diff --git a/source/user_guides/howto/training/index.rst b/source/user_guides/howto/training/index.rst
index d746a3a8433e1ac7f3e589adea5cacb725be971e..a56dc986fb82eff9ec6f507d75aa0325150ff288 100644
--- a/source/user_guides/howto/training/index.rst
+++ b/source/user_guides/howto/training/index.rst
@@ -1,6 +1,6 @@
-##################################
-使用PaddlePaddle Fluid训练神经网络
-##################################
+############
+训练神经网络
+############
 
 PaddlePaddle Fluid支持单机训练，和多节点训练。每种训练模式下，都支持多种训练方法。
 
diff --git a/source/user_guides/howto/training/save_load_variables.rst b/source/user_guides/howto/training/save_load_variables.rst
index e412369bbb52ef412279fc5c7171d548a7c86c89..8d284401023b879c94f66a09cd24e7ecbaba8e6f 100644
--- a/source/user_guides/howto/training/save_load_variables.rst
+++ b/source/user_guides/howto/training/save_load_variables.rst
@@ -19,7 +19,7 @@
 
 2. 长期变量
   长期变量指的是在整个训练过程中持续存在、不会因为一个迭代的结束而被销毁的变量，例如动态调节的全局学习率等。
-  在PaddlePaddle Fluid中，长期变量通过将 :ref:`api_fluid_Variable` 的 :code:`persistable` 
+  在PaddlePaddle Fluid中，长期变量通过将 :ref:`api_fluid_Variable` 的 :code:`persistable`
   属性设置为 :code:`True` 来表示。所有的模型参数都是长期变量，但并非所有的长期变量都是模型参数。
 
 3. 临时变量
@@ -40,9 +40,9 @@
 因此，根据需求的不同，我们提供了两套API来分别进行模型的参数和checkpoint的保存。
 
 保存模型用于对新样本的预测
-========================
+==========================
 
-如果我们保存模型的目的是用于对新样本的预测，那么只保存模型参数就足够了。我们可以使用 
+如果我们保存模型的目的是用于对新样本的预测，那么只保存模型参数就足够了。我们可以使用
 :code:`fluid.io.save_params` 接口来进行模型参数的保存。
 
 例如：
@@ -56,13 +56,13 @@
     prog = fluid.default_main_program()
     fluid.io.save_params(executor=exe, dirname=param_path, main_program=None)
 
-上面的例子中，通过调用 :code:`fluid.io.save_params` 函数，PaddlePaddle Fluid会对默认 
+上面的例子中，通过调用 :code:`fluid.io.save_params` 函数，PaddlePaddle Fluid会对默认
 :ref:`api_fluid_Program` 也就是 :code:`prog` 中的所有模型变量进行扫描，
 筛选出其中所有的模型参数，并将这些模型参数保存到指定的 :code:`param_path` 之中。
 
 
 保存checkpoint用于将来恢复训练
-===========================
+==============================
 
 在训练过程中，我们可能希望在一些节点上将当前的训练状态保存下来，
 以便在将来需要的时候恢复训练环境继续进行训练。这一般被称作“checkpoint”。
@@ -86,11 +86,11 @@
                                 main_program=prog,
                                 max_num_checkpoints=3)
 
-上面的例子中，通过调用 :code:`fluid.io.save_checkpoint` 函数，PaddlePaddle Fluid会对默认 
+上面的例子中，通过调用 :code:`fluid.io.save_checkpoint` 函数，PaddlePaddle Fluid会对默认
 :ref:`api_fluid_Program` 也就是 :code:`prog` 中的所有模型变量进行扫描，
 根据一系列内置的规则自动筛选出其中所有需要保存的变量，并将他们保存到指定的 :code:`path` 目录下。
 
-:code:`fluid.io.save_checkpoint` 的各个参数中， :code:`trainer_id` 在单机情况下设置为0即可； :code:`trainer_args` 
+:code:`fluid.io.save_checkpoint` 的各个参数中， :code:`trainer_id` 在单机情况下设置为0即可； :code:`trainer_args`
 为一个Python dict，用于给定当前的epoch_id和step_id；
 :code:`max_num_checkpoints` 用于表示的最大checkpoint数量，
 如果目录中已经存在的checkpoint数量超过这个值，那最早的checkpoint将被删除。
@@ -101,16 +101,16 @@
 与模型变量的保存相对应，我们提供了两套API来分别进行模型的参数和checkpoint的载入。
 
