diff --git a/tutorials/mobilenetv3_prod/Step6/test_tipc/README.md b/tutorials/mobilenetv3_prod/Step6/test_tipc/README.md
index e80dc3abbca6a920bc3f4af21e9aca6d9f044c0c..7250217a0b4c777bbeec8d9beae34bc4f087aa57 100644
--- a/tutorials/mobilenetv3_prod/Step6/test_tipc/README.md
+++ b/tutorials/mobilenetv3_prod/Step6/test_tipc/README.md
@@ -15,11 +15,10 @@
- 模型压缩：包括裁剪、离线/在线量化、蒸馏。
- 其他预测部署：包括Paddle Inference C++预测、Paddle Serving部署、Paddle-Lite部署等。
-| 算法论文 | 模型名称 | 模型类型 | 基础
训练预测 | 更多
训练方式 | 模型压缩 | 其他预测部署 |
-| :--- | :--- | :----: | :--------: | :---- | :---- | :---- |
-| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | 混合精度
| - | - |
-| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | - | PACT量化训练
| - |
-| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | - | 离线量化训练
| - |
+| 算法论文 | 模型名称 | 模型类型 | 基础
训练预测 | 更多
训练方式 | 更多
部署方式 | Slim训练部署 | 更多
训练环境 |
+| :--- | :--- | :----: | :--------: | :---- | :---- | :---- | :---- |
+| MobileNetV3 | mobilenet_v3_small | 分类 | 支持 | 混合精度 | | PACT量化
离线量化 | Windows |
+
## 3. 测试工具简介
@@ -77,4 +76,4 @@ test_tipc
- [Linux XPU2 基础训练推理测试]
- [Linux DCU 基础训练推理测试]
- [Linux NPU 基础训练推理测试]
- - [Windows GPU/CPU 基础训练推理测试]
+ - [Windows GPU/CPU 基础训练推理测试](docs/test_windows_train_inference_python.md)
diff --git a/tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt b/tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt
new file mode 100644
index 0000000000000000000000000000000000000000..144a632e6405a34b209f01651264ab38068a4acc
--- /dev/null
+++ b/tutorials/mobilenetv3_prod/Step6/test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt
@@ -0,0 +1,32 @@
+===========================train_params===========================
+model_name:mobilenet_v3_small
+python:python
+gpu_list:0
+use-gpu:True
+--epochs:lite_train_lite_infer=5|whole_train_whole_infer=90
+--output-dir:./output/
+--batch-size:lite_train_lite_infer=4|whole_train_whole_infer=128
+--pretrained:null
+train_model_name:latest.pdparams
+--data-path:./lite_data
+##
+trainer:norm_train
+norm_train:train.py --workers=0
+##
+===========================eval_params===========================
+eval:train.py --test-only --workers=0
+##
+===========================infer_params===========================
+--save-inference-dir:./output/mobilenet_v3_small_infer/
+--pretrained:
+norm_export:tools/export_model.py --model=mobilenet_v3_small
+##
+train_model:./mobilenet_v3_small_pretrained.pdparams
+infer_export:tools/export_model.py --model=mobilenet_v3_small
+##
+inference:deploy/inference_python/infer.py
+--use-gpu:True|False
+--batch-size:1
+--model-dir:./output/mobilenet_v3_small_infer/
+--img-path:./images/demo.jpg
+--benchmark:True
\ No newline at end of file
