diff --git a/README.md b/README.md
index f9b18fec0a324f83790c42fb5658e26d548ecff1..a259d6131daa8d0c9131e313577906c66ce502b9 100644
--- a/README.md
+++ b/README.md
@@ -7,6 +7,12 @@
 
 2. 参数量较大，同步训练方式下通信开销较大：数据并行训练方式下，所有GPU卡之间需要同步参数的梯度信息，以完成参数值的同步更新。当参数数量较大时，参数的梯度信息数据量同样较大，从而导致参数梯度信息的通信开销较大，影响训练速度。
 
+考虑到全接连层的线性可分性，可以将全连接层参数切分到多张GPU卡，减少每张GPU卡的参数存储量。
+
+以下图为例，全连接层参数按行切分到不同的GPU卡上。每次训练迭代过程中，各张GPU卡分别以各自的训练数据计算隐层的输出特征，并通过集合通信操作AllGather得到汇聚后的特征。接着，各张GPU卡以汇聚后的特征和部分全连接层参数计算部分logit值(partial logit)，并基于此计算神经网络的损失值。
+
+![overview](./images/plsc_overview.png)
+
 飞桨大规模分类(PLSC: **P**addlePaddle **L**arge **S**cale **C**lassification)库是基于[飞桨平台](https://github.com/PaddlePaddle/Paddle)构建的超大规模分类库，为用户提供从训练到部署的大规模分类问题全流程解决方案。
 
 ## PLSC特性
diff --git a/images/plsc_overview.png b/images/plsc_overview.png
new file mode 100644
index 0000000000000000000000000000000000000000..11c9319b01cc8b015d7187d5a24d785afdd2928c
Binary files /dev/null and b/images/plsc_overview.png differ