diff --git a/gcu_mnist_example/README.md b/gcu_mnist_example/README.md
index 531d0a4..6812796 100644
--- a/gcu_mnist_example/README.md
+++ b/gcu_mnist_example/README.md
@@ -1,119 +1,133 @@
-# 如何在启智平台上进行模型训练 - GCU版本
 
-- 启智集群单数据集的训练，启智集群多数据集的训练，智算集群的单数据集训练，这3个的训练使用方式不同，请注意区分。数据加载方式、模型定义逻辑大致同[手写数字识别GPU版本_PytorchExample](../gpu_mnist_example)项目：
+# 如何在启智平台上进行模型调试和训练—GCU_手写数字识别示例
 
-  - 智算集群的训练示例请参考示例中[train.py](./train.py)的代码注释
-- 智算集群中单/多数据集使用方式：
+## 一 ，数据集及预训练模型准备
 
-  如本示例中数据集MNISTDataset_torch.zip的使用方式是:数据集位于/tmp/dataset/下
+##### 1，数据集说明：
 
-## 1 概述
+数据集可从本项目的数据集中引用，[数据集引用](https://openi.pcl.ac.cn/OpenIOSSG/OpenI_Cloudbrain_Example/datasets)
 
-- 本项目以#LeNet5-MNIST-PyTorch为例，简要介绍如何在启智AI协同平台上使用GCU集群+Pytorch完成训练任务，旨在为AI开发者提供启智训练示例。
-- 用户可以直接使用提供的[MNIST数据集](https://git.openi.org.cn/OpenIOSSG/MNIST_PytorchExample_GPU/datasets?type=0), 和代码文件创建自己的训练任务。
+- MnistDataset_torch数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。
+- MnistDataset_torch.zip数据集压缩包的目录结构如下：
 
-## 2 准备工作
+  > MnistDataset_torch.zip
+  >
+  > ├── test
+  >
+  > └── train
+  >
 
-- 启智平台使用准备，本项目需要用户创建启智平台账户，克隆代码到自己的账户，上传数据集，具体操作方法可以通过访问[OpenI_Learning](https://openi.pcl.ac.cn/zeizei/OpenI_Learning)项目学习小白训练营系列课程进行学习。
+##### 2，预训练模型说明：
 
-### 2.1 数据准备
+Torch_MNIST_Example_Model模型可从本项目的模型目录中引用，[预训练模型引用](https://openi.pcl.ac.cn/OpenIOSSG/OpenI_Cloudbrain_Example/modelmanage/show_model)
 
-#### 数据集获取
+* Torch_MNIST_Example_Model模型的目录结构如下：
 
-- 如果你需要试运行本示例，则无需再次上传数据集，因为示例中的数据集MnistDataset_torch.zip已经设置为公开数据集，可以直接引用。
-- 数据文件说明
+  > Torch_MNIST_Example_Model
+  > ├── mnist_epoch1_0.76.pkl
+  >
 
-  - MNISTData数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。
+## 二. 如何在云脑上获取代码路径，数据集路径，预训练模型路径，输出路径
 
-#### 数据集上传
+##### 1，准备数据
 
-使用GCU进行训练，使用的框架为Pytorch，上传和使用数据集的格式和GPU保存一致，可传到数据集-GPU界面。(此步骤在本示例中不需要，可直接选择公开数据集MNISTDataset_torch.zip)
+```
+from c2net.context import prepare
+c2net_context = prepare()
+```
 
-### 2.2 执行脚本准备
+##### 2，获取代码路径
 
-#### 示例代码
+```
+code_path = c2net_context.code_path +"/" +"项目名"
+在本示例中代码路径为：
+code_path = c2net_context.code_path + "/" + "Openl_Cloudbrain_Example"
+```
 
-- 代码文件说明
+##### 3，获取数据集路径
 
-  - [train.py](./train.py)，用于智算网络训练的脚本文件。
-  - [model.py](./model.py)，使用的训练网络，在单/多数据集训练，智算网络训练中使用到。
+```
+dataset_path = c2net_context.dataset_path +"/" +"数据集名称"
+在本示例中代码路径为：
+dataset_path = c2net_context.dataset_path + "/" + "MnistDataset_torch"
+```
 