 载入模型用于对新样本的预测
-========================
+==========================
 
-对于通过 :code:`fluid.io.save_params` 保存的模型，可以使用 :code:`fluid.io.load_params` 
+对于通过 :code:`fluid.io.save_params` 保存的模型，可以使用 :code:`fluid.io.load_params`
 来进行载入。
 
 例如：
 
 .. code-block:: python
 
-    import paddle.fluid as fluid    
+    import paddle.fluid as fluid
 
     exe = fluid.Executor(fluid.CPUPlace())
     param_path = "./my_paddle_model"
@@ -118,31 +118,31 @@
     fluid.io.load_params(executor=exe, dirname=param_path,
                          main_program=prog)
 
-上面的例子中，通过调用 :code:`fluid.io.load_params` 函数，PaddlePaddle Fluid会对 
+上面的例子中，通过调用 :code:`fluid.io.load_params` 函数，PaddlePaddle Fluid会对
 :code:`prog` 中的所有模型变量进行扫描，筛选出其中所有的模型参数，
 并尝试从 :code:`param_path` 之中读取加载它们。
 
-需要格外注意的是，这里的 :code:`prog` 必须和调用 :code:`fluid.io.save_params` 
+需要格外注意的是，这里的 :code:`prog` 必须和调用 :code:`fluid.io.save_params`
 时所用的 :code:`prog` 中的前向部分完全一致，且不能包含任何参数更新的操作。如果两者存在不一致，
 那么可能会导致一些变量未被正确加载；如果错误地包含了参数更新操作，那可能会导致正常预测过程中参数被更改。
-这两个 :ref:`api_fluid_Program` 之间的关系类似于训练 :ref:`api_fluid_Program` 
+这两个 :ref:`api_fluid_Program` 之间的关系类似于训练 :ref:`api_fluid_Program`
 和测试 :ref:`api_fluid_Program` 之间的关系，详见： :ref:`user_guide_test_while_training`。
 
-另外，需特别注意运行 :code:`fluid.default_startup_program()` 必须在调用 :code:`fluid.io.load_params` 
+另外，需特别注意运行 :code:`fluid.default_startup_program()` 必须在调用 :code:`fluid.io.load_params`
 之前。如果在之后运行，可能会覆盖已加载的模型参数导致错误。
 
 
 载入checkpoint用于恢复训练
-===========================
+==========================
 
-对于通过 :code:`fluid.io.save_checkpoint` 保存的模型，可以使用 :code:`fluid.io.load_checkpoint` 
+对于通过 :code:`fluid.io.save_checkpoint` 保存的模型，可以使用 :code:`fluid.io.load_checkpoint`
 来进行载入。
 
 例如：
 
 .. code-block:: python
 
-    import paddle.fluid as fluid    
+    import paddle.fluid as fluid
 
     exe = fluid.Executor(fluid.CPUPlace())
     path = "./checkpoints"
@@ -150,7 +150,7 @@
     fluid.io.load_checkpoint(executor=exe, checkpoint_dir=path,
                              serial=9, main_program=prog)
 
-上面的例子中，通过调用 :code:`fluid.io.save_checkpoint` 函数，PaddlePaddle Fluid会对 
+上面的例子中，通过调用 :code:`fluid.io.save_checkpoint` 函数，PaddlePaddle Fluid会对
 :code:`prog` 中的所有模型变量进行扫描，根据内置规则自动筛选出需要加载的变量，
 并尝试从 :code:`path` 之中读取加载它们。
 
@@ -158,7 +158,7 @@
 一个checkpoint会被保存在一个子目录中，并在目录名上体现出自己的版本号。
 一般越大的版本号表示这个checkpoint越新。
 
