diff --git a/models/demo/online_learning/README.md b/models/demo/online_learning/README.md
deleted file mode 100644
index 9656adc655d6e2d8931861a492af3583906f98f5..0000000000000000000000000000000000000000
--- a/models/demo/online_learning/README.md
+++ /dev/null
@@ -1,261 +0,0 @@
-# 基于DNN模型的点击率预估模型
-
-## 介绍
-`CTR(Click Through Rate)`，即点击率，是“推荐系统/计算广告”等领域的重要指标，对其进行预估是商品推送/广告投放等决策的基础。简单来说，CTR预估对每次广告的点击情况做出预测，预测用户是点击还是不点击。CTR预估模型综合考虑各种因素、特征，在大量历史数据上训练，最终对商业决策提供帮助。本模型实现了下述论文中提出的DNN模型：
-
-```text
-@inproceedings{guo2017deepfm,
-  title={DeepFM: A Factorization-Machine based Neural Network for CTR Prediction},
-  author={Huifeng Guo, Ruiming Tang, Yunming Ye, Zhenguo Li and Xiuqiang He},
-  booktitle={the Twenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI)},
-  pages={1725--1731},
-  year={2017}
-}
-```
-
-#
-## 数据准备
-### 数据来源
-训练及测试数据集选用[Display Advertising Challenge](https://www.kaggle.com/c/criteo-display-ad-challenge/)所用的Criteo数据集。该数据集包括两部分：训练集和测试集。训练集包含一段时间内Criteo的部分流量，测试集则对应训练数据后一天的广告点击流量。
-每一行数据格式如下所示：
-```bash
-<label> <integer feature 1> ... <integer feature 13> <categorical feature 1> ... <categorical feature 26>
-```
-其中```<label>```表示广告是否被点击，点击用1表示，未点击用0表示。```<integer feature>```代表数值特征（连续特征），共有13个连续特征。```<categorical feature>```代表分类特征（离散特征），共有26个离散特征。相邻两个特征用```\t```分隔，缺失特征用空格表示。测试集中```<label>```特征已被移除。
-
-### 数据预处理
-数据预处理共包括两步：
-- 将原始训练集按9:1划分为训练集和验证集
-- 数值特征（连续特征）需进行归一化处理，但需要注意的是，对每一个特征```<integer feature i>```，归一化时用到的最大值并不是用全局最大值，而是取排序后95%位置处的特征值作为最大值，同时保留极值。
-
-### 一键下载训练及测试数据
-```bash
-sh download_data.sh
-```
-执行该脚本，会从国内源的服务器上下载Criteo数据集，并解压到指定文件夹。全量训练数据放置于`./train_data_full/`，全量测试数据放置于`./test_data_full/`，用于快速验证的训练数据与测试数据放置于`./train_data/`与`./test_data/`。
-
-执行该脚本的理想输出为：
-```bash
-> sh download_data.sh
---2019-11-26 06:31:33--  https://fleet.bj.bcebos.com/ctr_data.tar.gz
-Resolving fleet.bj.bcebos.com... 10.180.112.31
-Connecting to fleet.bj.bcebos.com|10.180.112.31|:443... connected.
-HTTP request sent, awaiting response... 200 OK
-Length: 4041125592 (3.8G) [application/x-gzip]
-Saving to: “ctr_data.tar.gz”
-
-100%[==================================================================================================================>] 4,041,125,592  120M/s   in 32s
-
-2019-11-26 06:32:05 (120 MB/s) - “ctr_data.tar.gz” saved [4041125592/4041125592]
-
-raw_data/
-raw_data/part-55
-raw_data/part-113
-...
-test_data/part-227
-test_data/part-222
-Complete data download.
