diff --git a/doc/fluid/user_guides/howto/dygraph/DyGraph.md b/doc/fluid/user_guides/howto/dygraph/DyGraph.md
new file mode 100644
index 0000000000000000000000000000000000000000..1b75113e7d0addb63b294521a1c51575920481fc
--- /dev/null
+++ b/doc/fluid/user_guides/howto/dygraph/DyGraph.md
@@ -0,0 +1,591 @@
+# DyGraph
+
+PaddlePaddle的DyGraph模式是一种动态的图执行机制，可以立即执行结果，无需构建整个图。同时，和以往静态的执行计算图不同，DyGraph模式下您的所有操作可以立即获得执行结果，而不必等待所构建的计算图全部执行完成，这样可以让您更加直观地构建PaddlePaddle下的深度学习任务，以及进行模型的调试，同时还减少了大量用于构建静态计算图的代码，使得您编写、调试网络的过程变得更加便捷。
+
+
+
+PaddlePaddle DyGraph是一个更加灵活易用的模式，可提供：      
+
+*	更加灵活便捷的代码组织结构： 使用python的执行控制流程和面向对象的模型设计
+
+
+* 	更加便捷的调试功能： 直接调用操作从而检查正在运行的模型并且测试更改
+
+
+*  和静态执行图通用的模型代码：同样的模型代码可以使用更加便捷的DyGraph调试，执行，同时也支持使用原有的静态图模式执行
+
+
+*  支持纯Python和Numpy语法实现的layer： 支持使用Numpy相关操作直接搭建模型计算部分
+
+## 设置和基本用法
+
+1. 升级到最新的PaddlePaddle 1.4:		
+		
+		pip install -q --upgrade paddlepaddle==1.4
+
+2. 使用`fluid.dygraph.guard(place=None)` 上下文：
+		
+		import paddle.fluid as fluid
+		with fluid.dygraph.guard():
+			# write your executable dygraph code here             
+			 
+	现在您就可以在`fluid.dygraph.guard()`上下文环境中使用DyGraph的模式运行网络了，DyGraph将改变以往PaddlePaddle的执行方式： 现在他们将会立即执行，并且将计算结果返回给Python。
+
+
+	Dygraph将非常适合和Numpy一起使用，使用`fluid.dygraph.base.to_variable(x)`将会将ndarray转换为`fluid.Variable`，而使用`fluid.Variable.numpy()`将可以把任意时刻获取到的计算结果转换为Numpy`ndarray`：         
+	
+			x = np.ones([2, 2], np.float32)
+			with fluid.dygraph.guard():
+		        inputs = []
+		        for _ in range(10):
+		            inputs.append(fluid.dygraph.base.to_variable(x))
+		        ret = fluid.layers.sums(inputs)
+		        print(ret.numpy())
+					
+			                        
+			[[10. 10.]
+			[10. 10.]]
+
+			Process finished with exit code 0
+
+
+	>	这里创建了一系列`ndarray`的输入，执行了一个`sum`操作之后，我们可以直接将运行的结果打印出来
+	
+	然后通过调用`reduce_sum`后使用`Variable.backward()`方法执行反向，使用`Variable.gradient()`方法即可获得反向网络执行完成后的梯度值的`ndarray`形式：
+
+		loss = fluid.layers.reduce_sum(ret)
+		loss.backward()
+		print(loss.gradient())
+		
+		
+		
+		[1.]
