diff --git a/_static/images/pytorch_wechat.jpg b/_static/images/pytorch_wechat.jpg
index 1e7bc34..55f1e9c 100644
Binary files a/_static/images/pytorch_wechat.jpg and b/_static/images/pytorch_wechat.jpg differ
diff --git a/_static/pytorch_actions.js b/_static/pytorch_actions.js
index 1bab89c..0f2167c 100644
--- a/_static/pytorch_actions.js
+++ b/_static/pytorch_actions.js
@@ -80,9 +80,9 @@ docker run \\
             $('#install-pytorch-docker-section').hide();
             $('#install-pytorch-pip-section').show();
         } else {
-            $("#codecell4").html("# install requirements\nconda install cmake ninja git\n\n# get torch source\ngit clone -b v"+options['pytorch']+" --recursive https://github.com/pytorch/pytorch\ncd pytorch\ngit submodule sync\ngit submodule update --init --recursive\n\n# install torch\npip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt\nexport CMAKE_PREFIX_PATH=${CONDA_PREFIX:-\"$(dirname $(which conda))/../\"}\nUSE_CUDA=0 python setup.py develop");
+            $("#codecell3").html("# install requirements\nconda install cmake ninja git\n\n# get torch source\ngit clone -b v"+options['pytorch']+" --recursive https://github.com/pytorch/pytorch\ncd pytorch\ngit submodule sync\ngit submodule update --init --recursive\n\n# install torch\npip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt\nexport CMAKE_PREFIX_PATH=${CONDA_PREFIX:-\"$(dirname $(which conda))/../\"}\nUSE_CUDA=0 python setup.py develop");
 
-            $('#codecell4').append("\n\n# get torch-npu source\ngit clone https://github.com/ascend/pytorch.git -b "+match_versions['npu_branch']+" --depth 1 pytorch_npu\ncd pytorch_npu\n\n# install torch-npu\npip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt\nbash ci/build.sh --python=$(python --version 2>&1 | awk '{print $2}' | cut -d '.' -f 1,2)\npip install dist/torch_npu*.whl");
+            $('#codecell3').append("\n\n# get torch-npu source\ngit clone https://github.com/ascend/pytorch.git -b "+match_versions['npu_branch']+" --depth 1 pytorch_npu\ncd pytorch_npu\n\n# install torch-npu\npip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt\nbash ci/build.sh --python=$(python --version 2>&1 | awk '{print $2}' | cut -d '.' -f 1,2)\npip install dist/torch_npu*.whl");
 
             $('#install-pytorch-pip-section').hide();
             $('#install-pytorch-docker-section').hide();
diff --git a/sources/pytorch/examples.rst b/sources/pytorch/examples.rst
index 07456b1..8a09e47 100644
--- a/sources/pytorch/examples.rst
+++ b/sources/pytorch/examples.rst
@@ -7,13 +7,13 @@
 
    在运行下述示例之前，需要您已经安装了PyTorch-NPU环境，有关环境安装，请参考 :doc:`./install`
 
-数据并行
+1. 数据并行
 -----------------------
 
 PyTorch的数据并行主要分为以下几种：DP、DDP以及FSDP（HSDP变种），接下来将简单描述在Ascend NPU场景下如何实现上述数据并行。
 
-DDP
-^^^^^^
+1.1 DDP
+^^^^^^^^^^
 
 .. code-block:: python
     :linenos:
@@ -83,8 +83,8 @@ DDP
     if __name__ == "__main__":
         main()
 
-FSDP
-^^^^^^
+1.2 FSDP
+^^^^^^^^^^
 
 .. code-block:: python
     :linenos:
diff --git a/sources/pytorch/install.rst b/sources/pytorch/install.rst
index 9965fbb..cbb8211 100644
--- a/sources/pytorch/install.rst
+++ b/sources/pytorch/install.rst
@@ -4,7 +4,7 @@
 跟随指导，安装在NPU上运行的PyTorch版本。
 
 
-选择需要安装的 PyTorch 版本
+1. 选择需要安装的 PyTorch 版本
 ------------------------------
 准备安装 PyTorch：
 
@@ -50,8 +50,12 @@
     </div>
 
 
-安装 PyTorch
+2. 安装 PyTorch
 ----------------
+
+.. warning:: 
+
+    如果使用了非CANN安装时的Python环境（如Conda），请确保CANN-toolkit依赖的Python包在该环境中已经 `安装 <../ascend/quick_install.html>`_ 。
 .. raw:: html
 
