diff --git a/source/user_guides/howto/training/cluster_howto.rst b/source/user_guides/howto/training/cluster_howto.rst
new file mode 100644
index 0000000000000000000000000000000000000000..6ce04ccff468e29dfd1b09908aa7803a874e09cb
--- /dev/null
+++ b/source/user_guides/howto/training/cluster_howto.rst
@@ -0,0 +1,94 @@
+.. _cluster_howto
+
+Fluid分布式训练使用手册
+====================
+
+分布式训练基本思想
+---------------
+
+分布式深度学习训练通常分为两种并行化方法：数据并行，模型并行，参考下图：
+
+.. image:: src/parallelism.png
+
+在模型并行方式下，模型的层和参数将被分布在多个节点上，模型在一个mini-batch的前向和反向训练中，将经过多次跨
+节点之间的通信。每个节点只保存整个模型的一部分；在数据并行方式下，每个节点保存有完整的模型的层和参数，每个节点
+独自完成前向和反向计算，然后完成梯度的聚合并同步的更新所有节点上的参数。Fluid目前版本仅提供数据并行方式，另外
+诸如模型并行的特例实现（超大稀疏模型训练）功能将在后续的文档中予以说明。
+
+在数据并行模式的训练中，Fluid使用了两种通信模式，用于应对不同训练任务对分布式训练的要求，分别为RPC通信和Collective
+通信。其中RPC通信方式使用 `gRPC`_ ，Collective通信方式使用
+ `NCCL2
-
-在模型并行方式下，模型的层和参数将被分布在多个节点上，模型在一个mini-batch的前向和反向训练中，将经过多次跨
-节点之间的通信。每个节点只保存整个模型的一部分；在数据并行方式下，每个节点保存有完整的模型的层和参数，每个节点
-独自完成前向和反向计算，然后完成梯度的聚合并同步的更新所有节点上的参数。Fluid目前版本仅提供数据并行方式，另外
-诸如模型并行的特例实现（超大稀疏模型训练）功能将在后续的文档中予以说明。
-
-在数据并行模式的训练中，Fluid使用了两种通信模式，用于应对不同训练任务对分布式训练的要求，分别为RPC通信和Collective
-通信。其中RPC通信方式使用[gRPC](https://github.com/grpc/grpc/)，Collective通信方式使用
-[NCCL2](https://developer.nvidia.com/nccl)。下面是一个RPC通信和Collective通信的横向对比：
-
-| Feature | Collective | RPC |
-| ------------- |:-------------:| :-----:|
-| Ring-Based Comm | Yes | No |
-| Async Training | Reduce ranks | Fast, Direct async updates |
-| Dist-Sparse-Table | No | Yes |
-| Fault-Tolerant | No | Yes|
-| Performance | Faster | Fast |
-
-* RPC通信方式的结构：
- 
-* NCCL2通信方式的结构：
- 
-
-
-## 使用parameter server方式的训练
-
-使用"trainer" API，程序可以自动的通过识别环境变量决定是否已分布式方式执行，需要在您的分布式环境中配置的环境变量包括：
-
-| Env Variable | Comment |
-| ------------ | ------- |
-| PADDLE_TRAINING_ROLE | role of current node, must be PSERVER or TRAINER |
-| PADDLE_PSERVER_PORT | the port that the parameter servers will bind to |
-| PADDLE_PSERVER_IPS | a comma separated list of parameter server ips or hostname |
-| PADDLE_TRAINERS | number of trainers that in this distributed job |
-| PADDLE_CURRENT_IP | current node ip address |
-| PADDLE_TRAINER_ID | zero based ID for each trainer |
-
-使用更加底层的"transpiler" API可以提供自定义的分布式训练的方法，比如可以在同一台机器上，启动多个pserver和trainer
-进行训练，使用底层API的方法可以参考下面的样例代码：
-
-```python
-role = "PSERVER"
-trainer_id = 0
-pserver_endpoints = "127.0.0.1:6170,127.0.0.1:6171"
-current_endpoint = "127.0.0.1:6170"
-trainers = 4
-t = fluid.DistributeTranspiler()
-t.transpile(trainer_id, pservers=pserver_endpoints, trainers=trainers)
-if role == "PSERVER":
- pserver_prog = t.get_pserver_program(current_endpoint)
- pserver_startup = t.get_startup_program(current_endpoint,
- pserver_prog)
- exe.run(pserver_startup)
- exe.run(pserver_prog)
-elif role == "TRAINER":
- train_loop(t.get_trainer_program())
-```
-
-## 使用NCCL2通信方式的训练
-
-注NCCL2模式目前仅支持"trainer" API，NCCL2方式并没有很多可选项，也没有"transpiler"，所以并没有底层API。
-使用NCCL2方式同样需要配置每个节点的环境变量，此处与parameter server模式有所不同：
-
-| Env Variable | Comment |
-| ------------ | ------- |
-| PADDLE_TRAINER_IPS | comma separated IP list of all trainer nodes |
-| PADDLE_TRAINER_ID | zero based ID for each trainer, aka. "rank" |
-| PADDLE_PSERVER_PORT | a port that will used at initial stage to broadcast the NCCL ID |
-| PADDLE_CURRENT_IP | current IP address of current node |
diff --git a/source/user_guides/howto/training/multi_node.rst b/source/user_guides/howto/training/multi_node.rst
index a6fee76533c38a422e2a05457597c4c99e634684..24316f0be0d8f211e680fa15cb432732b5967c79 100644
--- a/source/user_guides/howto/training/multi_node.rst
+++ b/source/user_guides/howto/training/multi_node.rst
@@ -5,4 +5,5 @@
.. toctree::
:maxdepth: 2
- cluster_quick_start.md
\ No newline at end of file
+ cluster_quick_start.rst
+ cluster_howto.rst