+
+		Process finished with exit code 0
+
+
+
+<!--3. 使用Python和Numpy的操作来构建一个网络：
+
+	首先定义了一个继承自`fluid.PyLayer`的`MyPyLayer`:
+
+	这个类需要实现：
+
+	1. 一个调用基类方法的用于初始化网络参数和结构的`__init__`方法
+	2. 一个用于在实际运行时实现前向逻辑的静态方法`forward(*inputs)`
+	3. 一个用于在实际运行时实现反向逻辑的静态方法`backward(*douts)`
+
+
+			class MyPyLayer(fluid.PyLayer):
+			    def __init__(self):
+			        super(MyPyLayer, self).__init__()
+			
+			    @staticmethod
+			    def forward(inputs):
+			        return np.tanh(inputs[0])
+			
+			    @staticmethod
+			    def backward(inputs):
+			        inp, out, dout = inputs
+			        return np.array(dout) * (1 - np.square(np.array(out))
+
+	然后在`fluid.dygraph.guard()`中使用类似`2`中的方法调用`my_py_layer`执行这个callable object来执行:
+
+			np_inp = np.ones([2, 2], np.float32)
+        	with fluid.dygraph.guard():
+	            my_py_layer = MyPyLayer()
+	            var_inp = fluid.dygraph.base.to_variable(np_inp)
+	            outs = my_py_layer(var_inp)
+	            dy_out = np.sum(outs[0].numpy())
+	            outs[0].backward()
+	            dy_grad = var_inp.gradient()
+
+	>  请注意，继承自`fluid.PyLayer`的网络和继承自`fluid.Layer`的网络暂时不可混用	
+-->
+## 基于DyGraph构建网络
+		
+1. 编写一段用于DyGraph执行的Object-Oriented-Designed, PaddlePaddle模型代码主要由以下**三个部分**组成： **请注意，如果您设计的这一层结构是包含参数的，则必需要使用继承自`fluid.Layer`的Object-Oriented-Designed的类来描述该层的行为。**
+
+	
+	1. 建立一个可以在DyGraph模式中执行的，Object-Oriented的网络，需要继承自`fluid.Layer`，其中需要调用基类的`__init__`方法，并且实现带有参数`name_scope`（用来标识本层的名字）的`__init__`构造函数，在构造函数中，我们通常会执行一些例如参数初始化，子网络初始化的操作，执行这些操作时不依赖于输入的动态信息:
+		
+			class MyLayer(fluid.Layer):
+			    def __init__(self, name_scope):
+			        super(MyLayer, self).__init__(name_scope)    
+			        
+	2. 实现一个`forward(self, *inputs)`的执行函数，该函数将负责执行实际运行时网络的执行逻辑， 该函数将会在每一轮训练/预测中被调用，这里我们将执行一个简单的`relu` -> `elementwise add` -> `reduce sum`：
+	
+			def forward(self, inputs):
+		        x = fluid.layers.relu(inputs)
+		        self._x_for_debug = x
+		        x = fluid.layers.elementwise_mul(x, x)
+		        x = fluid.layers.reduce_sum(x)
+		        return [x]       
+		        
+	3. （可选）实现一个`build_once(self, *inputs)` 方法，该方法将作为一个单次执行的函数，用于初始化一些依赖于输入信息的参数和网络信息, 例如在`FC`（fully connected layer）当中, 需要依赖输入的`shape`初始化参数， 这里我们并不需要这样的操作，仅仅为了展示，因此这个方法可以直接跳过：
+		
+			def build_once(self, input):
+		        pass
+
+2. 在`fluid.dygraph.guard()`中执行：
+
+	1. 使用Numpy构建输入：
+		
+			np_inp = np.array([1.0, 2.0, -1.0], dtype=np.float32)
+
+	2. 输入转换并执行前向网络获取返回值： 使用`fluid.dygraph.base.to_variable(np_inp)`转换Numpy输入为DyGraph接收的输入，然后使用`l(var_inp)[0]`调用callable object并且获取了`x`作为返回值，利用`x.numpy()`方法直接获取了执行得到的`x`的`ndarray`返回值。
+
+
+			with fluid.dygraph.guard():
+			    var_inp = fluid.dygraph.base.to_variable(np_inp)
+			    l = MyLayer("my_layer")
+			    x = l(var_inp)[0]
+			    dy_out = x.numpy()
+
+	3. 计算梯度：自动微分对于实现机器学习算法（例如用于训练神经网络的反向传播）来说很有用， 使用`x.backward()`方法可以从某个`fluid.Varaible`开始执行反向网络，同时利用`l._x_for_debug.gradient()`获取了网络中`x`梯度的`ndarray` 返回值：
+		
+			    x.backward()
+			    dy_grad = l._x_for_debug.gradient()
+
+
+
+## 使用DyGraph训练模型
+
+接下来我们将以“手写数字识别”这个最基础的模型为例，展示如何利用DyGraph模式搭建并训练一个模型：
+
+有关手写数字识别的相关理论知识请参考[PaddleBook](https://github.com/PaddlePaddle/book/tree/develop/02.recognize_digits)中的内容，我们在这里默认您已经了解了该模型所需的深度学习理论知识。
+
+
+1.	准备数据，我们使用`paddle.dataset.mnist`作为训练所需要的数据集：
+		
+		train_reader = paddle.batch(
+		paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True)
+
+2. 构建网络，虽然您可以根据之前的介绍自己定义所有的网络结构，但是您也可以直接使用`fluid.Layer.nn`当中我们为您定制好的一些基础网络结构，这里我们利用`fluid.Layer.nn.Conv2d`以及`fluid.Layer.nn.Pool2d`构建了基础的`SimpleImgConvPool`：