-#### 【重点】GCU-Pytorch代码适配
+##### 4，获取预训练模型路径
 
-- GCU初始化
+```
+pretrain_model_path = c2net_context.pretrain_model_path +"/" +"模型名称"
+在本示例中预训练模型路径为：
+pretrain_model_path = c2net_context.pretrain_model_path + "/" + "Torch_MNIST_Example_Model"
+```
 
-  ```
+##### 5，获取输出路径
 
-  def is_torch_dtu_available():
+```
+output_path = c2net_context.output_path 
+在本示例中输出路径为：
+output_path = c2net_context.output_path 
+```
 
-      if importlib.util.find_spec("torch_dtu") is None:
+##### 6，回传结果
 
-          return False
+```
+from c2net.context import upload_output
+upload_output()
+在本示例中回传结果为（只有训练任务才能回传结果）：
+from c2net.context import prepare,upload_output
+upload_output()
+```
 
-      if importlib.util.find_spec("torch_dtu.core") is None:
+## 三.GCU样例准备
 
-          return False
+##### 1，GCU示例代码：
 
-      return importlib.util.find_spec("torch_dtu.core.dtu_model") is not None
+- 训练任务单卡示例请参考示例中[train.py](./train.py)的代码注释
 
+##### 2，创建GCU调试任务
 
+表1创建训练作业界面参数说明
 
-  if is_torch_dtu_available():
+| 参数名称 | 说明                                                                                |
+| -------- | ----------------------------------------------------------------------------------- |
+| 代码分支 | 选择仓库代码中要使用的代码分支，默认可选择master分支                                |
+| 镜像     | 镜像选择含有python和torch的镜像                                                     |
+| 启动文件 | 启动文件选择代码目录下的启动脚本，在本示例中选择gpu_mnist_example/train.py          |
+| 数据集   | 数据集选择MnistDataset_torch.zip                                                    |
+| 运行参数 | 选择增加运行参数可以向脚本中其他参数传值，如epoch_size,需要在代码里定义增加的超参数 |
+| 资源规格 | 规格选择[GCU]                                                                       |
+| 模型     | 模型选择Torch_MNIST_Example_Model                                                   |
 
-      import torch_dtu
+启动调试任务后，先执行prepare()进行数据准备；
 
-      import torch_dtu.distributed as dist
+进入对应的代码目录后，可在终端执行python train.py；
 
-      import torch_dtu.core.dtu_model as dm
+##### 3，创建GCU训练任务
 
-      from torch_dtu.nn.parallel import DistributedDataParallel as torchDDP
+表2 创建训练作业界面参数说明
 
-  ```
-- device计算设备指定
+| 参数名称 | 说明                                                                                |
+| -------- | ----------------------------------------------------------------------------------- |
+| 代码分支 | 选择仓库代码中要使用的代码分支，默认可选择master分支                                |
+| 镜像     | 镜像选择含有python和torch的镜像                                                     |
+| 启动文件 | 启动文件选择代码目录下的启动脚本，在本示例中选择gpu_mnist_example/train.py          |
+| 数据集   | 数据集选择MnistDataset_torch.zip                                                    |
+| 运行参数 | 选择增加运行参数可以向脚本中其他参数传值，如epoch_size,需要在代码里定义增加的超参数 |
+| 资源规格 | 规格选择[GCU]                                                                       |
+| 模型     | 模型选择Torch_MNIST_Example_Model                                                   |
 
-  ```
+启动训练任务后，训练结束会在任务的结果下载页提供输出结果下载
 
-  if is_torch_dtu_available():
+## 四.GCU任务注意事项
 
-      device = dm.dtu_device()
+##### 1, 使用超参数的方法：
 
-  else:
+请在代码中加入
 
-      device = torch.device("cpu")
-
-  ```
-- 优化器更新接口
-
-  ```
-
-  sgd = SGD(model.parameters(), lr=1e-1)
-
-  for _epoch in range(epoch):
-
-      loss.backward()
-
-      if is_torch_dtu_available():
-
-          dm.optimizer_step(sgd, barrier=True)
-
-      else:
-
-          sgd.step()
-
-  ```
-
-## 3 创建训练任务
-
-准备好数据和执行脚本以后，需要创建训练任务将GCU-Pytorch脚本运行。首次使用的用户可参考本示例代码。
-
-启动脚本选择train.py
-
-## 4 查看运行结果
-
-### 4.1 在训练作业界面可以查看运行日志
-
-目前训练任务的日志在代码中print输出，参考示例train.py代码相关print
-
-### 4.2 训练结束后可以下载模型文件
+```
+import parser
+args, unknown = parser.parse_known_args()
+#可忽略掉 `--ckpt_url`，`--data_url`, `--multi_date_url`等参数无定义导致的报错问题
+```
 
