diff --git a/doc/DEPLOY.md b/doc/DEPLOY.md
index 32757c34a832ba2e5f82167792b185c2830f099d..ff843d67d4952d3a22a2f0fad9db3a99a7520605 100644
--- a/doc/DEPLOY.md
+++ b/doc/DEPLOY.md
@@ -1,7 +1,7 @@
# PaddlePaddle分布式训练和Serving流程化部署
-* [ 1.分布式训练](#head0)
- * [ 1.1集群配置](#head1)
+* [ 1. 分布式训练](#head0)
+ * [ 1.1 集群配置](#head1)
* [1.1.1 创建集群](#head2)
* [1.2.1 配置集群环境](#head3)
* [1.2 配置开发机环境](#head4)
@@ -26,9 +26,9 @@
* [2.3.2 拷贝可执行文件到物理机](#head23)
* [2.3.3 启动cube-builder](#head24)
* [2.3.3.1 接入配送流程](#head25)
- * [ 2.3.3.2单机builder](#head26)
- * [base模式 ](#head27)
- * [ delta模式](#head28)
+ * [2.3.3.2 单机builder](#head26)
+ * [base模式 ](#head27)
+ * [delta模式](#head28)
* [2.3.4 seqfile工具](#head29)
* [2.4 cube-transfer部署](#head30)
* [2.4.1 cube-transfer配置修改](#head31)
@@ -51,7 +51,7 @@
* [3.2.2 Client编译与部署](#head48)
* [3.2.2.1 配置修改](#head49)
* [3.2.2.2 运行服务](#head50)
-
+---
在搜索、推荐、在线广告等业务场景中，embedding参数的规模常常非常庞大，达到数百GB甚至T级别；训练如此规模的模型需要用到多机分布式训练能力，将参数分片更新和保存；另一方面，训练好的模型，要应用于在线业务，也难以单机加载。Paddle Serving提供大规模稀疏参数读写服务，用户可以方便地将超大规模的稀疏参数以kv形式托管到参数服务，在线预测只需将所需要的参数子集从参数服务读取回来，再执行后续的预测流程。
@@ -75,11 +75,11 @@
-## 1.分布式训练
+## 1. 分布式训练
分布式训练采用[volcano](https://github.com/volcano-sh/volcano)开源框架以及云平台实现，文档中以[百度智能云](https://cloud.baidu.com/?from=console)以及CTR预估模型为例，演示如何实现大规模稀疏参数模型的分布式训练。
-### 1.1集群配置
+### 1.1 集群配置
#### 1.1.1 创建集群
@@ -440,11 +440,11 @@ $ tree
拷贝bin/cube-builder和cube-transfer程序到同一机器。
相关参数已经封装好，只需要在cube-transfer的conf/transfer.conf里配置好cube-builder的地址、源数据和建库数据output的地址即可， 执行cube-transfer时会通过配置文件中的路径调用cube-builder，所以通常不需要手动执行cube-builder。
-##### 2.3.3.2单机builder
+##### 2.3.3.2 单机builder
**假设分片数为2，词典名为test**
-###### base模式
+###### base模式
启动cube-builder命令，参数中的路径需要为绝对路径