diff --git a/docs/source/train.md b/docs/source/train.md
index 85dd4af0b..863042fd8 100644
--- a/docs/source/train.md
+++ b/docs/source/train.md
@@ -2,9 +2,9 @@
 
 ## train_config
 
-- log_step_count_steps: 200    # 每200步打印一行log
+- log_step_count_steps: 200 # 每 200 步打印一行 log
 
-- optimizer_config     # 优化器相关的参数
+- optimizer_config # 优化器相关的参数
 
   ```protobuf
   {
@@ -21,9 +21,11 @@
   ```
 
   - 多优化器支持:
-    - 可以配置两个optimizer, 分别对应embedding权重和dense权重;
-    - 实现参考EasyRecModel.get_grouped_vars和multi_optimizer.MultiOptimizer;
+
+    - 可以配置两个 optimizer, 分别对应 embedding 权重和 dense 权重;
+    - 实现参考 EasyRecModel.get_grouped_vars 和 multi_optimizer.MultiOptimizer;
     - 示例(samples/model_config/deepfm_combo_on_avazu_embed_adagrad.config):
+
       ```protobuf
       train_config {
         ...
@@ -51,49 +53,51 @@
            }
          }
       ```
-    - Note: [WideAndDeep](./models/wide_and_deep.md)模型的optimizer设置:
-      - 设置两个optimizer时, 第一个optimizer仅用于wide参数;
-      - 如果要给deep embedding单独设置optimizer, 需要设置3个optimizer.
 
-- sync_replicas: true  # 是否同步训练，默认是false
+    - Note: [WideAndDeep](./models/wide_and_deep.md)模型的 optimizer 设置:
+      - 设置两个 optimizer 时, 第一个 optimizer 仅用于 wide 参数;
+      - 如果要给 deep embedding 单独设置 optimizer, 需要设置 3 个 optimizer.
+
+- sync_replicas: true # 是否同步训练，默认是 false
 
-  - 使用SyncReplicasOptimizer进行分布式训练(同步模式)
-  - 仅在train_distribute为NoStrategy时可以设置成true，其它情况应该设置为false
-  - PS异步训练也设置为false
+  - 使用 SyncReplicasOptimizer 进行分布式训练(同步模式)
+  - 仅在 train_distribute 为 NoStrategy 时可以设置成 true，其它情况应该设置为 false
+  - PS 异步训练也设置为 false
+  - 注意在设置为 true 时，总共的训练步数为：min(total_sample_num \* num_epochs / batch_size, num_steps) / num_workers
 
-- train_distribute: 默认不开启Strategy(NoStrategy), strategy确定分布式执行的方式, 可以分成两种模式: PS-Worker模式 和 All-Reduce模式
+- train_distribute: 默认不开启 Strategy(NoStrategy), strategy 确定分布式执行的方式, 可以分成两种模式: PS-Worker 模式 和 All-Reduce 模式
 
-  - PS-Worker模式:
-    - NoStrategy: 根据sync_replicas的取值决定采用同步或者异步训练
-      - sync_replicas=true，采用ps worker同步训练
-        - 注意: 该模式容易导致ps存在通信瓶颈, 建议用混合并行的模式进行同步训练
-      - sync_replicas=false, 采用ps worker异步训练
-  - All-Reduce模式:
+  - PS-Worker 模式:
+    - NoStrategy: 根据 sync_replicas 的取值决定采用同步或者异步训练
+      - sync_replicas=true，采用 ps worker 同步训练
+        - 注意: 该模式容易导致 ps 存在通信瓶颈, 建议用混合并行的模式进行同步训练
+      - sync_replicas=false, 采用 ps worker 异步训练
+  - All-Reduce 模式:
     - 数据并行:
-      - MirroredStrategy: 单机多卡模式，仅在PAI上可以使用，本地和EMR上不能使用
-      - MultiWorkerMirroredStrategy: 多机多卡模式，在TF版本>=1.15时可以使用
-      - HorovodStragtegy: horovod多机多卡并行, 需要安装horovod
-    - 混合并行: 数据并行 + Embedding分片, 需要安装horovod
-      - EmbeddingParallelStrategy: 在horovod多机多卡并行的基础上, 增加了Embedding分片的功能
-      - SokStrategy: 在horovod多机多卡并行的基础上, 增加了[SOK](https://github.com/NVIDIA-Merlin/HugeCTR/tree/main/sparse_operation_kit) Key-Value Embedding和Embedding分片的功能