+
+		class SimpleImgConvPool(fluid.dygraph.Layer):
+		    def __init__(self,
+		                 name_scope,
+		                 num_channels,
+		                 num_filters,
+		                 filter_size,
+		                 pool_size,
+		                 pool_stride,
+		                 pool_padding=0,
+		                 pool_type='max',
+		                 global_pooling=False,
+		                 conv_stride=1,
+		                 conv_padding=0,
+		                 conv_dilation=1,
+		                 conv_groups=1,
+		                 act=None,
+		                 use_cudnn=False,
+		                 param_attr=None,
+		                 bias_attr=None):
+		        super(SimpleImgConvPool, self).__init__(name_scope)
+		
+		        self._conv2d = Conv2D(
+		            self.full_name(),
+		            num_channels=num_channels,
+		            num_filters=num_filters,
+		            filter_size=filter_size,
+		            stride=conv_stride,
+		            padding=conv_padding,
+		            dilation=conv_dilation,
+		            groups=conv_groups,
+		            param_attr=None,
+		            bias_attr=None,
+		            use_cudnn=use_cudnn)
+		
+		        self._pool2d = Pool2D(
+		            self.full_name(),
+		            pool_size=pool_size,
+		            pool_type=pool_type,
+		            pool_stride=pool_stride,
+		            pool_padding=pool_padding,
+		            global_pooling=global_pooling,
+		            use_cudnn=use_cudnn)
+		
+		    def forward(self, inputs):
+		        x = self._conv2d(inputs)
+		        x = self._pool2d(x)
+		        return x
+
+
+
+	> 注意: 构建网络时子网络的定义和使用请在`__init__`中进行， 而子网络的调用则在`forward`函数中调用
+
+
+		       
+
+3. 利用已经构建好的`SimpleImgConvPool`组成最终的`MNIST`网络：
+
+		class MNIST(fluid.dygraph.Layer):
+		    def __init__(self, name_scope):
+		        super(MNIST, self).__init__(name_scope)
+		
+		        self._simple_img_conv_pool_1 = SimpleImgConvPool(
+		            self.full_name(), 1, 20, 5, 2, 2, act="relu")
+		
+		        self._simple_img_conv_pool_2 = SimpleImgConvPool(
+		            self.full_name(), 20, 50, 5, 2, 2, act="relu")
+		
+		        pool_2_shape = 50 * 4 * 4
+		        SIZE = 10
+		        scale = (2.0 / (pool_2_shape**2 * SIZE))**0.5
+		        self._fc = FC(self.full_name(),
+		                      10,
+		                      param_attr=fluid.param_attr.ParamAttr(
+		                          initializer=fluid.initializer.NormalInitializer(
+		                              loc=0.0, scale=scale)),
+		                      act="softmax")
+		
+		    def forward(self, inputs):
+		        x = self._simple_img_conv_pool_1(inputs)
+		        x = self._simple_img_conv_pool_2(x)
+		        x = self._fc(x)
+		        return x
+				  
+
+
+			
+4. 在`fluid.dygraph.guard()`中定义配置好的`MNIST`网络结构，此时即使没有训练也可以在`fluid.dygraph.guard()`中调用模型并且检查输出：
+	
+			with fluid.dygraph.guard():
+				mnist = MNIST("mnist")
+				id, data = list(enumerate(train_reader()))[0]
+				dy_x_data = np.array(
+				    [x[0].reshape(1, 28, 28)
+				     for x in data]).astype('float32')
+				img = to_variable(dy_x_data)
+				print("cost is: {}".format(mnist(img).numpy()))
+				
+				
+				
+				cost is: [[0.10135901 0.1051138  0.1027941  ... 0.0972859  0.10221873 0.10165327]
+				[0.09735426 0.09970362 0.10198303 ... 0.10134517 0.10179105 0.10025002]
+				[0.09539858 0.10213123 0.09543551 ... 0.10613529 0.10535969 0.097991  ]
+				...
