diff --git a/tutorials/mobilenetv3_prod/Step6/docs/train_fleet_infer_python.md b/tutorials/mobilenetv3_prod/Step6/docs/train_fleet_infer_python.md
index e69de29bb2d1d6434b8b29ae775ad8c2e48c5391..be18f42ea4b49b3ced8937e8b683219377ebd244 100644
--- a/tutorials/mobilenetv3_prod/Step6/docs/train_fleet_infer_python.md
+++ b/tutorials/mobilenetv3_prod/Step6/docs/train_fleet_infer_python.md
@@ -0,0 +1,90 @@
+# MobileNetV3
+
+## 目录
+
+
+- [1. 简介](#1)
+- [2. 分布式训练](#2)
+    - [2.1 单机多卡训练](#2.1)
+    - [2.2 多机多卡训练](#2.2)
+- [3. FAQ](#3)
+
+
+<a name="1"></a>
+
+## 1. 简介
+
+飞桨分布式从产业实践出发，提供包括数据并行、模型并行和流水线并行等在内的完备的并行能力，提供简单易用地分布式训练接口和丰富的底层通信原语，赋能用户业务发展。
+
+本文，我们以最常用的数据并行为例，介绍LInux GPU多机多卡从训练到推理的使用。
+
+<a name="2"></a>
+
+## 2. 分布式训练
+
+<a name="2.1"></a>
+
+### 2.1 单机多卡训练
+
+当使用单机多卡时，可以通过如下的命令启动分布式训练任务：
+
+```shell
+python -m paddle.distributed.launch --gpus="0,1" train.py
+```
+
+其中，``--gpus``选项指定用户分布式训练使用的GPU卡。
+
+<a name="2.2"></a>
+
+### 2.2 多机多卡训练
+
+1. 我们以2台机器为例，说明如何启动多机多卡分布式训练任务。假设两台机器的ip地址分别为192.168.0.1和192.168.0.2。
+  
+  首先，我们需要确保两台机器间的网络是互通的，可以通过``ping``命令验证机器间网络的互通性，如下所示：
+  
+  ```shell
+  # 在ip地址为192.168.0.1的机器上
+  ping 192.168.0.2
+  ```
+  
+  接着，我们分别在两台机器上启动分布式任务：
+  
+  ```shell
+  # 在ip地址为192.168.0.1的机器上
+  python -m paddle.distributed.launch --ips="192.168.0.1,192.168.0.2" --gpus="0,1" train.py
+  ```
+  
+  ```shell
+  # 在ip地址为192.168.0.2的机器上
+  python -m paddle.distributed.launch --ips="192.168.0.1,192.168.0.2" --gpus="0,1" train.py
+  ```
+  
+  启动上述命令后，将在控制台上输出类似如下所示的信息：
+  
+  ```shell
+  WARNING 2021-01-04 17:59:08,725 launch.py:314] Not found distinct arguments and compiled with cuda. Default use collective mode
+  launch train in GPU mode
+  INFO 2021-01-04 17:59:08,727 launch_utils.py:472] Local start 2 processes. First process distributed environment info (Only For Debug):
+      +=======================================================================================+
+      |                        Distributed Envs                      Value                    |
+      +---------------------------------------------------------------------------------------+
+      |                 PADDLE_CURRENT_ENDPOINT                 127.0.0.1:17901               |
+      |                     PADDLE_TRAINERS_NUM                        2                      |
+      |                PADDLE_TRAINER_ENDPOINTS         127.0.0.1:17901,127.0.0.1:18846       |
+      |                     FLAGS_selected_gpus                        0                      |
+      |                       PADDLE_TRAINER_ID                        0                      |
+      +=======================================================================================+
+  
+  ...
+  W0104 17:59:19.018365 43338 device_context.cc:342] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.2, Runtime API Version: 9.2
+  W0104 17:59:19.022523 43338 device_context.cc:352] device: 0, cuDNN Version: 7.4.
+  W0104 17:59:23.193490 43338 fuse_all_reduce_op_pass.cc:78] Find all_reduce operators: 161. To make the speed faster, some all_reduce ops are fused during training, after fusion, the number of all_reduce ops is 5.
+  
+  ```
+  
+
+当使用paddle.distributed.launch模块启动分布式任务时，所有日志将保存在./log目录下，日志文件名为workerlog.xx，其中xx为整数；每个卡训练进程对应一个日志文件。
+
+<a name="3"></a>
+
+## 3. FAQ