase是训练中的阶段的概念，是引擎具体执行的内容，该内容是指：具体运行哪个模型文件，使用哪个reader。
 
-PaddleRec每次运行时，会执行一个运行器，通过`mode`指定`runner`的名字。每个运行器可以执行多个`phase`，所以PaddleRec支持一键启动多阶段的训练。
+PaddleRec每次运行时，会执行一个或多个运行器，通过`mode`指定`runner`的名字。每个运行器可以执行一个或多个`phase`，所以PaddleRec支持一键启动多阶段的训练。
 
 ### 单机CPU训练
 
@@ -73,6 +73,7 @@ PaddleRec每次运行时，会执行一个运行器，通过`mode`指定`runner`
 
 ```yaml
 mode: single_cpu_train # 执行名为 single_cpu_train 的运行器
+# mode 也支持多个runner的执行，此处可以改为 mode: [single_cpu_train, single_cpu_infer]
 
 runner:
 - name: single_cpu_train # 定义 runner 名为 single_cpu_train
@@ -88,6 +89,8 @@ runner:
   save_inference_fetch_varnames: [] # inference model 的fetch参数的名字
   init_model_path: "" # 如果是加载模型热启，则可以指定初始化模型的地址
   print_interval: 10 # 训练信息的打印间隔，以batch为单位
+  phases: phase_train # 若没有指定phases，则会默认运行所有phase
+  # phase 也支持自定多个phase的执行，此处可以改为 phases: [phase_train, phase_infer]
 ```
 
 再定义具体的执行内容：