diff --git a/tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md b/tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md
new file mode 100644
index 0000000000000000000000000000000000000000..e1e7631d66189d06b6fceeffb8ee7a379cc960d7
--- /dev/null
+++ b/tutorials/mobilenetv3_prod/Step6/test_tipc/docs/test_windows_train_inference_python.md
@@ -0,0 +1,96 @@
+# Windows GPU/CPU 基础训练推理测试
+
+Windows GPU/CPU 基础训练推理测试的主程序为`test_train_inference_python.sh`，可以测试基于Python的模型训练、评估、推理等基本功能。
+在Windows平台上执行命令和Linux平台略有不同，主要体现在：下载与解压数据、设置环境变量、数据加载等方面。此外Windows平台只支持单卡的训练与预测，DataLoader只支持单进程模式，因此需要设置 workers 为0。
+
+## 1. 测试结论汇总
+
+- 训练相关：
+
+| 算法名称 | 模型名称 | 单机单卡 | 单机多卡 |
+| :----: | :----: | :----: | :----: |
+| MobileNetV3 | mobilenet_v3_small | 正常训练 | 不支持 |
+
+
+- 推理相关：
+
+| 算法名称 | 模型名称 | device_CPU | device_GPU | batchsize |
+| :----: | :----: | :----: | :----: | :----: |
+| MobileNetV3 | mobilenet_v3_small | 支持 | 支持 | 1 |
+
+
+## 2. 测试流程
+
+### 2.1 准备数据
+
+用于基础训练推理测试的数据位于`test_images/lite_data.tar`，直接解压即可（如果已经解压完成，则无需运行下面的命令）。
+
+```bash
+python -c "import shutil;shutil.unpack_archive('test_images/lite_data.tar', extract_dir='./',format='tar')"
+```
+
+执行该命令后，会在当前路径下解压出对应的数据集文件夹`lite_data`
+
+### 2.2 准备预训练模型
+
+使用下面的命令下载 MobileNetV3 预训练模型，便于后续测试模型评估、预测、推理部署等功能。
+
+```bash
+pip install wget
+python -c "import wget;wget.download('https://paddle-model-ecology.bj.bcebos.com/model/mobilenetv3_reprod/mobilenet_v3_small_pretrained.pdparams')"
+```
+
+### 2.3 准备环境
+
+- 安装PaddlePaddle：如果您已经安装了2.2或者以上版本的paddlepaddle，那么无需运行下面的命令安装paddlepaddle。
+ ```
+ # 需要安装2.2及以上版本的Paddle
+ # 安装GPU版本的Paddle
+ pip install paddlepaddle-gpu==2.2.0
+ # 安装CPU版本的Paddle
+ pip install paddlepaddle==2.2.0
+ ```
+
+- 安装依赖
+ ```
+ pip install -r requirements.txt
+ ```
+
+- 安装AutoLog（规范化日志输出工具）
+ ```
+ pip install https://paddleocr.bj.bcebos.com/libs/auto_log-1.2.0-py3-none-any.whl
+ ```
+- 安装 Git
+ 在windows下想要执行shell脚本，需要使用到"Git Bash"，所以需要先安装Git，具体可百度搜索安装方法。
+
+### 2.4 功能测试
+
+测试方法如下所示，希望测试不同的模型文件，只需更换为自己的参数配置文件，即可完成对应模型的测试。
+
+```bash
+bash test_tipc/test_train_inference_python.sh ${your_params_file} lite_train_lite_infer
+```
+
+以`mobilenet_v3_small`的`Windows GPU/CPU 基础训练推理测试`为例，命令如下所示。
+
+```bash
+bash test_tipc/test_train_inference_python.sh test_tipc/configs/mobilenet_v3_small/win_train_infer_python.txt lite_train_lite_infer
+```
+
+输出结果如下，表示命令运行成功。
+
+```bash
+Run successfully with command - python train.py --workers=0 --output-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --epochs=5 --batch-size=4!
+......
+Run successfully with command - python deploy/inference_python/infer.py --use-gpu=False --model-dir=./log/mobilenet_v3_small/lite_train_lite_infer/norm_train_gpus_0 --batch-size=1 --benchmark=True > ./log/mobilenet_v3_small/lite_train_lite_infer/python_infer_cpu_batchsize_1.log 2>&1 !
