diff --git a/ltr/README.md b/ltr/README.md
index 8d78c220a1b863534272006d821e74f28df2803b..bd2122f44381bb8a94882006a4840c18512f5a86 100644
--- a/ltr/README.md
+++ b/ltr/README.md
@@ -11,10 +11,9 @@
 排序学习技术随着互联网的快速增长而受到越来越多关注，是机器学习中的常见任务。一方面人工排序规则不能处理海量规模的候选数据，另一方面无法为不同渠道的候选数据给于合适的权重，因此排序学习在日常生活中应用非常广泛。排序学习起源于信息检索领域，目前仍然是许多信息检索场景中的核心模块，例如搜索引擎搜索结果排序，推荐系统候选集排序，在线广告排序等等。在本例子中，采用文档检索阐述排序学习模型。
 
 <p align="center">
-
-<img src="search-engine-example.png", style="width: 400px;">
-
-<br/>图1 排序模型在文档检索的典型应用搜索引擎中的作用</p>
+<img src="image/search-engine-example.png" width="50%" ><br/>
+图1. 排序模型在文档检索的典型应用搜索引擎中的作用
+</p>
 
 假定有一组文档S，文档检索任务是依据和请求的相关性，给出文档排列顺序。查询引擎根据查询请求，排序模型会给每个文档打出分数，依据打分情况倒序排列文档，得到查询结果。在训练模型时，给定一条查询，并给出对应的文档最佳排序和得分。在预测时候，给出查询请求，排序模型生成文档排序。传统的排序学习方法划分为以下三类：
 
@@ -30,14 +29,13 @@
 
   Listwise方法是直接优化排序列表，输入为单条样本为一个文档排列。通过构造合适的度量函数衡量当前文档排序和最优排序差值，优化度量函数得到排序模型。由于度量函数很多具有非连续性，优化困难。
 
-  <p align="center">
-
-  <img src="learningToRank.jpg", style="width :500px;">
-
-  <br />图2 排序模型三类构造方法</p>
-
   ​
 
+<p align="center">
+<img src="image/learningtorank.jpg" width="70%" ><br/>
+图2. 排序模型构造的三类方法
+</p>
+
 ## 实验数据
 
 本例子中的实验数据采用了排序学习中的基准数据[LETOR]([http://research.microsoft.com/en-us/um/beijing/projects/letor/LETOR4.0/Data/MQ2007.rar](http://research.microsoft.com/en-us/um/beijing/projects/letor/LETOR4.0/Data/MQ2007.rar))中语料库，部分来自于Gov2网站的查询请求结果，包含了约1700条查询请求结果文档列表，并对文档相关性做出了人工标注。其中，一条查询含有唯一的查询id，对应于多个具有相关性的文档，构成了一次查询请求结果文档列表。每个文档由一个一维数组的特征向量表示，并对应一个人工标注与查询的相关性分数。
@@ -50,7 +48,7 @@ score : query id : feature1, feature2, …., featureN.
 
 `mq2007`数据集分别提供了三种类型排序模型的生成格式，需要指定生成格式`format`
 
-例如
+例如调用接口
 
 ```python
 pairwise_train_dataset = functools.partial(paddle.dataset.mq2007.train, format="pairwise")
@@ -60,8 +58,6 @@ for label, left_doc, right_doc in pairwise_train_dataset():
 
 
 
-
-
 ## 模型概览
 
 对于排序模型，本样例中提供了PairWise方法的模型RankNet和ListWise方法的模型LambdaRank，分别代表了两类学习方法。PointWise方法的排序模型退化为回归问题，不予赘述。
@@ -101,12 +97,9 @@ $$C=\frac{1}{2}(1-S_{i,j})\sigma (s_{i}-s{j})+log(1+e^{-\sigma (s_{i}-s_{j})})$$
 根据以上推论构造RankNet网络结构，由若干层隐藏层和全连接层构成，如图所示，将文档特征使用隐藏层，全连接层逐层变换，完成了底层特征空间到高层特征空间的变换。其中docA和docB结构对称，分别输入到最终的RankCost层中。
 
 <p align="center">
-
-<img src="ranknet.jpg", style="width:400px">
-
-<br />图3 RankNet网络结构示意图</p>
-
-
+<img src="image/ranknet.jpg" width="70%" ><br/>
+图3. RankNet网络结构示意图
+</p>
 
 - 全连接层(fully connected layer) : 指上一层中的每个节点都连接到下层网络。本例子中同样使用paddle.layer.fc实现，注意输入到RankCost层的全连接层输出为1x1的层结构
 - RankCost层： RankCost层是排序网络RankNet的核心，度量docA相关性是否比docB好，给出预测值并和label比较。使用了交叉熵(cross enctropy)作为度量损失函数，使用梯度下降方法进行优化。细节可见[RankNet](http://icml.cc/2015/wp-content/uploads/2015/06/icml_ranking.pdf)[4]
@@ -227,10 +220,9 @@ $$\lambda _{i,j}=\frac{\partial C}{\partial s_{i}}=-\frac{\sigma }{1+e^{\sigma (
 由以上推导可知，LambdaRank网络结构和RankNet结构非常相似。如图所示
 
 <p align="center">
-
-<img src="lambdarank.jpg", style="width : 500px">
-
-<br/> 图4. LambdaRank的网络结构示意图</p>
+<img src="image/lambdarank.jpg" width="70%" ><br/>
+图4. LambdaRank的网络结构示意图
+</p>
 
 一个查询得到的结果文档列表作为一条样本输入到网络中，替换RankCost为LambdaCost层，其他结构与RankNet相同。
 
diff --git a/ltr/image/hashring.png b/ltr/image/hashring.png
new file mode 100644
index 0000000000000000000000000000000000000000..1879aabda5beba02dc7b25475516f21aaac4b21b
Binary files /dev/null and b/ltr/image/hashring.png differ
diff --git a/ltr/lambdarank.jpg b/ltr/image/lambdarank.jpg
similarity index 100%
rename from ltr/lambdarank.jpg
rename to ltr/image/lambdarank.jpg
diff --git a/ltr/learningToRank.jpg b/ltr/image/learningToRank.jpg
similarity index 100%
rename from ltr/learningToRank.jpg
rename to ltr/image/learningToRank.jpg
diff --git a/ltr/ranknet.jpg b/ltr/image/ranknet.jpg
similarity index 100%
rename from ltr/ranknet.jpg
rename to ltr/image/ranknet.jpg
diff --git a/ltr/search-engine-example.png b/ltr/image/search-engine-example.png
similarity index 100%
rename from ltr/search-engine-example.png
rename to ltr/image/search-engine-example.png