-Full Train data stored in ./train_data_full
-Full Test data stored in ./test_data_full
-Rapid Verification train data stored in ./train_data
-Rapid Verification test data stored in ./test_data
-```
-至此，我们已完成数据准备的全部工作。
-
-## 数据读取
-为了能高速运行CTR模型的训练，`PaddleRec`封装了`dataset`与`dataloader`API进行高性能的数据读取。
-
-如何在我们的训练中引入dataset读取方式呢？无需变更数据格式，只需在我们的训练代码中加入以下内容，便可达到媲美二进制读取的高效率，以下是一个比较完整的流程：
-
-### 引入dataset
-
-1. 通过工厂类`fluid.DatasetFactory()`创建一个dataset对象。
-2. 将我们定义好的数据输入格式传给dataset，通过`dataset.set_use_var(inputs)`实现。
-3. 指定我们的数据读取方式，由`dataset_generator.py`实现数据读取的规则，后面将会介绍读取规则的实现。
-4. 指定数据读取的batch_size。
-5. 指定数据读取的线程数，该线程数和训练线程应保持一致，两者为耦合的关系。
-6. 指定dataset读取的训练文件的列表。
-
-```python
-def get_dataset(inputs, args)
-    dataset = fluid.DatasetFactory().create_dataset()
-    dataset.set_use_var(inputs)
-    dataset.set_pipe_command("python dataset_generator.py")
-    dataset.set_batch_size(args.batch_size)
-    dataset.set_thread(int(args.cpu_num))
-    file_list = [
-        str(args.train_files_path) + "/%s" % x
-        for x in os.listdir(args.train_files_path)
-    ]
-    logger.info("file list: {}".format(file_list))
-    return dataset, file_list
-```
-
-### 如何指定数据读取规则
-
-在上文我们提到了由`dataset_generator.py`实现具体的数据读取规则，那么，怎样为dataset创建数据读取的规则呢？
-以下是`dataset_generator.py`的全部代码，具体流程如下：
-1. 首先我们需要引入dataset的库，位于`paddle.fluid.incubate.data_generator`。
-2. 声明一些在数据读取中会用到的变量，如示例代码中的`cont_min_`、`categorical_range_`等。
-3. 创建一个子类，继承dataset的基类，基类有多种选择，如果是多种数据类型混合，并且需要转化为数值进行预处理的，建议使用`MultiSlotDataGenerator`；若已经完成了预处理并保存为数据文件，可以直接以`string`的方式进行读取，使用`MultiSlotStringDataGenerator`，能够进一步加速。在示例代码，我们继承并实现了名为`CriteoDataset`的dataset子类，使用`MultiSlotDataGenerator`方法。
-4. 继承并实现基类中的`generate_sample`函数，逐行读取数据。该函数应返回一个可以迭代的reader方法(带有yield的函数不再是一个普通的函数，而是一个生成器generator，成为了可以迭代的对象，等价于一个数组、链表、文件、字符串etc.)
-5. 在这个可以迭代的函数中，如示例代码中的`def reader()`，我们定义数据读取的逻辑。例如对以行为单位的数据进行截取，转换及预处理。
-6. 最后，我们需要将数据整理为特定的格式，才能够被dataset正确读取，并灌入的训练的网络中。简单来说，数据的输出顺序与我们在网络中创建的`inputs`必须是严格一一对应的，并转换为类似字典的形式。在示例代码中，我们使用`zip`的方法将参数名与数值构成的元组组成了一个list，并将其yield输出。如果展开来看，我们输出的数据形如`[('dense_feature',[value]),('C1',[value]),('C2',[value]),...,('C26',[value]),('label',[value])]`
-
-
-```python
-import paddle.fluid.incubate.data_generator as dg
-
-cont_min_ = [0, -3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
-cont_max_ = [20, 600, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]
-cont_diff_ = [20, 603, 100, 50, 64000, 500, 100, 50, 500, 10, 10, 10, 50]
-hash_dim_ = 1000001
-continuous_range_ = range(1, 14)
-categorical_range_ = range(14, 40)
-
-class CriteoDataset(dg.MultiSlotDataGenerator):
-   
-    def generate_sample(self, line):
-        
-        def reader():
-            features = line.rstrip('\n').split('\t')
-            dense_feature = []
-            sparse_feature = []
-            for idx in continuous_range_:
-                if features[idx] == "":
-                    dense_feature.append(0.0)
-                else:
-                    dense_feature.append(
-                        (float(features[idx]) - cont_min_[idx - 1]) /
-                        cont_diff_[idx - 1])
-            for idx in categorical_range_:
-                sparse_feature.append(
-                    [hash(str(idx) + features[idx]) % hash_dim_])
-            label = [int(features[0])]
-            process_line = dense_feature, sparse_feature, label
-            feature_name = ["dense_feature"]
-            for idx in categorical_range_:
-                feature_name.append("C" + str(idx - 13))
-            feature_name.append("label")
-
-            yield zip(feature_name, [dense_feature] + sparse_feature + [label])
-
-        return reader
-
-d = CriteoDataset()
-d.run_from_stdin()
-```
-### 快速调试Dataset
-我们可以脱离组网架构，单独验证Dataset的输出是否符合我们预期。使用命令
-`cat 数据文件 | python dataset读取python文件`进行dataset代码的调试：
-```bash
-cat train_data/part-0 | python dataset_generator.py
-```
-输出的数据格式如下：
-` dense_input:size ; dense_input:value ; sparse_input:size ; sparse_input:value ; ... ; sparse_input:size ; sparse_input:value ; label:size ; label:value `
-
-理想的输出为(截取了一个片段)：
-```bash
-...