 ## 对于示例代码有任何问题，欢迎在本项目中提issue。
diff --git a/gcu_mnist_example/train.py b/gcu_mnist_example/train.py
index ee1867e..aa385bd 100644
--- a/gcu_mnist_example/train.py
+++ b/gcu_mnist_example/train.py
@@ -58,10 +58,11 @@ if __name__ == '__main__':
     #初始化导入数据集和预训练模型到容器内
     c2net_context = prepare()
     #获取数据集路径
-    MnistDataset_torch = c2net_context.dataset_path+"/"+"MnistDataset_torch"
+    MnistDataset_torch_path = c2net_context.dataset_path+"/"+"MnistDataset_torch"
     #获取预训练模型路径
-    mnist_example_test2_model_djts_path = c2net_context.pretrain_model_path+"/"+"MNIST_Example_test2_model_djts"
-
+    Torch_MNIST_Example_Model_path = c2net_context.pretrain_model_path+"/"+"Torch_MNIST_Example_Model"
+    #获取输出路径
+    output_path = c2net_context.output_path
     # load DPU envs-xx.sh
     DTU_FLAG = True
     if is_torch_dtu_available():
@@ -84,8 +85,8 @@ if __name__ == '__main__':
     args, unknown = parser.parse_known_args()
     #log output
     batch_size = args.batch_size
-    train_dataset = mnist.MNIST(root=os.path.join(MnistDataset_torch, "train"), train=True, transform=ToTensor(),download=False)
-    test_dataset = mnist.MNIST(root=os.path.join(MnistDataset_torch, "test"), train=False, transform=ToTensor(),download=False)
+    train_dataset = mnist.MNIST(root=os.path.join(MnistDataset_torch_path, "train"), train=True, transform=ToTensor(),download=False)
+    test_dataset = mnist.MNIST(root=os.path.join(MnistDataset_torch_path, "test"), train=False, transform=ToTensor(),download=False)
     train_loader = DataLoader(train_dataset, batch_size=batch_size)
     test_loader = DataLoader(test_dataset, batch_size=batch_size)
     model = Model().to(device)
@@ -95,8 +96,8 @@ if __name__ == '__main__':
     print('epoch_size is:{}'.format(epochs))
 
     # 如果有保存的模型，则加载模型，并在其基础上继续训练
-    if os.path.exists(os.path.join(mnist_example_test2_model_djts_path, "mnist_epoch1_0.76.pkl")):
-        checkpoint = torch.load(os.path.join(mnist_example_test2_model_djts_path, "mnist_epoch1_0.76.pkl"))
+    if os.path.exists(os.path.join(Torch_MNIST_Example_Model_path, "mnist_epoch1_0.76.pkl")):
+        checkpoint = torch.load(os.path.join(Torch_MNIST_Example_Model_path, "mnist_epoch1_0.76.pkl"))
         model.load_state_dict(checkpoint['model'])
         optimizer.load_state_dict(checkpoint['optimizer'])
         start_epoch = checkpoint['epoch']
@@ -137,7 +138,6 @@ if __name__ == '__main__':
             correct += np.sum(_.numpy(), axis=-1)
             _sum += _.shape[0]
         print('accuracy: {:.2f}'.format(correct / _sum))
-        #The model output location is placed under /tmp/output
         state = {'model':model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch':_epoch+1}
-        torch.save(state, '{}/mnist_epoch{}_{:.2f}.pkl'.format(c2net_context.output_path, _epoch+1, correct / _sum))
-        print(os.listdir('{}'.format(c2net_context.output_path)))
\ No newline at end of file
+        torch.save(state, '{}/mnist_epoch{}_{:.2f}.pkl'.format(output_path, _epoch+1, correct / _sum))
+        print(os.listdir('{}'.format(output_path)))
\ No newline at end of file
diff --git a/gpgpu_mnist_example/README.md b/gpgpu_mnist_example/README.md
index fb1a5b5..271f8e1 100644
--- a/gpgpu_mnist_example/README.md
+++ b/gpgpu_mnist_example/README.md
@@ -1,54 +1,132 @@
-# 如何在启智平台上进行模型训练—GPGPU示例
+# 如何在启智平台上进行模型调试和训练—GPU_手写数字识别示例
 