     <section id="install-pytorch-docker-section">
@@ -78,21 +82,12 @@
                 <p class="admonition-title">备注</p>
                 <p>请确保已经根据上述表格建议<a class="reference internal" href="../ascend/quick_install.html"><span class="doc">安装</span></a>了对应的CANN-toolkit版本以及相应的固件和驱动，并应用了CANN-toolkit环境变量。</p>
             </div>
-            <h3>环境依赖</h3>
-            <ol>
+            <h3>2.1 环境依赖</h3>
+            <ul>
                 <li>Python 3.8 ~ 3.10</li>
                 <li>支持C++17的编译器，例如clang 或者 gcc (9.4.0及以上)</li>
-                <li><a class="reference internal" href="https://docs.anaconda.com/free/miniconda/#quick-command-line-install"><span class="doc">Conda (可选)</span></a></li>
-            </ol>
-            <div class="admonition note">
-                <p class="admonition-title">备注</p>
-                <p>如果使用Conda，请确保CANN-toolkit依赖的Python包在Conda环境中已经<a class="reference internal" href="../ascend/quick_install.html"><span class="doc">安装</span></a></p>
-            </div>
-            <div class="admonition warning">
-                <p class="admonition-title">警告</p>
-                <p>不建议您使用Conda提供的gcc，可能需要解决一些编译依赖问题，如果一定要使用，可参考以下命令：</p>
-            </div>
-            <div class="highlight"><pre>conda install -c conda-forge libstdcxx-ng libgcc-ng gcc=9.4 gxx=9.4</pre></div>
+                <li><a class="reference internal" href="https://docs.anaconda.com/free/miniconda/#quick-command-line-install"><span class="doc">Conda</span></a></li>
+            </ul>
         </section>
         <section>
             <div class="admonition note">
@@ -100,7 +95,7 @@
                 <p>请确认CXX11_ABI是关闭的，如果无法确定，建议显式关闭：</p>
             </div>
             <div class="highlight"><pre>export _GLIBCXX_USE_CXX11_ABI=0</pre></div>
-            <h3>构建</h3>
+            <h3>2.2 构建</h3>
                 <div class="highlight">
                     <pre></pre>
                 </div>
@@ -108,7 +103,7 @@
     </div>
 
 
-验证安装结果
+3. 验证安装结果
 ------------------
 
 .. code-block:: python
diff --git a/sources/pytorch/quick_start.rst b/sources/pytorch/quick_start.rst
index 1fab091..136bd2c 100644
--- a/sources/pytorch/quick_start.rst
+++ b/sources/pytorch/quick_start.rst
@@ -19,7 +19,7 @@
 
 下面的实例演示了如何使用NPU进行训练和推理任务：
 
-单卡训练
+1. 单卡训练
 -----------------------
 以下代码使用了cifar10数据集在NPU上训练模型（截取自 `PyTorch tutorials <https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html>`_），请关注高亮的内容。
 
@@ -211,7 +211,7 @@
         accuracy = 100 * float(correct_count) / total_pred[classname]
         print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')
 
-使用DeepSpeed多卡并行训练
+2. 使用DeepSpeed多卡并行训练
 -------------------------------
 以下代码使用了cifar10数据集，使用DeepSpeed训练模型在多张NPU卡上进行模型训练（来自 `DeepSpeed Examples <https://github.com/microsoft/DeepSpeedExamples/blob/master/training/cifar/cifar10_deepspeed.py>`_），自DeepSpeed v0.12.6之后，代码无需任何修改，即可自动检测NPU并进行训练。
 
@@ -220,7 +220,7 @@
     :linenos:
 
 
-使用Transforms进行模型微调
+3. 使用Transforms进行模型微调
 ---------------------------------
 以下代码使用了Transforms对LLM进行微调（来自 `transforms examples <https://github.com/huggingface/transformers/blob/main/examples/pytorch/language-modeling/run_clm.py>`_），自transforms xxx版本以及accelerator 0.21.0版本以后，代码无需任何修改，即可自动检测NPU并进行。
 
@@ -242,7 +242,7 @@
         --do_eval \
         --output_dir /tmp/test-clm
 
-使用Diffusers进行模型微调
+4. 使用Diffusers进行模型微调
 ---------------------------------
 以下代码使用了Diffusers对文生图模型进行微调（来自 `diffusers examples <https://github.com/huggingface/diffusers/blob/main/examples/text_to_image/train_text_to_image.py>`_），自diffusers v0.27.0版本以后，代码无需任何修改，即可自动检测NPU并进行。