Update cluster_quick_start.rst

doc/fluid/user_guides/howto/training/cluster_quick_start.rst

-..  _cluster_quick_start:
+分布式训练快速开始
+==================
+
+使用Fleet API进行分布式训练
+---------------------------
 
-从Paddle Fluid 1.5.1 https://github.com/PaddlePaddle/Paddle/releases/tag/v1.5.1 开始，官方推荐使用Fleet API进行分布式训练，关于Fleet API的介绍可以参考 https://github.com/PaddlePaddle/Fleet。
+从Paddle Fluid `Release
+1.5.1 <https://github.com/PaddlePaddle/Paddle/releases/tag/v1.5.1>`__
+开始，官方推荐使用Fleet API进行分布式训练，关于Fleet API的介绍可以参考
+`Fleet Design Doc <https://github.com/PaddlePaddle/Fleet>`__
 
 前置条件
-成功安装Paddle Fluid
-学会最基本的单机训练方法
+~~~~~~~~
 
-本文使用一个简单的示例，点击率预估任务，来说明如何使用Fleet API进行分布式训练的配置方法，并利用单机环境模拟分布式环境给出运行示例。
-https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
+-  成功安装Paddle Fluid
+-  学会最基本的单机训练方法
+
+本文使用一个简单的示例，点击率预估任务，来说明如何使用Fleet
+API进行分布式训练的配置方法，并利用单机环境模拟分布式环境给出运行示例。示例的源码来自\ `CTR
+with
+Fleet <https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr>`__
 
 为了方便学习，这里给出的示例是单机与多机混合的代码，用户可以通过不同的启动命令进行单机或多机任务的启动。
 
 .. code:: python
 
         from __future__ import print_function
-
         from args import parse_args
         import os
         import paddle.fluid as fluid
@@ -23,15 +33,12 @@ https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
         import paddle.fluid.incubate.fleet.base.role_maker as role_maker
         from paddle.fluid.incubate.fleet.parameter_server.distribute_transpiler import fleet
         from paddle.fluid.transpiler.distribute_transpiler import DistributeTranspilerConfig
-
         dense_feature_dim = 13
         sparse_feature_dim = 10000001
         batch_size = 100
         thread_num = 10
         embedding_size = 10
-
         args = parse_args()
-
         def main_function(is_local):
             dense_input = fluid.layers.data(
                 name="dense_input", shape=[dense_feature_dim], dtype='float32')
@@ -39,7 +46,6 @@ https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
                 fluid.layers.data(name="C" + str(i), shape=[1], lod_level=1,
                                   dtype="int64") for i in range(1, 27)]
             label = fluid.layers.data(name="label", shape=[1], dtype="int64")
-
             dataset = fluid.DatasetFactory().create_dataset()
             dataset.set_use_var([dense_input] + sparse_input_ids + [label])
             pipe_command = "python criteo_reader.py %d" % sparse_feature_dim
@@ -52,9 +58,7 @@ https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
             loss, auc_var, batch_auc_var = ctr_dnn_model_dataset(
                 dense_input, sparse_input_ids, label, embedding_size,
                 sparse_feature_dim)
-
             exe = fluid.Executor(fluid.CPUPlace())
-
             def train_loop(epoch=20):
                 for i in range(epoch):
                     exe.train_from_dataset(program=fluid.default_main_program(),
@@ -62,14 +66,11 @@ https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
                                            fetch_list=[auc_var],
                                            fetch_info=["auc"],
                                            debug=False)
-
             def local_train(optimizer):
                 optimizer = fluid.optimizer.SGD(learning_rate=1e-4)
                 optimizer.minimize(loss)
                 exe.run(fluid.default_startup_program())
                 train_loop()
-
-
             def dist_train(optimizer):
                 role = role_maker.PaddleCloudRoleMaker()
                 fleet.init(role)
@@ -85,30 +86,26 @@ https://github.com/PaddlePaddle/Fleet/tree/develop/examples/ctr
                     fleet.init_worker()
                     exe.run(fluid.default_startup_program())
                     train_loop()
-
             if is_local:
                 local_train(optimizer)
             else:
                 dist_train(optimizer)
-
         if __name__ == '__main__':
             main_function(args.is_local)
 
-
 单机训练启动命令
+
 .. code:: python
 
         python train.py --is_local 1
 
-在单机模拟多机训练的启动命令，这里我们用到了paddle内置的一个启动器launch_ps，用户可以指定worker和server的数量进行参数服务器任务的启动
+在单机模拟多机训练的启动命令，这里我们用到了paddle内置的一个启动器launch\_ps，用户可以指定worker和server的数量进行参数服务器任务的启动
+
 .. code:: python
 
         python -m paddle.distributed.launch_ps --worker_num 2 --server_num 2 train.py
 
-运行日志
-
-如何进行多机分布式训练
-请参考百度云运行分布式任务的示例
+任务运行的日志在工作目录的logs目录下可以查看，当您能够使用单机模拟分布式训练，可以进行真正的多机分布式训练。我们建议用户直接参\ `百度云运行分布式任务的示例 <https://www.paddlepaddle.org.cn/documentation/docs/zh/1.5/user_guides/howto/training/deploy_ctr_on_baidu_cloud_cn.html>`__