+```
+
+在开启benchmark参数时，可以得到测试的详细数据，包含运行环境信息（系统版本、CUDA版本、CUDNN版本、驱动版本），Paddle版本信息，参数设置信息（运行设备、线程数、是否开启内存优化等），模型信息（模型名称、精度），数据信息（batchsize、是否为动态shape等），性能信息（CPU,GPU的占用、运行耗时、预处理耗时、推理耗时、后处理耗时），如下图所示
+
+
+
+
+训练配置参数（点击以展开详细内容或者折叠）
+
+
+
+| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
+|----|-------------------------------------|---------------|-----------|-------------|----------------------------------|
+| 2 | model_name:mobilenet_v3_small | 模型名字 | 否 | 是 | value修改为自己的模型名字 |
+| 3 | python:python | python环境 | 否 | 是 | value修改为自己的python环境 |
+| 4 | gpu_list:0 | gpu id | 否 | 是 | value修改为自己的GPU ID |
+| 5 | use-gpu:True | 是否使用GPU | 是 | 是 | key修改为设置GPU的内容，value修改为设置GPU的值 |
+| 6 | --epochs:lite_train_lite_infer=5 | 迭代的epoch数目 | 是 | 否 | key修改为代码中设置epoch数量的内容 |
+| 7 | --output-dir:./output/ | 输出目录 | 是 | 否 | key修改为代码中设置输出路径的内容 |
+| 8 | --batch-size:lite_train_lite_infer=4 | 训练的batch size | 是 | 否 | key修改为代码中设置batch size的内容 |
+| 9 | --pretrained:null | 预训练模型 | 是 | 是 | 如果训练时指定了预训练模型，则key和value需要对应修改 |
+| 10 | train_model_name:latest.pdparams | 训练结果的模型名字 | 否 | 是 | value需要修改为训练完成之后保存的模型名称，用于后续的动转静 |
+| 11 | --data-path:./lite_data | 数据集路径 | 是 | 是 | key和value需要对应修改为指定的数据集路径 |
+
+
+
+以训练命令`python train.py --device=gpu --epochs=2 --data-path=./lite_data --lr=0.001 --workers=0`为例，总共包含5个超参数。
+
+* 运行设备：`--device=gpu`，则需要修改为配置文件的第5行，`key`为`--device`， `value`为`gpu`，修改后内容为`--device:gpu`
+* 迭代轮数：`--epochs=2`，则需要修改配置文件的第6行，修改后内容为`--epochs:lite_train_lite_infer=2`（`lite_train_lite_infer`为模式设置，表示少量数据训练，少量数据推理，此处无需修改）
+* 数据路径：`--data-path=./lite_data`，则需要修改为配置文件的第11行，修改后内容为`--data-path:./lite_data`
+* 学习率：`--lr=0.001`，由于配置文件中不包含该项配置，因此可以将其和`train.py`字段（配置文件第14行）放在一起，具体会在2.2.2节详细说明。
+* 进程数：`--workers=0`，由于配置文件中不包含该项配置，因此可以将其和`train.py`字段（配置文件第14行）放在一起，具体会在2.2.2节详细说明。
+
+#### 2.2.2 训练命令配置参数
+
+下面给出了配置文件中的训练命令配置参数（点击以展开详细内容或者折叠）
+
+
+训练命令配置参数（点击以展开详细内容或者折叠）
+
+
+| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
+|----|---------------------------------------------|-----------------|-----------|-------------|-------------------|
+| 13 | trainer:norm_train | 训练方法 | 否 | 否 | - |
+| 14 | norm_train:train.py | norm_train的训练脚本 | 否 | 是 | value可以修改为自己的训练命令 |
+
+
+
+以训练命令`python train.py --device=gpu --epochs=1 --data-path=./lite_data --lr=0.001 --workers=0`为例，该命令是正常训练（非裁剪、量化、蒸馏等方式），因此
+
+* 配置文件的第13行直接写`norm_train`即可。
+* 第14行配置`norm_train`的具体运行脚本/入口，即上述命令中的`train.py`因此配置文件的14行内容初步可以修改为`norm_train:train.py`，考虑到`--lr=0.001`超参数无法在配置文件中配置，因此可以在这里添加，同样，由于在Windows平台，DataLoader只支持单进程模式，因此需要设置 `--workers=0`，修改后内容为`norm_train:train.py --lr=0.001 --workers=0`
