diff --git a/tutorial/user_guider.md b/tutorial/user_guider.md
index 2f0648012e7fb9566c56004f9715486c4950a545..cfa44afc5601db707d65b88c0ef8d84006ca3105 100644
--- a/tutorial/user_guider.md
+++ b/tutorial/user_guider.md
@@ -6,3 +6,139 @@
 
 本节以MS1M-Arcface数据集为例进行说明。
 
+首先，请下载MS1M-Arcface数据集：[数据集地址](MS1M-Arcface数据集)
+
+解压后，数据的组织结构如下所示：
+
+```shell
+train_data/
+|-- agedb_30.bin
+|-- cfp_ff.bin
+|-- cfp_fp.bin
+|-- images
+|-- label.txt
+`-- lfw.bin
+```
+
+其中，agedb_30.bin、cfp_ff.bin、cfp_fp.bin和lfw.bin文件为验证数据集文件。images目录中存放训练数据集，格式为jpg格式图像。label.txt文件记录数据图像及其标签的对应格式。
+
+label.txt文件的内容如下所示：
+
+```shell
+images/00000000.jpg 0
+images/00000001.jpg 0
+images/00000002.jpg 0
+images/00000003.jpg 0
+images/00000004.jpg 0
+images/00000005.jpg 0
+images/00000006.jpg 0
+images/00000007.jpg 0
+```
+
+label.txt文件中，每行包含一张训练图像的相对路径和该图像对应的标签（类别），两部分之间由空格分隔。
+
+如果用户需要使用自定义格式的数据集，请参考:[自定义训练数据](../docs/source/md/advanced.md)
+
+## 模型训练
+
+### 训练代码
+
+下面给出使用PLSC完成大规模分类训练的脚本文件train.py：
+
+```python
+from plsc import Entry
+
+if __name__ == "__main__":
+    ins = Entry()
+    ins.set_train_epochs(1)
+    ins.set_model_save_dir("./saved_model")
+    # ins.set_with_test(False)  # 当没有验证集时，请取消该行的注释
+    # ins.set_loss_type('arcface')  # 当仅有一张GPU卡时，请取消该行的注释
+    ins.train()
+```
+
+使用PLSC开始训练，包括以下几个主要步骤：
+
+1. 从plsc包导入Entry类，该类是PLCS大规模分类库所有功能的接口类。
+2. 生成Entry类的实例。
+3. 调用Entry类的train方法，开始模型训练。
+
+默认地，该训练脚本使用的loss值计算方法为'dist_arcface'，需要两张或以上的GPU卡，当仅有一张可用GPU卡时，可以使用下面的语句将loss值计算方法改为'arcface'。
+
+```python
+ins.set_loss_type('arcface')
+```
+
+默认地，训练过程会在每个训练轮次之后会使用验证集验证模型的效果，当没有验证数据集时，可以使用*set_with_test(False)*关闭模型验证。
+
+### 启动训练任务
+
+下面的例子给出如何使用上述脚本启动训练任务：
+
+```python
+python -m paddle.distributed.launch \
+    --cluster_node_ips="127.0.0.1" \
+    --node_ip="127.0.0.1" \
+    --selected_gpus=0,1,2,3,4,5,6,7 \
+    train.py
+```
+
+paddle.distributed.launch模块用于启动多机/多卡分布式训练任务脚本，简化分布式训练任务启动过程，各个参数的含义如下：
+
+- cluster_node_ips: 参与训练的机器的ip地址列表，以逗号分隔；
+- node_ip: 当前训练机器的ip地址；
+- selected_gpus: 每个训练节点所使用的gpu设备列表，以逗号分隔。
+
+对于单机多卡训练任务，可以省略cluster_node_ips和node_ip两个参数，如下所示：
+
+```shell
+python -m paddle.distributed.launch \
+    --selected_gpus=0,1,2,3,4,5,6,7 \
+    train.py
+```
+
+当仅使用一张GPU卡时，请使用下面的命令启动训练任务：
+
+```shell
+python train.py
+```
+
+### 模型验证
+
+本节我们使用lfw.bin验证集为例说明如何评估模型的效果。
+
+### 验证代码
+
+下面的例子给出模型验证脚本*val.py*：
+
+```python
+from plsc import Entry
+
+if __name__ == "__main__":
+    ins = Entry()
+    ins.set_checkpoint_dir("./saved_model/0/")
+    ins.test()
+```
+
+训练过程中，我们将模型参数保存在'./saved_model'目录下，并将每个epoch的模型参数分别保存在不同的子目录下，例如'./saved_model/0'目录下保存的是第一个epoch训练完成后的模型参数，以此类推。
+
+在模型验证阶段，我们首先需要设置模型参数的目录，接着调用Entry类的test方法开始模型验证。
+
+### 启动验证代码
+
+下面的例子给出如何使用上述脚本启动验证任务：
+
+```shell
+python -m paddle.distributed.launch \
+    --selected_gpus=0,1,2,3,4,5,6,7 \
+    val.py
+```
+
+使用上面的脚本，将在多张GPU卡上并行执行验证任务，缩短验证时间。
+
+当仅有一张GPU卡可用时，可以使用下面的命令启动验证任务：
+
+```shell
+python val.py
+```
+