-## 1.启智集群和智算集群的GPGPU训练样例
+## 一 ，数据集及预训练模型准备
 
-###### 启智集群的示例代码：
+##### 1，数据集说明：
 
-- 推理任务示例请参考示例中[inference.py](./inference.py)的代码注释
+数据集可从本项目的数据集中引用，[数据集引用](https://openi.pcl.ac.cn/OpenIOSSG/OpenI_Cloudbrain_Example/datasets)
+
+- MnistDataset_torch数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。
+- MnistDataset_torch.zip数据集压缩包的目录结构如下：
+
+  > MnistDataset_torch.zip
+  >
+  > ├── test
+  >
+  > └── train
+  >
+
+##### 2，预训练模型说明：
+
+Torch_MNIST_Example_Model模型可从本项目的模型目录中引用，[预训练模型引用](https://openi.pcl.ac.cn/OpenIOSSG/OpenI_Cloudbrain_Example/modelmanage/show_model)
 
-## 2. 在云脑上获取数据集，预训练模型，输出路径
+* Torch_MNIST_Example_Model模型的目录结构如下：
 
-安装c2net包
+  > Torch_MNIST_Example_Model
+  > ├── mnist_epoch1_0.76.pkl
+  >
+
+## 二. 如何在云脑上获取代码路径，数据集路径，预训练模型路径，输出路径
+
+##### 1，准备数据
 
 ```
-pip install c2net
+from c2net.context import prepare
+c2net_context = prepare()
 ```
 
-使用c2net包
+##### 2，获取代码路径
 
 ```
-#导入包
-from c2net.context import prepare,upload_output
+code_path = c2net_context.code_path +"/" +"项目名"
+在本示例中代码路径为：
+code_path = c2net_context.code_path + "/" + "Openl_Cloudbrain_Example"
+```
 
-#初始化导入数据集和预训练模型到容器内
-c2net_context = prepare()
+##### 3，获取数据集路径
 
-#获取代码路径，数据集路径，预训练模型路径，输出路径
-code_path = c2net_context.code_path
-dataset_path = c2net_context.dataset_path
-pretrain_model_path = c2net_context.pretrain_model_path
-output_path = openi_context.output_path
+```
+dataset_path = c2net_context.dataset_path +"/" +"数据集名称"
+在本示例中代码路径为：
+dataset_path = c2net_context.dataset_path + "/" + "MnistDataset_torch"
+```
 
-#回传结果
-upload_output()
+##### 4，获取预训练模型路径
 
+```
+pretrain_model_path = c2net_context.pretrain_model_path +"/" +"模型名称"
+在本示例中预训练模型路径为：
+pretrain_model_path = c2net_context.pretrain_model_path + "/" + "Torch_MNIST_Example_Model"
 ```
 
-## 3.[创建GPU训练示例任务界面教程](./Example_Picture/快速创建GPU训练任务.md)
-
-## 4.FAQ
+##### 5，获取输出路径
 
-### 4.1 关于启智平台公共库[c2net](https://openi.pcl.ac.cn/OpenIOSSG/c2net-pypi)：
+```
+output_path = c2net_context.output_path 
+在本示例中输出路径为：
+output_path = c2net_context.output_path 
+```
 
-主要使用的方法有以下几个：
+##### 6，回传结果
 
 ```
-prepare                    准备数据集，模型，输出路径
-upload_output               将训练镜像的输出结果拷贝回启智平台
+from c2net.context import upload_output
+upload_output()
+在本示例中回传结果为（只有训练任务才能回传结果）：
+from c2net.context import prepare,upload_output
+upload_output()
 ```
 
-### 4.2 解决参数报错问题：
+## 三.GPGPU样例准备
+
+##### 1，GPGPU示例代码：
+
+- 推理任务示例请参考示例中[inference.py](./inference.py)的代码注释
+
+##### 2，创建GPGPU调试任务
+
+表1创建调试作业界面参数说明
+
+| 参数名称 | 说明                                                                                |
+| -------- | ----------------------------------------------------------------------------------- |
+| 代码分支 | 选择仓库代码中要使用的代码分支，默认可选择master分支                                |
+| 镜像     | 镜像选择含有python和torch的镜像                                                     |
+| 启动文件 | 启动文件选择代码目录下的启动脚本，在本示例中选择gpu_mnist_example/train.py          |
+| 数据集   | 数据集选择MnistDataset_torch.zip                                                    |
+| 运行参数 | 选择增加运行参数可以向脚本中其他参数传值，如epoch_size,需要在代码里定义增加的超参数 |
+| 资源规格 | 规格选择[GPGPU]                                                                     |
+| 模型     | 模型选择Torch_MNIST_Example_Model                                                   |
+
+启动调试任务后，先执行prepare()进行数据准备；
+
+进入对应的代码目录后，可在终端执行python train.py；
 