+				[0.10120598 0.0996111  0.10512722 ... 0.10067689 0.10088114 0.10071224]
+				[0.09889644 0.10033772 0.10151272 ... 0.10245881 0.09878646 0.101483  ]
+				[0.09097178 0.10078511 0.10198414 ... 0.10317434 0.10087223 0.09816764]]
+					
+				Process finished with exit code 0
+
+5. 构建训练循环，在每一轮参数更新完成后我们调用`mnist.clear_gradients()`来重置梯度：
+
+		for epoch in range(epoch_num):
+                for batch_id, data in enumerate(train_reader()):
+                    dy_x_data = np.array(
+                        [x[0].reshape(1, 28, 28)
+                         for x in data]).astype('float32')
+                    y_data = np.array(
+                        [x[1] for x in data]).astype('int64').reshape(BATCH_SIZE, 1)
+
+                    img = to_variable(dy_x_data)
+                    label = to_variable(y_data)
+                    label.stop_gradient = True
+
+                    cost = mnist(img)
+                    loss = fluid.layers.cross_entropy(cost, label)
+                    avg_loss = fluid.layers.mean(loss)
+
+                    dy_out = avg_loss.numpy()
+                    avg_loss.backward()
+                    sgd.minimize(avg_loss)
+                    mnist.clear_gradients()
+
+
+
+
+6. 变量及优化器
+
+	模型的参数或者任何您希望检测的值可以作为变量封装在类中，并且通过对象获取并使用`numpy()`方法获取其`ndarray`的输出， 在训练过程中您可以使用`mnist.parameters()`来获取到网络中所有的参数，也可以指定某一个`Layer`的某个参数或者`parameters()`来获取该层的所有参数，使用`numpy()`方法随时查看参数的值
+
+	反向运行后调用之前定义的`SGD`优化器对象的`minimize`方法进行参数更新:
+		
+		with fluid.dygraph.guard():
+		        fluid.default_startup_program().random_seed = seed
+		        fluid.default_main_program().random_seed = seed
+		
+		        mnist = MNIST("mnist")
+		        sgd = SGDOptimizer(learning_rate=1e-3)
+		        train_reader = paddle.batch(
+		            paddle.dataset.mnist.train(), batch_size= BATCH_SIZE, drop_last=True)
+		
+		        dy_param_init_value = {}
+		        np.set_printoptions(precision=3, suppress=True)
+		        for epoch in range(epoch_num):
+		            for batch_id, data in enumerate(train_reader()):
+		                dy_x_data = np.array(
+		                    [x[0].reshape(1, 28, 28)
+		                     for x in data]).astype('float32')
+		                y_data = np.array(
+		                    [x[1] for x in data]).astype('int64').reshape(BATCH_SIZE, 1)
+		
+		                img = to_variable(dy_x_data)
+		                label = to_variable(y_data)
+		                label.stop_gradient = True
+		
+		                cost = mnist(img)
+		                loss = fluid.layers.cross_entropy(cost, label)
+		                avg_loss = fluid.layers.mean(loss)
+		
+		                dy_out = avg_loss.numpy()
+		
+		                if epoch == 0 and batch_id == 0:
+		                    for param in mnist.parameters():
+		                        dy_param_init_value[param.name] = param.numpy()
+		
+		                avg_loss.backward()
+		                sgd.minimize(avg_loss)
+		                mnist.clear_gradients()
+		
+		                dy_param_value = {}
+		                for param in mnist.parameters():
+		                    dy_param_value[param.name] = param.numpy()
+		
+		                if batch_id % 20 == 0:
+		                    print("Loss at step {}: {:.7}".format(batch_id, avg_loss.numpy()))
+		        print("Final loss: {:.7}".format(avg_loss.numpy()))
