diff --git a/doc/fluid/user_guides/howto/training/cluster_howto.rst b/doc/fluid/user_guides/howto/training/cluster_howto.rst
index 9f9b7b04f869bde793934d3bd73fd76d75ade0cd..8ab0e0c2f28595593fb411eeff88f2b1f2c42535 100644
--- a/doc/fluid/user_guides/howto/training/cluster_howto.rst
+++ b/doc/fluid/user_guides/howto/training/cluster_howto.rst
@@ -107,6 +107,32 @@ Fluid分布式任务可以支持同步训练或异步训练，在同步训练方
    t.transpile(trainer_id, pservers=pserver_endpoints, trainers=trainers, sync_mode=False)
 
 
+
+选择是否使用分布式embedding表进行训练
++++++++++++++++++++++++++++++++++
+
+embedding被广泛应用在各种网络结构中，尤其是文本处理相关的模型。在某些场景，例如推荐系统或者搜索引擎中，
+embedding的feature id可能会非常多，当feature id达到一定数量时，embedding参数会变得很大，一方面可能
+单机内存无法存放导致无法训练，另一方面普通的训练模式每一轮迭代都需要同步完整的参数，参数太大会让通信变得
+非常慢，进而影响训练速度。
+
+Fluid支持千亿量级超大规模稀疏特征embedding的训练，embedding参数只会保存在parameter server上，通过
+参数prefetch和梯度稀疏更新的方法，大大减少通信量，提高通信速度。
+
+该功能只对分布式训练有效，单机无法使用。
+需要配合稀疏更新一起使用。
+
+使用方法，在配置embedding的时候，加上参数 :code:`is_distributed=True` 以及 :code:`is_sparse=True` 即可。
+
+.. code-block:: python
+
+  emb = fluid.layers.embedding(
+      is_distributed=True,
+      input=input,
+      size=[10000000000, 9],
+      is_sparse=True)
+
+
 选择参数分布方法
 ++++++++++++++++