diff --git a/docs/advanced_tutorials/inference/EXPORT_MODEL.md b/docs/advanced_tutorials/inference/EXPORT_MODEL.md
index 47c074e7ff595f262c7ad721401f8d0064e10d4f..68f8b9edc1c9e9fdaca8da15ecc12d95c8da51b5 100644
--- a/docs/advanced_tutorials/inference/EXPORT_MODEL.md
+++ b/docs/advanced_tutorials/inference/EXPORT_MODEL.md
@@ -1,9 +1,10 @@
 # 模型导出
 
 训练得到一个满足要求的模型后，如果想要将该模型接入到C++预测库或者Serving服务，需要通过`tools/export_model.py`导出该模型。同时，会导出预测时使用的配置文件，路径与模型保存路径相同, 配置文件名为`infer_cfg.yml`。
+
 **说明：**
 
-- 导出模型输入为网络输入图像，即原始图片经过预处理后的图像，具体预处理方式可参考配置文件中TestReader部分。各类检测模型的输入格式分别为：
+- **输入部分：**导出模型输入为网络输入图像，即原始图片经过预处理后的图像，具体预处理方式可参考配置文件中TestReader部分。各类检测模型的输入格式分别为：
 
 | 模型系列名称 | 输入图像预处理方式 | 其他输入信息 |
 | :---------: | ----------- | ---------- |
@@ -12,8 +13,12 @@
 | RCNN | 归一化，等比例缩放 | 1. im\_info： 格式为[input\_H, input\_W, scale]，input为输入图像，scale为```输入图像大小/原始图像大小```<br>  2. im\_shape：格式为[origin\_H, origin\_W, 1.], origin为原始图像 |
 | RCNN+FPN | 归一化，等比例缩放，对图像填充0使得长宽均为32的倍数 | 1. im\_info： 格式为[input\_H, input\_W, scale]，input为输入图像，scale为```输入图像大小/原始图像大小```<br>  2. im\_shape：格式为[origin\_H, origin\_W, 1.], origin为原始图像 |
 | RetinaNet | 归一化，等比例缩放，对图像填充0使得长宽均为128的倍数 | 1. im\_info： 格式为[input\_H, input\_W, scale]，input为输入图像，scale为```输入图像大小/原始图像大小```<br>  2. im\_shape：格式为[origin\_H, origin\_W, 1.], origin为原始图像 |
+| Face   |  归一化  | im\_shape: 格式为[origin\_H, origin\_W], origin为原始图像  |
+
+
+- **输出部分：**导出模型输出统一为NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2]。
 
-- 导出模型输出统一为NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2].
+- 模型导出不支持模型结构中包含```fluid.layers.py_func```的情况。
 
 
 ## 启动参数说明
diff --git a/docs/tutorials/FAQ.md b/docs/tutorials/FAQ.md
index b583ba6c48360a24d8cbd1de9cb17ae4f1b78737..c7d7124e004c47f14c703fbb32954b40322bde74 100644
--- a/docs/tutorials/FAQ.md
+++ b/docs/tutorials/FAQ.md
@@ -25,12 +25,12 @@ batch size可以达到每GPU 4 (Tesla V100 16GB)。
 **Q:** affine_channel和batch norm是什么关系? </br>
 **A:** 在RCNN系列模型加载预训练模型初始化，有时候会固定住batch norm的参数, 使用预训练模型中的全局均值和方式，并且batch norm的scale和bias参数不更新，已发布的大多ResNet系列的RCNN模型采用这种方式。这种情况下可以在config中设置norm_type为bn或affine_channel, freeze_norm为true (默认为true)，两种方式等价。affne_channel的计算方式为`scale * x + bias`。只不过设置affine_channel时，内部对batch norm的参数自动做了融合。如果训练使用的affine_channel，用保存的模型做初始化，训练其他任务时，既可使用affine_channel, 也可使用batch norm, 参数均可正确加载。
 
-**Q:** 某些配置项会在多个模块中用到(如 `num_classes`)，如何避免在配置文件中多次重复设置？
+**Q:** 某些配置项会在多个模块中用到(如 `num_classes`)，如何避免在配置文件中多次重复设置？ </br>
 **A:** 框架提供了 `__shared__` 标记来实现配置的共享，用户可以标记参数，如 `__shared__ = ['num_classes']` ，配置数值作用规则如下：
 
 1.  如果模块配置中提供了 `num_classes` ，会优先使用其数值。
 2.  如果模块配置中未提供 `num_classes` ，但配置文件中存在全局键值，那么会使用全局键值。
 3.  两者均为配置的情况下，将使用默认值(`81`)。
 
-**Q:** 在配置文件中设置use_process=True，并且运行报错：`not enough space for reason[failed to malloc 601 pages...`
+**Q:** 在配置文件中设置use_process=True，并且运行报错：`not enough space for reason[failed to malloc 601 pages...` </br>
 **A:** 当前Reader的共享存储队列空间不足，请增大配置文件`xxx.yml`中的`memsize`,如`memsize: 3G`->`memsize: 6G`。或者配置文件中设置`use_process=False`。