+
+#### 2.2.3 模型动转静配置参数
+
+下面给出了配置文件中的模型动转静配置参数。
+
+**【注意】：** 在模型动转静过程中，为方便管理输入输出，程序会自动指定输入和输出目录，因此我们只需要提供可以配置输入输出目录的参数即可。
+
+
+模型动转静配置参数（点击以展开详细内容或者折叠）
+
+| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
+|----|------------------|-----------|-----------|-------------|-------------------------|
+| 20 | --save-inference-dir:./output/mobilenet_v3_small_infer/ | 动转静输出目录 | 是 | 否 | key修改为代码中设置输出目录的内容 |
+| 21 | --pretrained: | 预训练模型路径 | 是 | 否 | key修改为代码中可以设置预训练模型路径的内容 |
+| 22 | norm_export:tools/export_model.py | 模型动转静导出命令 | 否 | 是 | value修改为实际的动转静导出命令 |
+
+
+
+以模型动转静命令`python tools/export_model.py --pretrained=./mobilenet_v3_small_pretrained.pdparams --save-inference-dir="./mobilenet_v3_small_infer" --model=mobilenet_v3_small`为例。
+
+* 预训练模型路径的配置为`--pretrained=./mobilenet_v3_small_pretrained.pdparams`，因此需要将21行修改为`--pretrained:`
+* 动转静保存目录的配置为`--save-inference-dir="./mobilenet_v3_small_infer"`，因此需要将20行修改为`--save-inference-dir:`
+* 模型导出命令为`tools/export_model.py`，考虑到也需要配置`--model=mobilenet_v3_small`，因此可以将22行修改为`norm_export:tools/export_model.py --model=mobilenet_v3_small`
+
+#### 2.2.4 模型推理配置参数
+
+下面给出了配置文件中的模型推理配置参数。
+
+
+模型推理配置参数（点击以展开详细内容或者折叠）
+
+| 行号 | 参考内容 | 含义 | key是否需要修改 | value是否需要修改 | 修改内容 |
+|----|------------------|-----------------|-----------|-------------|-------------|
+| 24 | train_model:./pretrain_models/mobilenet_v3_small_pretrained.pdparams | 训练模型保存路径 | 否 | 否 | |
+| 25 | infer_export:tools/export_model.py --model=mobilenet_v3_small | 推理前是否需要导出 | 否 | 是 | value修改为和22行内容一致即可 |
+| 27 | inference:deploy/inference_python/infer.py | 推理脚本 | 否 | 是 | value修改为自己的推理脚本 |
+| 28 | --use-gpu:True|False | 是否使用GPU | 是 | 是 | key和value修改为GPU设置的参数和值 |
+| 29 | --batch_size:1 | 推理batch size | 是 | 否 | key修改为代码中设置batch size的内容 |
+| 30 | --model-dir:./output/mobilenet_v3_small_infer/ | 推理模型保存路径 | 是 | 否 | key修改为代码中可以设置inference model路径的内容 |
+| 31 | --img-path:./images/demo.jpg | 图片路径或者图片文件夹路径 | 是 | 否 | key修改为代码中设置图片路径的内容 |
+| 32 | --benchmark:True | 是否使用benchmark | 是 | 是 | key和value修改为规范化推理日志输出设置的参数和值 |
+
+
+
+以推理命令`python deploy/inference_python/infer.py --model-dir=./mobilenet_v3_small_infer/ --img-path=./images/demo.jpg`为例。
+
+* 推理的入口脚本为`deploy/inference_python/infer.py`，因此27行需要修改为`inference:deploy/inference_python/infer.py`。
+* Inference模型路径配置为`--model-dir=./mobilenet_v3_small_infer/`，而运行该命令时，会直接基于已经生成的Inference模型，因此30行需要修改为`--model-dir:./mobilenet_v3_small_infer/`
+* 测试图像路径配置为`--img-path=./images/demo.jpg`，因此31行修改为`--img-path:./images/demo.jpg`
+
+
+
+## 3. 基础训练推理功能测试开发
+
+基础训练推理功能测试开发过程主要分为以下6个步骤。
+
+
+
+
+
+