-这里的 :code:`prog` 必须和调用 :code:`fluid.io.save_checkpoint` 时所用的 :code:`prog` 
+这里的 :code:`prog` 必须和调用 :code:`fluid.io.save_checkpoint` 时所用的 :code:`prog`
 完全一致，否则会导致变量加载错误或者未加载。另外，与 :code:`fluid.io.save_params` 类似，
-运行 :code:`fluid.default_startup_program()` 也必须在 :code:`fluid.io.load_checkpoint` 
+运行 :code:`fluid.default_startup_program()` 也必须在 :code:`fluid.io.load_checkpoint`
 之前进行。
diff --git a/source/user_guides/howto/training/single_node.rst b/source/user_guides/howto/training/single_node.rst
index de5fffa8b76555f09389b4511e7df4b8898cd004..0851969ee648f0afb3989096f32a5c0b905e6ba7 100644
--- a/source/user_guides/howto/training/single_node.rst
+++ b/source/user_guides/howto/training/single_node.rst
@@ -6,10 +6,10 @@
 ########
 
 要进行PaddlePaddle Fluid单机训练，需要先 :ref:`user_guide_prepare_data` 和
-:ref:`user_guide_config_neural_network` 。当
-:ref:`user_guide_config_neural_network` 完毕后，可以得到两个
+:ref:`user_guide_config_neural_network` 。当\
+:ref:`user_guide_config_neural_network` 完毕后，可以得到两个\
 :ref:`api_fluid_Program`， :code:`startup_program` 和 :code:`main_program`。
-默认情况下，可以使用 :ref:`api_fluid_default_startup_program` 与 :ref:`api_fluid_default_main_program` 获得全局的 :ref:`api_fluid_Program`。
+默认情况下，可以使用 :ref:`api_fluid_default_startup_program` 与\ :ref:`api_fluid_default_main_program` 获得全局的 :ref:`api_fluid_Program`。
 
 例如:
 
@@ -34,7 +34,7 @@
    # Here the fluid.default_startup_program() and fluid.default_main_program()
    # has been constructed.
 
-在上述模型配置执行完毕后， :code:`fluid.default_startup_program()` 与
+在上述模型配置执行完毕后， :code:`fluid.default_startup_program()` 与\
 :code:`fluid.default_main_program()` 配置完毕了。
 
 初始化参数
@@ -43,7 +43,7 @@
 参数随机初始化
 ==============
 
-用户配置完模型后，参数初始化操作会被写入到
+用户配置完模型后，参数初始化操作会被写入到\
 :code:`fluid.default_startup_program()` 中。使用 :ref:`api_fluid_Executor` 运行
 这一程序，即可在全局 :ref:`api_fluid_Scope` 中随机初始化参数。例如:
 
@@ -52,23 +52,23 @@
    exe = fluid.Executor(fluid.CUDAPlace(0))
    exe.run(program=fluid.default_startup_program())
 
-值得注意的是: 如果使用多GPU训练，参数需要先在GPU0上初始化，再经由
+值得注意的是: 如果使用多GPU训练，参数需要先在GPU0上初始化，再经由\
 :ref:`api_fluid_ParallelExecutor` 分发到多张显卡上。
 
 
 载入预定义参数
 ==============
 
-在神经网络训练过程中，经常会需要载入预定义模型，进而继续进行训练。
+在神经网络训练过程中，经常会需要载入预定义模型，进而继续进行训练。\
 如何载入预定义参数，请参考 :ref:`user_guide_save_load_vars`。
 
 
 单卡训练
 ########
 
-执行单卡训练可以使用 :ref:`api_fluid_Executor` 中的 :code:`run()` 方法，运行训练
-:ref:`api_fluid_Program` 即可。在运行的时候，用户可以通过 :code:`run(feed=...)`
-参数传入数据；用户可以通过 :code:`run(fetch=...)` 获取持久的数据。例如:
+执行单卡训练可以使用 :ref:`api_fluid_Executor` 中的 :code:`run()` 方法，运行训练\
+:ref:`api_fluid_Program` 即可。在运行的时候，用户可以通过 :code:`run(feed=...)`\
+参数传入数据；用户可以通过 :code:`run(fetch=...)` 获取持久的数据。例如:\
 