+		        print("_simple_img_conv_pool_1_conv2d W's mean is: {}".format(mnist._simple_img_conv_pool_1._conv2d._filter_param.numpy().mean()))
+		        print("_simple_img_conv_pool_1_conv2d Bias's mean is: {}".format(mnist._simple_img_conv_pool_1._conv2d._bias_param.numpy().mean()))
+
+
+
+
+			Loss at step 0: [2.302]
+			Loss at step 20: [1.616]
+			Loss at step 40: [1.244]
+			Loss at step 60: [1.142]
+			Loss at step 80: [0.911]
+			Loss at step 100: [0.824]
+			Loss at step 120: [0.774]
+			Loss at step 140: [0.626]
+			Loss at step 160: [0.609]
+			Loss at step 180: [0.627]
+			Loss at step 200: [0.466]
+			Loss at step 220: [0.499]
+			Loss at step 240: [0.614]
+			Loss at step 260: [0.585]
+			Loss at step 280: [0.503]
+			Loss at step 300: [0.423]
+			Loss at step 320: [0.509]
+			Loss at step 340: [0.348]
+			Loss at step 360: [0.452]
+			Loss at step 380: [0.397]
+			Loss at step 400: [0.54]
+			Loss at step 420: [0.341]
+			Loss at step 440: [0.337]
+			Loss at step 460: [0.155]
+			Final loss: [0.164]
+			_simple_img_conv_pool_1_conv2d W's mean is: 0.00606656912714
+			_simple_img_conv_pool_1_conv2d Bias's mean is: -3.4576318285e-05
+
+7.	性能
+
+	在使用`fluid.dygraph.guard()`可以通过传入`fluid.CUDAPlace(0)`或者`fluid.CPUPlace()`来选择执行DyGraph的设备，通常如果不做任何处理将会自动适配您的设备。
+
+## 模型参数的保存
+
+
在模型训练中可以使用`                    fluid.dygraph.save_persistables(your_model_object.state_dict(), "save_dir")`来保存`your_model_object`中所有的模型参数。也可以自定义需要保存的“参数名” - “参数对象”的Python Dictionary传入。
+
+同样可以使用`your_modle_object.load_dict(
+                        fluid.dygraph.load_persistables(your_model_object.state_dict(), "save_dir"))`接口来恢复保存的模型参数从而达到继续训练的目的。
+
+下面的代码展示了如何在“手写数字识别”任务中保存参数并且读取已经保存的参数来继续训练。
+	
+	for epoch in range(epoch_num):
+	    for batch_id, data in enumerate(train_reader()):
+	        dy_x_data = np.array(
+	            [x[0].reshape(1, 28, 28)
+	             for x in data]).astype('float32')
+	        y_data = np.array(
+	            [x[1] for x in data]).astype('int64').reshape(BATCH_SIZE, 1)
+	
+	        img = to_variable(dy_x_data)
+	        label = to_variable(y_data)
+	        label.stop_gradient = True
+	
+	        cost = mnist(img)
+	        loss = fluid.layers.cross_entropy(cost, label)
+	        avg_loss = fluid.layers.mean(loss)
+	
+	        dy_out = avg_loss.numpy()
+	
+	        avg_loss.backward()
+	        sgd.minimize(avg_loss)
+	        fluid.dygraph.save_persistables(mnist.state_dict(), "save_dir")
+	        mnist.clear_gradients()
+	
+	        for param in mnist.parameters():
+	            dy_param_init_value[param.name] = param.numpy()
+	
+	        mnist.load_dict(fluid.dygraph.load_persistables(mnist.state_dict(), "save_dir"))
+	        restore = mnist.parameters()
+	# check save and load
+	success = True
+	for value in restore:
+	    if (not np.allclose(value.numpy(), dy_param_init_value[value.name])) or (not np.isfinite(value.numpy().all())) or (np.isnan(value.numpy().any())):
+	        success = False
+	print("model save and load success? {}".format(success))
+
+
+        
+
+## 模型评估
+
+当我们需要在DyGraph模式下利用搭建的模型进行预测任务，可以使用`YourModel.eval()`接口，在之前的手写数字识别模型中我们使用`mnist.eval()`来启动预测模式（我们默认在`fluid.dygraph.guard()`上下文中是训练模式），在预测的模式下，DyGraph将只会执行前向的预测网络，而不会进行自动求导并执行反向网络：
+
+下面的代码展示了如何使用DyGraph模式训练一个用于执行“手写数字识别”任务的模型并保存，并且利用已经保存好的模型进行预测。
+