-        - 注意: 该模式仅支持GPU模式, 需要安装SOK.
+      - MirroredStrategy: 单机多卡模式，仅在 PAI 上可以使用，本地和 EMR 上不能使用
+      - MultiWorkerMirroredStrategy: 多机多卡模式，在 TF 版本>=1.15 时可以使用
+      - HorovodStragtegy: horovod 多机多卡并行, 需要安装 horovod
+    - 混合并行: 数据并行 + Embedding 分片, 需要安装 horovod
+      - EmbeddingParallelStrategy: 在 horovod 多机多卡并行的基础上, 增加了 Embedding 分片的功能
+      - SokStrategy: 在 horovod 多机多卡并行的基础上, 增加了[SOK](https://github.com/NVIDIA-Merlin/HugeCTR/tree/main/sparse_operation_kit) Key-Value Embedding 和 Embedding 分片的功能
+        - 注意: 该模式仅支持 GPU 模式, 需要安装 SOK.
 
-- num_gpus_per_worker: 仅在MirrorredStrategy, MultiWorkerMirroredStrategy, PSStrategy的时候有用
+- num_gpus_per_worker: 仅在 MirrorredStrategy, MultiWorkerMirroredStrategy, PSStrategy 的时候有用
 
 - num_steps: 1000
 
   - 总共训练多少轮
-  - num_steps = total_sample_num * num_epochs / batch_size / num_workers
+  - num_steps = total_sample_num \* num_epochs / batch_size / num_workers
 
-- fine_tune_checkpoint: 需要restore的checkpoint路径，也可以是包含checkpoint的目录，如果目录里面有多个checkpoint，将使用最新的checkpoint
+- fine_tune_checkpoint: 需要 restore 的 checkpoint 路径，也可以是包含 checkpoint 的目录，如果目录里面有多个 checkpoint，将使用最新的 checkpoint
 
-- fine_tune_ckpt_var_map: 需要restore的参数列表文件路径，文件的每一行是{variable_name in current model}\\t{variable name in old model ckpt}
+- fine_tune_ckpt_var_map: 需要 restore 的参数列表文件路径，文件的每一行是{variable_name in current model}\\t{variable name in old model ckpt}
 
-  - 需要设置fine_tune_ckpt_var_map的情形:
-    - current ckpt和old ckpt不完全匹配, 如embedding的名字不一样:
+  - 需要设置 fine_tune_ckpt_var_map 的情形:
+    - current ckpt 和 old ckpt 不完全匹配, 如 embedding 的名字不一样:
       - old: input_layer/shopping_level_embedding/embedding_weights
       - new: input_layer/shopping_embedding/embedding_weights
-    - 仅需要restore old ckpt里面的部分variable, 如embedding_weights
+    - 仅需要 restore old ckpt 里面的部分 variable, 如 embedding_weights
   - 可以通过下面的文件查看参数列表
 
   ```python
@@ -106,15 +110,15 @@
     print(key)
   ```
 
-- save_checkpoints_steps: 每隔多少步保存一次checkpoint, 默认是1000。当训练数据量很大的时候，这个值要设置大一些
+- save_checkpoints_steps: 每隔多少步保存一次 checkpoint, 默认是 1000。当训练数据量很大的时候，这个值要设置大一些
 
-- save_checkpoints_secs: 每隔多少s保存一次checkpoint, 不可以和save_checkpoints_steps同时指定
+- save_checkpoints_secs: 每隔多少 s 保存一次 checkpoint, 不可以和 save_checkpoints_steps 同时指定
 
-- keep_checkpoint_max: 最多保存多少个checkpoint, 默认是10。当模型较大的时候可以设置为5，可节约存储
+- keep_checkpoint_max: 最多保存多少个 checkpoint, 默认是 10。当模型较大的时候可以设置为 5，可节约存储
 
-- log_step_count_steps: 每隔多少轮，打印一次训练信息，默认是10
+- log_step_count_steps: 每隔多少轮，打印一次训练信息，默认是 10
 
-- save_summary_steps: 每隔多少轮，保存一次summary信息，默认是1000
+- save_summary_steps: 每隔多少轮，保存一次 summary 信息，默认是 1000
 
 - 更多参数请参考[easy_rec/python/protos/train.proto](./reference.md)
 
@@ -126,15 +130,15 @@
 python -m easy_rec.python.train_eval --pipeline_config_path dwd_avazu_ctr_deepmodel.config
 ```
 
