update 5.3 DEPLOY.MD

doc/DEPLOY.md

@@ -15,6 +15,7 @@
 	* [ 5、模型产出](#head12)
 		* [5.1 模型裁剪](#head13)
 		* [5.2 稀疏参数产出](#head14)
+		* [5.3 搭建HTTP File Server服务](#head141)
 * [ 大规模稀疏参数服务Cube的部署和使用](#head15)
 	* [1. 编译](#head16)
 	* [2. 分片cube server部署](#head17)
@@ -276,7 +277,7 @@ CTR预估模型包含了embedding部分以及dense神经网络两部分，其中
 1. 监视训练脚本所在目录的models文件夹，当发现有子目录`pass-1000`时，表示训练任务完成 (默认训练轮次为1000)
 2. 调用dumper.py，将models/pass-1000/SparseFeatFactors文件转换成seqfile格式，同时生成一个用于让下游cube-transfer下载完整数据的donefile文件，整个目录结构放到HTTP服务目录下，供下游cube-transfer监听进程检测和下载 (详见本文“大规模稀疏参数服务Cube的部署和使用”一节)
 
-#### <span id="head14">5.3 搭建HTTP File Server服务</span>
+#### <span id="head141">5.3 搭建HTTP File Server服务</span>
 
 无论是dense参数还是Sparse参数，在生成之后，都需要以某种方式将文件服务暴露出来。dense参数需要配送给Paddle Serving，稀疏参数需要配速给Cube大规模稀疏参数服务器。
 
@@ -293,10 +294,13 @@ kubectl apply -f fileserver.yaml
 fileserver.yaml 一同包含两个部分，第一个是file server pod的配置，这样可以启动file server的docker镜像，并暴露文件服务端口。第二个是load balancer的配置，这样可以启动load balancer分配公网IP并且映射文件服务端口给公网。
 
 两项配置都执行成功之后，执行
+
 ```bash
 kubectl get pod
 ```
+
 会显示file-server，如下图所示。
+
 ![file_server](./deploy/file_server.png)
 
 ```bash