 .. code-blocks:: python
 
@@ -82,9 +82,9 @@
 这里有几点注意事项:
 
 1. feed的数据格式，请参考文章 :ref:`user_guide_feed_data_to_executor`。
-2. :code:`Executor.run` 的返回值是 :code:`fetch_list=[...]` 的variable值。被fetch
-   的Variable必须是persistable的。 :code:`fetch_list` 可以传入Variable的列表，
-   也可以传入Varialbe的名字列表。当只Fetch一个对象时，返回值是一个元素。否则，
+2. :code:`Executor.run` 的返回值是 :code:`fetch_list=[...]` 的variable值。被fetch\
+   的Variable必须是persistable的。 :code:`fetch_list` 可以传入Variable的列表，\
+   也可以传入Varialbe的名字列表。当只Fetch一个对象时，返回值是一个元素。否则，\
    返回一个列表。
 3. 如果需要取回的数据包含序列信息，可以设置
    :code:`exe.run(return_numpy=False, ...)` 直接返回 :ref:`api_guide_lod_tensor`
@@ -106,8 +106,8 @@
 
 1. :code:`ParallelExecutor` 的构造函数需要指明要执行的 :ref:`api_fluid_Program` ,
    并在执行过程中不能修改。
-2. :code:`ParallelExecutor` 需要明确指定是否使用 CUDA 显卡进行训练。在显卡训练
-   模式下会占用全部显卡。用户可以配置 `CUDA_VISIBLE_DEVICES <http://www.acceleware.com/blog/cudavisibledevices-masking-gpus>`_ 来修改占用
+2. :code:`ParallelExecutor` 需要明确指定是否使用 CUDA 显卡进行训练。在显卡训练\
+   模式下会占用全部显卡。用户可以配置 `CUDA_VISIBLE_DEVICES <http://www.acceleware.com/blog/cudavisibledevices-masking-gpus>`_ 来修改占用\
    的显卡。
 
 进阶使用
diff --git a/source/user_guides/howto/training/test_while_training.rst b/source/user_guides/howto/training/test_while_training.rst
index e37227c01cbcd2c715065a17bb8d121a70e4e952..1c6f48b463111fddd02a697cfffc4a9a86c45f5b 100644
--- a/source/user_guides/howto/training/test_while_training.rst
+++ b/source/user_guides/howto/training/test_while_training.rst
@@ -39,20 +39,20 @@
    adam = fluid.optimizer.Adam(learning_rate=0.001)
    adam.minimize(loss)
 
-在使用 :code:`Optimizer` 之前，将 :code:`fluid.default_main_program()` 复制
-成一个 :code:`test_program` 。之后使用测试数据运行 :code:`test_program`,
+在使用 :code:`Optimizer` 之前，将 :code:`fluid.default_main_program()` 复制\
+成一个 :code:`test_program` 。之后使用测试数据运行 :code:`test_program`,\
 就可以做到运行测试程序，而不影响训练结果。
 
 分别配置训练 :ref:`api_fluid_Program` 和测试 :ref:`api_fluid_Program`
 =====================================================================
 
 如果训练程序和测试程序相差较大时，用户也可以完全通过定义两个不同的
-:ref:`api_fluid_Program`，分别进行训练和测试。在PaddlePaddle Fluid中，
-所有的参数都有名字。如果两个不同的操作，甚至两个不同的网络使用了同样名字的参数，
+:ref:`api_fluid_Program`，分别进行训练和测试。在PaddlePaddle Fluid中，\
+所有的参数都有名字。如果两个不同的操作，甚至两个不同的网络使用了同样名字的参数，\
 那么他们的值和内存空间都是共享的。
 
-PaddlePaddle Fluid中使用 :code:`fluid.unique_name` 包来随机初始化用户未定义的
-参数名称。通过 :code:`fluid.unique_name.guard` 可以确保多次调用某函数
+PaddlePaddle Fluid中使用 :code:`fluid.unique_name` 包来随机初始化用户未定义的\
+参数名称。通过 :code:`fluid.unique_name.guard` 可以确保多次调用某函数\
 参数初始化的名称一致。
 
 例如: