fix

doc/ps_background.md

@@ -1,7 +1,7 @@
-## [分布式训练概述](https://www.paddlepaddle.org.cn/tutorials/projectdetail/459124)
+## [分布式训练概述](https://www.paddlepaddle.org.cn/tutorials/projectdetail/511818)
 
 
-## [多机多卡训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/459127)
+## [多机多卡训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/479613)
 
 
-## [参数服务器训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/464839)
+## [参数服务器训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/487871)

doc/source/paddlerec/design.md

@@ -14,7 +14,7 @@
 PaddleRec将推荐模型的训练与预测流程，整体抽象为了五个大模块：
 
 <p align="center">
-<img align="center" src="imgs/design.png">
+<img align="center" src="../media/design.png">
 <p>
 
 core的文件结构如下，后续分别对各个模块进行介绍。
@@ -53,7 +53,7 @@ Engine是整体训练的执行引擎，与组网逻辑及数据无关，只与
 - GPU
 - 其他AI芯片
 
-在用户调用`python -m paddlerec.run`时，首先会根据`yaml`文件中的配置信息选择合适的执行引擎， 以下代码位于[run.py](../run.py)：
+在用户调用`python -m paddlerec.run`时，首先会根据`yaml`文件中的配置信息选择合适的执行引擎， 以下代码位于[run.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/run.py)：
 ```python
 engine_registry()
 which_engine = get_engine(args)
@@ -107,7 +107,7 @@ single_engine被调用后，主要进行了以下两个工作：
 - 本地模拟分布式引擎会在单机环境变量的基础上，额外设置本地模拟分布式的环境变量，比如：为各个进程设置不同通信端口，分配ID。最后会启动多个`Trainer`完成本地模拟分布式的工作。
 - 分布式引擎会在单机环境变量的基础上，基于运行参数`-b --backend`所指定的脚本或配置文件，完成分布式任务的文件打包，上传，提交等操作。该脚本格式与分布式任务运行的集群有关，如MPI/K8S/PaddleCloud等，用户可以自定义分布式运行逻辑。
 
-Engine的自定义实现，可以参考[local_cluster.py](../core/engine/local_cluster.py)
+Engine的自定义实现，可以参考[local_cluster.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/engine/local_cluster.py)
 
 ## Trainer
 
@@ -137,7 +137,7 @@ SingleTrainer指定了以下5个步骤：
 
 各个步骤的详细介绍及自定义方法，可以参照[自定义流程](./trainer_develop.md)
 
-Trainer的自定义实现，可以参照[general_trainer.py](../core/trainers/general_trainer.py)
+Trainer的自定义实现，可以参照[general_trainer.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/trainers/general_trainer.py)
 
 ## Model
 
@@ -192,7 +192,7 @@ def get_fetch_period(self):
     return self._fetch_interval
 ```
 
-model的具体实现，可以参考dnn的示例[model.py](../../models/rank/dnn/../../../paddlerec/core/model.py)
+model的具体实现，可以参考dnn的示例[model.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/models/rank/dnn/model.py)
 
 
 ## Reader
@@ -231,8 +231,8 @@ class Reader(dg.MultiSlotDataGenerator):
 用户需要关注并实现的是`def init(self)`与`def generate_sample(self,line)`函数，分别执行数据读取中预处理所需变量的初始化，以及每一行string的切分及处理逻辑。
 
 当用户定义好以上两个函数，完成自己的Reader后，PaddleRec分别使用
-- [dataset_instance.py](../core/utils/dataset_instance.py)
-- [dataloader_instance.py](../core/utils/dataloader_instance.py)
+- [dataset_instance.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/utils/dataset_instance.py)
+- [dataloader_instance.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/utils/dataloader_instance.py)
 
 完成reader的构建工作。
 
@@ -287,4 +287,4 @@ class Metric(object):
         pass
 ```
 
-全局指标的计算及输出，需要分别继承并实现以上四个成员函数。具体实现的例子，可以参考[auc_metric.py](../core/metrics/auc_metrics.py)
+全局指标的计算及输出，需要分别继承并实现以上四个成员函数。具体实现的例子，可以参考[auc_metric.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/metrics/auc.py)

doc/source/paddlerec/distributed_train.md

@@ -1,5 +1,4 @@
 # 如何启动分布式训练
-=================
 
 - [目录](#目录)
 - [基于PaddleCloud的分布式训练启动方法](#基于paddlecloud的分布式训练启动方法)

doc/source/paddlerec/ps_background.md

@@ -1,8 +1,8 @@
 ## 分布式学习介绍
-### [分布式训练概述](https://www.paddlepaddle.org.cn/tutorials/projectdetail/459124)
+### [分布式训练概述](https://www.paddlepaddle.org.cn/tutorials/projectdetail/511818)
 
 
-### [多机多卡训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/459127)
+### [多机多卡训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/479613)
 
 
-### [参数服务器训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/464839)
+### [参数服务器训练](https://www.paddlepaddle.org.cn/tutorials/projectdetail/487871)

doc/source/paddlerec/rec_background.md

@@ -3,7 +3,7 @@
 
 本文代码目录在[book/recommender_system](https://github.com/PaddlePaddle/book/tree/develop/05.recommender_system),初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。
 
-更多教程及背景知识可以查阅[深度学习实践应用：个性化推荐](https://www.paddlepaddle.org.cn/tutorials/projectdetail/460300)
+更多教程及背景知识可以查阅[深度学习实践应用：个性化推荐](https://www.paddlepaddle.org.cn/tutorials/projectdetail/388755)
 
 ## 背景介绍
 
@@ -61,4 +61,4 @@ YouTube是世界上最大的视频上传、分享和发现网站，YouTube个性
 
 
 <br/>
-<a rel="license" href="http://creativecommons.org/licenses/by-sa/4.0/"><img alt="知识共享许可协议" style="border-width:0" src="https://paddlepaddleimage.cdn.bcebos.com/bookimage/camo.png" /></a><br /><span xmlns:dct="http://purl.org/dc/terms/" href="http://purl.org/dc/dcmitype/Text" property="dct:title" rel="dct:type">本教程</span> 由 <a xmlns:cc="http://creativecommons.org/ns#" href="http://book.paddlepaddle.org" property="cc:attributionName" rel="cc:attributionURL">PaddlePaddle</a> 创作，采用 <a rel="license" href="http://creativecommons.org/licenses/by-sa/4.0/">知识共享 署名-相同方式共享 4.0 国际 许可协议</a>进行许可。
+<a rel="license" href="http://creativecommons.org/licenses/by-sa/4.0/"><img alt="知识共享许可协议" style="border-width:0" src="https://paddlepaddleimage.cdn.bcebos.com/bookimage/camo.png" /></a><br /><span xmlns:dct="http://purl.org/dc/terms/" href="http://purl.org/dc/dcmitype/Text" property="dct:title" rel="dct:type">本教程</span> 由 <a xmlns:cc="http://creativecommons.org/ns#" href="https://www.paddlepaddle.org.cn/" property="cc:attributionName" rel="cc:attributionURL">PaddlePaddle</a> 创作，采用 <a rel="license" href="http://creativecommons.org/licenses/by-sa/4.0/">知识共享 署名-相同方式共享 4.0 国际 许可协议</a>进行许可。

doc/source/paddlerec/trainer_develop.md

@@ -11,7 +11,7 @@ PaddleRec可自定义的流程有如下5个：
 
 ## instance
 
-instance由GeneralTrainer首先调用，执行模型组网前的所有操作。用户可以在这里进行下载数据，import不同的包，配置环境变量等操作。instance的官方实现位于[instance.py](../core/trainers/framework/instance.py)，instance基类定义如下：
+instance由GeneralTrainer首先调用，执行模型组网前的所有操作。用户可以在这里进行下载数据，import不同的包，配置环境变量等操作。instance的官方实现位于[instance.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/trainers/framework/instance.py)，instance基类定义如下：
 
 ```python
 class InstanceBase(object):
@@ -26,7 +26,7 @@ class InstanceBase(object):
 
 ## network
 
-network将在instanc后调用，执行模型的组网。network的官方实现位于[network.py](../core/trainers/framework/network.py)，network基类定义如下：
+network将在instanc后调用，执行模型的组网。network的官方实现位于[network.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/trainers/framework/network.py)，network基类定义如下：
 
 ```python
 class NetworkBase(object):
@@ -52,7 +52,7 @@ context["model"][model_dict["name"]][
 
 ## startup
 
-startup执行网络参数的初始化，或者模型的热启动，主要功能是执行`exe.run(fluid.default_startup_program())`。 startup的官方实现在[startup](../core/trainers/framework/startup.py)
+startup执行网络参数的初始化，或者模型的热启动，主要功能是执行`exe.run(fluid.default_startup_program())`。 startup的官方实现在[startup](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/trainers/framework/startup.py)
 
 ```python
 class StartupBase(object):
@@ -113,7 +113,7 @@ class PSRunner(RunnerBase):
         context["status"] = "terminal_pass"
 ```
 
-自定义runner需要参照官方实现[runner.py](../core/trainers/framework/runner.py)，继承基类`RunnerBase`，命名为`Runner`，并实现`run`成员函数。
+自定义runner需要参照官方实现[runner.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/core/trainers/framework/runner.py)，继承基类`RunnerBase`，命名为`Runner`，并实现`run`成员函数。
 
 ## terminal
 
@@ -150,7 +150,7 @@ runner:
 
 ## 示例
 
-官方模型中的TDM是一个很好的示例，该模型自定义了`startup`的实现，可以参考[tdm_startup.py](../models/treebased/tdm/tdm_startup.py)
+官方模型中的TDM是一个很好的示例，该模型自定义了`startup`的实现，可以参考[tdm_startup.py](https://github.com/PaddlePaddle/PaddleRec/blob/master/models/treebased/tdm/tdm_startup.py)
 
 ```python
 class Startup(StartupBase):