+我们在第一个`fluid.dygraph.guard()`上下文中进行了模型的保存和训练，值得注意的是，当我们需要在训练的过程中进行预测时需要使用`YourModel.eval()`切换到预测模式，并且在预测完成后使用`YourModel.train()`切换回训练模式继续训练。
+
+我们在第二个`fluid.dygraph.guard()`上下文中利用之前保存的`checkpoint`进行预测，同样的在执行预测前需要使用`YourModel.eval()`来切换的预测模式。
+			
+	with fluid.dygraph.guard():
+        fluid.default_startup_program().random_seed = seed
+        fluid.default_main_program().random_seed = seed
+	
+        mnist = MNIST("mnist")
+        adam = AdamOptimizer(learning_rate=0.001)
+        train_reader = paddle.batch(
+            paddle.dataset.mnist.train(), batch_size=BATCH_SIZE, drop_last=True)
+        test_reader = paddle.batch(
+            paddle.dataset.mnist.test(), batch_size=BATCH_SIZE, drop_last=True)
+        for epoch in range(epoch_num):
+            for batch_id, data in enumerate(train_reader()):
+                dy_x_data = np.array(
+                    [x[0].reshape(1, 28, 28)
+                     for x in data]).astype('float32')
+                y_data = np.array(
+                    [x[1] for x in data]).astype('int64').reshape(BATCH_SIZE, 1)
+	
+                img = to_variable(dy_x_data)
+                label = to_variable(y_data)
+                label.stop_gradient = True
+	
+                cost, acc = mnist(img, label)
+	
+                loss = fluid.layers.cross_entropy(cost, label)
+                avg_loss = fluid.layers.mean(loss)
+                avg_loss.backward()
+                adam.minimize(avg_loss)
+                # save checkpoint
+                mnist.clear_gradients()
+                if batch_id % 100 == 0:
+                    print("Loss at epoch {} step {}: {:}".format(epoch, batch_id, avg_loss.numpy()))
+            mnist.eval()
+            test_cost, test_acc = self._test_train(test_reader, mnist, BATCH_SIZE)
+            mnist.train()
+            print("Loss at epoch {} , Test avg_loss is: {}, acc is: {}".format(epoch, test_cost, test_acc))
+	
+        fluid.dygraph.save_persistables(mnist.state_dict(), "save_dir")
+        print("checkpoint saved")
+
+    with fluid.dygraph.guard():
+        fluid.default_startup_program().random_seed = seed
+        fluid.default_main_program().random_seed = seed
+
+        mnist_infer = MNIST("mnist")
+        # load checkpoint
+        mnist_infer.load_dict(
+            fluid.dygraph.load_persistables(mnist.state_dict(), "save_dir"))
+        print("checkpoint loaded")
+
+        # start evaluate mode
+        mnist_infer.eval()
+        def load_image(file):
+            im = Image.open(file).convert('L')
+            im = im.resize((28, 28), Image.ANTIALIAS)
+            im = np.array(im).reshape(1, 1, 28, 28).astype(np.float32)
+            im = im / 255.0 * 2.0 - 1.0
+            return im
+
+        cur_dir = os.path.dirname(os.path.realpath(__file__))
+        tensor_img = load_image(cur_dir + '/image/infer_3.png')
+
+        results = mnist_infer(to_variable(tensor_img))
+        lab = np.argsort(results.numpy())
+        print("Inference result of image/infer_3.png is: %d" % lab[0][-1])
+
+	
+	
+	
+	Loss at epoch 3 , Test avg_loss is: 0.0721620170576, acc is: 0.97796474359
+	Loss at epoch 4 step 0: [0.01078923]
+	Loss at epoch 4 step 100: [0.10447877]
+	Loss at epoch 4 step 200: [0.05149534]
+	Loss at epoch 4 step 300: [0.0122997]
+	Loss at epoch 4 step 400: [0.0281883]