-13 0.05 0.00663349917081 0.05 0.0 0.02159375 0.008 0.15 0.04 0.362 0.1 0.2 0.0 0.04 1 715353 1 817085 1 851010 1 833725 1 286835 1 948614 1 881652 1 507110 1 27346 1 646986 1 643076 1 200960 1 18464 1 202774 1 532679 1 729573 1 342789 1 562805 1 880474 1 984402 1 666449 1 26235 1 700326 1 452909 1 884722 1 787527 1 0
-...
-```
-
-#
-## 模型组网
-### 数据输入声明
-正如数据准备章节所介绍，Criteo数据集中，分为连续数据与离散（稀疏）数据，所以整体而言，CTR-DNN模型的数据输入层包括三个，分别是：`dense_input`用于输入连续数据，维度由超参数`dense_feature_dim`指定，数据类型是归一化后的浮点型数据。`sparse_input_ids`用于记录离散数据，在Criteo数据集中，共有26个slot，所以我们创建了名为`C1~C26`的26个稀疏参数输入，并设置`lod_level=1`，代表其为变长数据，数据类型为整数；最后是每条样本的`label`，代表了是否被点击，数据类型是整数，0代表负样例，1代表正样例。
-
-在Paddle中数据输入的声明使用`paddle.fluid.data()`，会创建指定类型的占位符，数据IO会依据此定义进行数据的输入。
-```python
-dense_input = fluid.data(name="dense_input",
-                                 shape=[-1, args.dense_feature_dim],
-                                 dtype="float32")
-
-sparse_input_ids = [
-    fluid.data(name="C" + str(i),
-                shape=[-1, 1],
-                lod_level=1,
-                dtype="int64") for i in range(1, 27)
-]
-
-label = fluid.data(name="label", shape=[-1, 1], dtype="int64")
-inputs = [dense_input] + sparse_input_ids + [label]
-```
-
-### CTR-DNN模型组网
-
-CTR-DNN模型的组网比较直观，本质是一个二分类任务，代码参考`model.py`。模型主要组成是一个`Embedding`层，三个`FC`层，以及相应的分类任务的loss计算和auc计算。
-
-#### Embedding层
-首先介绍Embedding层的搭建方式：`Embedding`层的输入是`sparse_input`，shape由超参的`sparse_feature_dim`和`embedding_size`定义。需要特别解释的是`is_sparse`参数，当我们指定`is_sprase=True`后，计算图会将该参数视为稀疏参数，反向更新以及分布式通信时，都以稀疏的方式进行，会极大的提升运行效率，同时保证效果一致。
-
-各个稀疏的输入通过Embedding层后，将其合并起来，置于一个list内，以方便进行concat的操作。
-
-```python
-def embedding_layer(input):
-   return fluid.layers.embedding(
-            input=input,
-            is_sparse=True,
-            size=[args.sparse_feature_dim, 
-                  args.embedding_size],
-            param_attr=fluid.ParamAttr(
-            name="SparseFeatFactors",
-            initializer=fluid.initializer.Uniform()),
-   )
-
-sparse_embed_seq = list(map(embedding_layer, inputs[1:-1])) # [C1~C26]
-```
-
-#### FC层
-将离散数据通过embedding查表得到的值，与连续数据的输入进行`concat`操作，合为一个整体输入，作为全链接层的原始输入。我们共设计了3层FC，每层FC的输出维度都为400，每层FC都后接一个`relu`激活函数，每层FC的初始化方式为符合正态分布的随机初始化，标准差与上一层的输出维度的平方根成反比。
-```python
-concated = fluid.layers.concat(sparse_embed_seq + inputs[0:1], axis=1)
-        
-fc1 = fluid.layers.fc(
-   input=concated,
-   size=400,
-   act="relu",
-   param_attr=fluid.ParamAttr(initializer=fluid.initializer.Normal(
-         scale=1 / math.sqrt(concated.shape[1]))),
-)
-fc2 = fluid.layers.fc(
-   input=fc1,
-   size=400,
-   act="relu",
-   param_attr=fluid.ParamAttr(initializer=fluid.initializer.Normal(
-         scale=1 / math.sqrt(fc1.shape[1]))),
-)
-fc3 = fluid.layers.fc(
-   input=fc2,
-   size=400,
-   act="relu",
-   param_attr=fluid.ParamAttr(initializer=fluid.initializer.Normal(
-         scale=1 / math.sqrt(fc2.shape[1]))),
-)
-```
-#### Loss及Auc计算
-- 预测的结果通过一个输出shape为2的FC层给出，该FC层的激活函数是softmax，会给出每条样本分属于正负样本的概率。
-- 每条样本的损失由交叉熵给出，交叉熵的输入维度为[batch_size,2]，数据类型为float，label的输入维度为[batch_size,1]，数据类型为int。
-- 该batch的损失`avg_cost`是各条样本的损失之和
-- 我们同时还会计算预测的auc，auc的结果由`fluid.layers.auc()`给出，该层的返回值有三个，分别是全局auc: `auc_var`，当前batch的auc: `batch_auc_var`，以及auc_states: `auc_states`，auc_states包含了`batch_stat_pos, batch_stat_neg, stat_pos, stat_neg`信息。`batch_auc`我们取近20个batch的平均，由参数`slide_steps=20`指定，roc曲线的离散化的临界数值设置为4096，由`num_thresholds=2**12`指定。