-- --pipeline_config_path: config文件路径
-- --continue_train: restore之前的checkpoint，继续训练
-- --model_dir: 如果指定了model_dir将会覆盖config里面的model_dir，一般在周期性调度的时候使用
-- --edit_config_json: 使用json的方式对config的一些字段进行修改，如:
+- --pipeline_config_path: config 文件路径
+- --continue_train: restore 之前的 checkpoint，继续训练
+- --model_dir: 如果指定了 model_dir 将会覆盖 config 里面的 model_dir，一般在周期性调度的时候使用
+- --edit_config_json: 使用 json 的方式对 config 的一些字段进行修改，如:
   ```bash
   --edit_config_json='{"train_config.fine_tune_checkpoint": "experiments/ctr/model.ckpt-50"}'
   ```
-- Extend Args: 命令行参数修改config, 类似edit_config_json
-  - 支持train_config.*, eval_config.*, data_config.*, feature_config.*
+- Extend Args: 命令行参数修改 config, 类似 edit_config_json
+  - 支持 train*config.*, eval*config.*, data*config.*, feature*config.*
   - 示例:
   ```bash
   --train_config.fine_tune_checkpoint=experiments/ctr/model.ckpt-50
@@ -158,28 +162,28 @@ pai -name easy_rec_ext -project algo_public
 
 - -Dtrain_tables: 训练表，可以指定多个，逗号分隔
 - -Deval_tables: 评估表，可以指定多个，逗号分隔
-- -Dcluster: 定义PS的数目和worker的数目，如果设置了--eval_method=separate，有一个worker将被用于做评估
+- -Dcluster: 定义 PS 的数目和 worker 的数目，如果设置了--eval_method=separate，有一个 worker 将被用于做评估
 - -Dconfig: 训练用的配置文件
 - -Dcmd: train   模型训练
 - -Deval_method: 训练时需要评估, 可选参数:
-  - separate: 有一个worker被单独用来做评估(不参与训练)
+  - separate: 有一个 worker 被单独用来做评估(不参与训练)
   - none: 不需要评估
-  - master: 在master结点上做评估，master结点也参与训练
-- -Darn: rolearn  注意这个的arn要替换成客户自己的。可以从dataworks的设置中查看arn。
-- -DossHost: ossHost地址
-- -Dbuckets: config所在的bucket和保存模型的bucket; 如果有多个bucket，逗号分割
+  - master: 在 master 结点上做评估，master 结点也参与训练
+- -Darn: rolearn   注意这个的 arn 要替换成客户自己的。可以从 dataworks 的设置中查看 arn。
+- -DossHost: ossHost 地址
+- -Dbuckets: config 所在的 bucket 和保存模型的 bucket; 如果有多个 bucket，逗号分割
 - -Dselected_cols 表里面用于训练和评估的列, 有助于提高训练速度
-- -Dmodel_dir: 如果指定了model_dir将会覆盖config里面的model_dir，一般在周期性调度的时候使用。
-- -Dedit_config_json: 使用json的方式对config的一些字段进行修改，如:
+- -Dmodel_dir: 如果指定了 model_dir 将会覆盖 config 里面的 model_dir，一般在周期性调度的时候使用。
+- -Dedit_config_json: 使用 json 的方式对 config 的一些字段进行修改，如:
   ```sql
   -Dedit_config_json='{"train_config.fine_tune_checkpoint": "oss://easyrec/model.ckpt-50"}'
   ```
-- 如果是pai内部版,则不需要指定arn和ossHost, arn和ossHost放在-Dbuckets里面
+- 如果是 pai 内部版,则不需要指定 arn 和 ossHost, arn 和 ossHost 放在-Dbuckets 里面
   - -Dbuckets=oss://easyrec/?role_arn=acs:ram::xxx:role/ev-ext-test-oss&host=oss-cn-beijing-internal.aliyuncs.com
 
 ### On DLC
 
-- 基于Kubeflow的云原生的训练方式
+- 基于 Kubeflow 的云原生的训练方式
 - [参考文档](./quick_start/dlc_tutorial.md)
 
 ### On EMR
@@ -189,11 +193,11 @@ pai -name easy_rec_ext -project algo_public
 
 ## 混合并行(EmbeddingParallel)
 
-混合并行模式下Embedding参数会分片, 均匀分布到各个worker上, 通过all2all的通信方式来聚合不同worker上的Embedding。MLP参数在每个worker上都有完整的一份复制, 在参数更新时，会通过allreduce的方式同步不同worker的更新。
+混合并行模式下 Embedding 参数会分片, 均匀分布到各个 worker 上, 通过 all2all 的通信方式来聚合不同 worker 上的 Embedding。MLP 参数在每个 worker 上都有完整的一份复制, 在参数更新时，会通过 allreduce 的方式同步不同 worker 的更新。
 
 ### 依赖
 
-- 混合并行使用Horovod做底层的通信, 因此需要安装Horovod, 可以直接使用下面的镜像
+- 混合并行使用 Horovod 做底层的通信, 因此需要安装 Horovod, 可以直接使用下面的镜像
 - mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:sok-tf212-gpus-v5
   ```
     sudo docker run --gpus=all --privileged -v /home/easyrec/:/home/easyrec/ -ti mybigpai-public-registry.cn-beijing.cr.aliyuncs.com/easyrec/easyrec:sok-tf212-gpus-v5 bash
@@ -201,7 +205,7 @@ pai -name easy_rec_ext -project algo_public
 
 ### 配置
 
-- 修改train_config.train_distribute为EmbeddingParallelStrategy
+- 修改 train_config.train_distribute 为 EmbeddingParallelStrategy
   ```
    train_config {
       ...
@@ -209,7 +213,7 @@ pai -name easy_rec_ext -project algo_public
       ...
    }
   ```
-- 如使用key-Value Embedding, 需要设置model_config.ev_params
+- 如使用 key-Value Embedding, 需要设置 model_config.ev_params
   ```
   model_config {
     ...
@@ -229,7 +233,7 @@ pai -name easy_rec_ext -project algo_public
   ```
      CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 python -m easy_rec.python.eval --pipeline_config_path samples/model_config/dlrm_on_criteo_parquet_ep_v2.config
   ```
-  - 注意: 评估目前仅支持单个worker评估
+  - 注意: 评估目前仅支持单个 worker 评估
 - 导出
   ```
     CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 python -m easy_rec.python.export --pipeline_config_path samples/model_config/dlrm_on_criteo_parquet_ep_v2.config --export_dir dlrm_criteo_export/