+	Loss at epoch 4 step 500: [0.10709661]
+	Loss at epoch 4 step 600: [0.1306036]
+	Loss at epoch 4 step 700: [0.01628026]
+	Loss at epoch 4 step 800: [0.07947419]
+	Loss at epoch 4 step 900: [0.02067161]
+	Loss at epoch 4 , Test avg_loss is: 0.0802323290939, acc is: 0.976963141026
+	checkpoint saved
+	checkpoint loaded
+	
+	
+	Ran 1 test in 208.017s
+	
+	Inference result of image/infer_3.png is: 3
+
+
+## 编写兼容的模型
+
+以上一步中手写数字识别的例子为例，相同的模型代码可以直接在PaddlePaddle的`Executor`中执行：
+
+	exe = fluid.Executor(fluid.CPUPlace(
+        ) if not core.is_compiled_with_cuda() else fluid.CUDAPlace(0))
+
+        mnist = MNIST("mnist")
+        sgd = SGDOptimizer(learning_rate=1e-3)
+        train_reader = paddle.batch(
+            paddle.dataset.mnist.train(), batch_size= BATCH_SIZE, drop_last=True)
+
+        img = fluid.layers.data(
+            name='pixel', shape=[1, 28, 28], dtype='float32')
+        label = fluid.layers.data(name='label', shape=[1], dtype='int64')
+        cost = mnist(img)
+        loss = fluid.layers.cross_entropy(cost, label)
+        avg_loss = fluid.layers.mean(loss)
+        sgd.minimize(avg_loss)
+
+        # initialize params and fetch them
+        static_param_init_value = {}
+        static_param_name_list = []
+        for param in mnist.parameters():
+            static_param_name_list.append(param.name)
+
+        out = exe.run(fluid.default_startup_program(),
+                      fetch_list=static_param_name_list)
+
+        for i in range(len(static_param_name_list)):
+            static_param_init_value[static_param_name_list[i]] = out[i]
+
+        for epoch in range(epoch_num):
+            for batch_id, data in enumerate(train_reader()):
+                static_x_data = np.array(
+                    [x[0].reshape(1, 28, 28)
+                     for x in data]).astype('float32')
+                y_data = np.array(
+                    [x[1] for x in data]).astype('int64').reshape([BATCH_SIZE, 1])
+
+                fetch_list = [avg_loss.name]
+                fetch_list.extend(static_param_name_list)
+                out = exe.run(
+                    fluid.default_main_program(),
+                    feed={"pixel": static_x_data,
+                          "label": y_data},
+                    fetch_list=fetch_list)
+
+                static_param_value = {}
+                static_out = out[0]
+                for i in range(1, len(out)):
+                    static_param_value[static_param_name_list[i - 1]] = out[
+                        i]
+
+			
+			
diff --git a/doc/fluid/user_guides/index_cn.rst b/doc/fluid/user_guides/index_cn.rst
index ed44aea6d0cb387863b37509fe470c3e4f106fbe..c64a97f166866009d506503186ac40524fe6b189 100644
--- a/doc/fluid/user_guides/index_cn.rst
+++ b/doc/fluid/user_guides/index_cn.rst
@@ -14,6 +14,9 @@
 
     - `训练神经网络 <../user_guides/howto/training/index_cn.html>`_：介绍如何使用 Fluid 进行单机训练、多机训练、以及保存和载入模型变量
 
+
+	- `DyGraph模式 <../user_guides/howto/dygraph/DyGraph.md>`_：介绍在 Fluid 下使用DyGraph       
+
     - `模型评估与调试 <../user_guides/howto/evaluation_and_debugging/index_cn.html>`_：介绍在 Fluid 下进行模型评估和调试的方法，包括：
 
 基于 Fluid 复现的多领域经典模型：
@@ -28,4 +31,5 @@
     howto/configure_simple_model/index_cn.rst
     howto/training/index_cn.rst
     howto/evaluation_and_debugging/index_cn.rst
+    howto/dygraph/DyGraph.md
     models/index_cn.rst