-```
-predict = fluid.layers.fc(
-            input=fc3,
-            size=2,
-            act="softmax",
-            param_attr=fluid.ParamAttr(initializer=fluid.initializer.Normal(
-                scale=1 / math.sqrt(fc3.shape[1]))),
-        )
-
-cost = fluid.layers.cross_entropy(input=predict, label=inputs[-1])
-avg_cost = fluid.layers.reduce_sum(cost)
-accuracy = fluid.layers.accuracy(input=predict, label=inputs[-1])
-auc_var, batch_auc_var, auc_states = fluid.layers.auc(
-                                          input=predict,
-                                          label=inputs[-1],
-                                          num_thresholds=2**12,
-                                          slide_steps=20)
-```
-
-完成上述组网后，我们最终可以通过训练拿到`avg_cost`与`auc`两个重要指标。
diff --git a/models/demo/online_learning/backend.yaml b/models/demo/online_learning/backend.yaml
deleted file mode 100644
index 03b5efe7847ddb4a6cabf0f817a58f686e12fad1..0000000000000000000000000000000000000000
--- a/models/demo/online_learning/backend.yaml
+++ /dev/null
@@ -1,63 +0,0 @@
-# Copyright (c) 2020 PaddlePaddle Authors. All Rights Reserved.
-#
-# Licensed under the Apache License, Version 2.0 (the "License");
-# you may not use this file except in compliance with the License.
-# You may obtain a copy of the License at
-#
-#     http://www.apache.org/licenses/LICENSE-2.0
-#
-# Unless required by applicable law or agreed to in writing, software
-# distributed under the License is distributed on an "AS IS" BASIS,
-# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
-# See the License for the specific language governing permissions and
-# limitations under the License.
-backend: "PaddleCloud"
-cluster_type: k8s # mpi 可选
-
-config:
-  fs_name: "afs://xxx.com"
-  fs_ugi: "usr,pwd"
-  output_path: "" # 填远程地址，如afs:/user/your/path/ 则此处填 /user/your/path
-  
-  # for mpi
-  train_data_path: "" # 填远程地址，如afs:/user/your/path/ 则此处填 /user/your/path
-  test_data_path: "" # 填远程地址，如afs:/user/your/path/ 则此处填 /user/your/path
-  thirdparty_path: "" # 填远程地址，如afs:/user/your/path/ 则此处填 /user/your/path
-  paddle_version: "1.7.2" # 填写paddle官方版本号 >= 1.7.2
-
-  # for k8s
-  afs_remote_mount_point: "" # 填远程地址，如afs:/user/your/path/ 则此处填 /user/your/path
-
-  # paddle分布式底层超参，无特殊需求不理不改
-  communicator:
-    FLAGS_communicator_is_sgd_optimizer: 0
-    FLAGS_communicator_send_queue_size: 5
-    FLAGS_communicator_thread_pool_size: 32
-    FLAGS_communicator_max_merge_var_num: 5
-    FLAGS_communicator_max_send_grad_num_before_recv: 5
-    FLAGS_communicator_fake_rpc: 0
-    FLAGS_rpc_retry_times: 3
-  
-submit:
-  ak: ""
-  sk: ""
-  priority: "high"
-  job_name: "PaddleRec_CTR"
-  group: ""
-  start_cmd: "python -m paddlerec.run -m ./config.yaml"
-  files: ./*.py ./*.yaml
-
-  # for mpi ps-cpu
-  nodes: 2
-  
-  # for k8s gpu        
-  k8s_trainers: 2
-  k8s_cpu_cores: 2
-  k8s_gpu_card: 1
-
-  # for k8s ps-cpu
-  k8s_trainers: 2
-  k8s_cpu_cores: 4
-  k8s_ps_num: 2
-  k8s_ps_cores: 4
-  
diff --git a/models/demo/online_learning/config.yaml b/models/demo/online_learning/config.yaml
index 18e7805649d6ff6952ac29d777f0b642ce1eb412..03a92a2ecddcd44472165795031901ce3b99e2a2 100755
