Update DEPLOY.md

doc/DEPLOY.md

@@ -467,6 +467,8 @@ $ cmake -DWITH_GPU=OFF .. # 不需要GPU
 $ make -jN                # 这里可修改并发编译线程数
 $ make install
 $ cd output/demo/serving
+$ ls
+bin  conf  data  kvdb  log
 ```
 
 #### <span id="head34">1.3 配置修改</span>
@@ -559,7 +561,21 @@ Paddle Serving自带了一个可以工作的CTR预估模型，是从BCE上下载
 
 如果只是为了验证demo流程，serving此时已经可以用自带的CTR模型加载模型并提供预测服务能力。
 
-为了应用重新训练的模型，只需要从k8s集群暴露的ftp服务下载新的.tar.gz，解压到data/model/paddle/fluid下，覆盖原来的ctr_prediction目录即可。从K8S集群暴露的ftp服务下载训练模型，请参考文档[PaddlePaddle分布式训练和Serving流程化部署](http://icode.baidu.com/repos/baidu/personal-code/wangguibao/blob/master:ctr-embedding-to-sequencefile/path/to/doc/DISTRIBUTED_TRANING_AND_SERVING.md)
+为了应用重新训练的模型，只需要从k8s集群暴露的ftp服务下载新的ctr_model.tar.gz，解压到data/model/paddle/fluid下，并将内容移至原来的ctr_prediction目录即可：
+```bash
+$ cd data/model/paddle/fluid
+$ wget ${HTTP_SERVICE_IP}:${HTTP_SERVICE_PORT}/data/ctr_model.tar.gz
+$ tar zxvf ctr_model.tar.gz # 假设解压出一个pass-1000目录
+$ rm -rf ctr_prediction     # 删除旧的ctr_prediction目录下内容
+$ cp -r pass-1000/* ctr_prediction
+$ cd ../../../../           # 切换至serving所在目录
+$ ls
+bin  conf  data  kvdb  log
+$ killall serving           # 杀死旧的serving进程
+$ bin/serving &             # 重启serving
+```
+
+从K8S集群暴露的ftp服务下载训练模型，请参考文档[PaddlePaddle分布式训练和Serving流程化部署](http://icode.baidu.com/repos/baidu/personal-code/wangguibao/blob/master:ctr-embedding-to-sequencefile/path/to/doc/DISTRIBUTED_TRANING_AND_SERVING.md)
 
 #### <span id="head39">1.4 启动Serving</span>