-请在代码中加入 `args, unknown = parser.parse_known_args()`，可忽略掉 `--ckpt_url`，`--data_url`, `--multi_date_url`等参数报错问题
+##### 3，创建GPGPU推理任务
+
+表2 创建推理作业界面参数说明
+
+| 参数名称 | 说明                                                                                |
+| -------- | ----------------------------------------------------------------------------------- |
+| 代码分支 | 选择仓库代码中要使用的代码分支，默认可选择master分支                                |
+| 镜像     | 镜像选择含有python和torch的镜像                                                     |
+| 启动文件 | 启动文件选择代码目录下的启动脚本，在本示例中选择gpu_mnist_example/train.py          |
+| 数据集   | 数据集选择MnistDataset_torch.zip                                                    |
+| 运行参数 | 选择增加运行参数可以向脚本中其他参数传值，如epoch_size,需要在代码里定义增加的超参数 |
+| 资源规格 | 规格选择[GPGPU]                                                                     |
+| 模型     | 模型选择Torch_MNIST_Example_Model                                                   |
+
+启动训练任务后，训练结束会在任务的结果下载页提供输出结果下载
+
+## 四.GCU任务注意事项
+
+##### 1, 使用超参数的方法：
+
+请在代码中加入
+
+```
+import parser
+args, unknown = parser.parse_known_args()
+#可忽略掉 `--ckpt_url`，`--data_url`, `--multi_date_url`等参数无定义导致的报错问题
+```
 
 ## 对于示例代码有任何问题，欢迎在本项目中提issue。
diff --git a/gpgpu_mnist_example/inference.py b/gpgpu_mnist_example/inference.py
index 6c78486..ee99215 100644
--- a/gpgpu_mnist_example/inference.py
+++ b/gpgpu_mnist_example/inference.py
@@ -22,7 +22,7 @@ from torchvision.transforms import ToTensor
 import argparse
 import os
 #导入c2net包
-from c2net.context import prepare
+from c2net.context import prepare, upload_output
 
 # Training settings
 parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
@@ -37,7 +37,7 @@ optimizer = SGD(model.parameters(), lr=1e-1)
 cost = CrossEntropyLoss()
  
 # 模型测试
-def test(model, test_loader, data_length):
+def test(model, test_loader, data_length, output_path):
     model.eval()
     test_loss = 0
     correct = 0
@@ -54,7 +54,7 @@ def test(model, test_loader, data_length):
 
         # 结果写入输出文件夹
         filename = 'result.txt'
-        file_path = os.path.join('/tmp/output', filename)
+        file_path = os.path.join(output_path, filename)
         with open(file_path, 'w') as file:
             file.write('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
             test_loss, correct, data_length, 100. * correct / data_length))
@@ -65,18 +65,20 @@ if __name__ == '__main__':
     #初始化导入数据集和预训练模型到容器内
     c2net_context = prepare()
     #获取数据集路径
-    checkpoint_lenet_1_1875_path = c2net_context.dataset_path+"/"+"checkpoint_lenet-1_1875"
-    MnistDataset_torch = c2net_context.dataset_path+"/"+"MnistDataset_torch"
+    MnistDataset_torch_path = c2net_context.dataset_path+"/"+"MnistDataset_torch"
     #获取预训练模型路径
-    mnist_example_test2_model_djts_path = c2net_context.pretrain_model_path+"/"+"MNIST_Example_test2_model_djts"
-    #log output
+    Torch_MNIST_Example_Model_path = c2net_context.pretrain_model_path+"/"+"Torch_MNIST_Example_Model"
+    #获取输出路径
+    output_path = c2net_context.output_path
+
     print('cuda is available:{}'.format(torch.cuda.is_available()))  
     device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
     batch_size = args.batch_size
     epochs = args.epoch_size
-    test_dataset = mnist.MNIST(root=mnist_example_test2_model_djts_path + "/test", train=False, transform=ToTensor(),download=False)
+    test_dataset = mnist.MNIST(root=MnistDataset_torch_path + "/test", train=False, transform=ToTensor(),download=False)
     test_loader = DataLoader(test_dataset, batch_size=batch_size)
     model = Model().to(device)
-    checkpoint = torch.load(mnist_example_test2_model_djts_path + "/mnist_epoch1_0.73.pkl")
+    checkpoint = torch.load(Torch_MNIST_Example_Model_path + "/mnist_epoch1_0.73.pkl")
     model.load_state_dict(checkpoint['model'])
-    test(model,test_loader,len(test_dataset))
\ No newline at end of file
+    test(model,test_loader,len(test_dataset),output_path)
+    upload_output()
\ No newline at end of file