--- a/models/demo/online_learning/config.yaml
+++ b/models/demo/online_learning/config.yaml
@@ -13,7 +13,7 @@
 # limitations under the License.
 
 # workspace
-workspace: "models/rank/dnn"
+workspace: "models/demo/online_learning"
 
 # list of dataset
 dataset:
@@ -45,7 +45,6 @@ hyper_parameters:
     strategy: async
   # user-defined <key, value> pairs
   sparse_inputs_slots: 27
-  sparse_feature_number: 1000001
   sparse_feature_dim: 9
   dense_input_dim: 13
   fc_sizes: [512, 256, 128, 32]
@@ -66,6 +65,7 @@ runner:
 
 - name: ps_cluster
   class: cluster_train
+  runner_class_path: "{workspace}/online_learning_runner.py"
   epochs: 2
   device: cpu
   fleet_mode: ps
diff --git a/models/demo/online_learning/online_learning_runner.py b/models/demo/online_learning/online_learning_runner.py
index 67e382df5d33e148c053d9f2f53e74375b7e6d64..fa4e505ba5ff8b77c95a05c0a4f190ccb8b1909b 100644
--- a/models/demo/online_learning/online_learning_runner.py
+++ b/models/demo/online_learning/online_learning_runner.py
@@ -28,46 +28,6 @@ from paddlerec.core.trainers.framework.runner import RunnerBase
 logging.basicConfig(
     format='%(asctime)s - %(levelname)s: %(message)s', level=logging.INFO)
 
-__all__ = [
-    "RunnerBase", "SingleRunner", "PSRunner", "CollectiveRunner", "PslibRunner"
-]
-
-
-def as_numpy(tensor):
-    """
-    Convert a Tensor to a numpy.ndarray, its only support Tensor without LoD information.
-    For higher dimensional sequence data, please use LoDTensor directly.
-
-    Examples:
-        .. code-block:: python
-
-          import paddle.fluid as fluid
-          import numpy
-
-          new_scope = fluid.Scope()
-          with fluid.scope_guard(new_scope):
-              fluid.global_scope().var("data").get_tensor().set(numpy.ones((2, 2)), fluid.CPUPlace())
-          tensor = new_scope.find_var("data").get_tensor()
-          fluid.executor.as_numpy(tensor) # or numpy.array(new_scope.find_var("data").get_tensor())
-
-    Args:
-       tensor(Variable): a instance of Tensor
-
-    Returns:
-        numpy.ndarray
-    """
-    if isinstance(tensor, fluid.core.LoDTensorArray):
-        return [as_numpy(t) for t in tensor]
-    if isinstance(tensor, list):
-        return [as_numpy(t) for t in tensor]
-    assert isinstance(tensor, fluid.core.LoDTensor)
-    lod = tensor.lod()
-    # (todo) need print lod or return it for user
-    if tensor._is_initialized():
-        return np.array(tensor)
-    else:
-        return None
-
 
 class OnlineLearningRunner(RunnerBase):
     def __init__(self, context):
@@ -86,8 +46,6 @@ class OnlineLearningRunner(RunnerBase):
         for day_index in range(len(days)):
             day = days[day_index]
             cur_path = "%s/%s" % (path, str(day))
-            fleet_util.rank0_print("dataset_index=%s, path=%s" %
-                                   (dataset_index, cur_path))
             filelist = fleet.split_files(hdfs_ls([cur_path]))
             dataset = create_dataset(use_var, filelist)
             dataset_list.append(dataset)