diff --git a/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md b/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
index fdf19b2b7905e15cdf52d964a5b235b3eb9cb5f8..651453fe8c37358f10121fb1e173048231b53aa5 100644
--- a/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
+++ b/debug/accuracy_tools/msprobe/docs/06.data_dump_MindSpore.md
@@ -100,7 +100,7 @@ start(model=None, token_range=None)
 #### 6.1.2 stop
 
 **功能说明**：停止精度数据采集。在 **start** 函数之后的任意位置添加。若 **stop** 函数添加在反向计算代码之后，则会采集 **start** 和该函数之间的前反向数据。
-若 **stop** 函数添加在反向计算代码之前，则需要将 [**step**](#613-step) 函数添加到反向计算代码之后，才能采集 **start** 和该函数之间的前反向数据。
+若 **stop** 函数添加在反向计算代码之前，则需要将 [**step**](#613-step) 函数添加到反向计算代码之后，才能采集 **start** 和该函数之间的前反向数据，参考[**采集指定代码块的前反向数据**](#7213-采集指定代码块的前反向数据)。
 **仅未使用 Model 高阶 API 的动态图场景支持。**
 
 **注意**：**stop** 函数必须调用，否则可能导致精度数据落盘不全。
@@ -364,6 +364,31 @@ trainer = Model(model, loss_fn=loss_fn, optimizer=optimizer, metrics={'accuracy'
 trainer.train(1, train_dataset, callbacks=[MsprobeStep(debugger)])
 ```
 
+##### 7.2.1.3 采集指定代码块的前反向数据
+
+```python
+import mindspore as ms
+from mindspore.train import Model
+ms.set_context(mode=ms.PYNATIVE_MODE, device_target="Ascend")
+
+from msprobe.mindspore import PrecisionDebugger
+from msprobe.mindspore.common.utils import MsprobeStep
+debugger = PrecisionDebugger(config_path="./config.json")
+
+# 模型、损失函数的定义及初始化等操作
+# ...
+# 数据集迭代的位置一般为模型训练开始的位置
+for data, label in data_loader:
+    debugger.start()  # 开启数据dump
+    # 如下是模型每个step执行的逻辑
+    output = model(data)
+
+    debugger.stop()  # 插入该函数到start函数之后，只dump start函数到该函数之间的前反向数据，可以支持start-stop-start-stop-step分段采集。
+    # ...
+    loss.backward()
+    debugger.step()  # 结束一个step的dump
+```
+
 #### 7.2.2 L2 级别
 
 ##### 7.2.2.1 未使用 Model 高阶 API
@@ -515,7 +540,7 @@ dump 结果目录结构示例如下：
 * `dump_tensor_data`：保存采集到的张量数据。
 * `dump.json`： 保存API或Cell前反向数据的统计量信息。包含dump数据的API名称或Cell名称，各数据的dtype、 shape、max、min、mean、L2norm（L2范数，平方根）统计信息以及当配置summary_mode="md5"时的CRC-32数据。具体介绍可参考[dump.json文件说明](./27.dump_json_instruction.md#2-mindspore-场景下的-dumpjson-文件)。
 * `stack.json`：API/Cell的调用栈信息。
-* `construct.json`：分层分级结构，level为L1时，construct.json内容为空。
+* `construct.json`：根据model层级展示分层分级结构，level为L1时，construct.json内容为空。
 
 dump 过程中，npy 文件在对应API或者模块被执行后就会落盘，而 json 文件则需要在正常执行 PrecisionDebugger.stop() 后才会写入完整数据，因此，程序异常终止时，被执行API对应的 npy 文件已被保存，但 json 文件中的数据可能丢失。
 
diff --git a/debug/accuracy_tools/msprobe/docs/data_dump_MindSpore/dynamic_graph_quick_start_example.md b/debug/accuracy_tools/msprobe/docs/data_dump_MindSpore/dynamic_graph_quick_start_example.md
index 14bb2cd2c54793b5a61af5e106bcfcd484e8ecef..e5e43b6f8680d5eda9f8eaef9bf525c207c9e3be 100644
--- a/debug/accuracy_tools/msprobe/docs/data_dump_MindSpore/dynamic_graph_quick_start_example.md
+++ b/debug/accuracy_tools/msprobe/docs/data_dump_MindSpore/dynamic_graph_quick_start_example.md
@@ -35,7 +35,7 @@ import os
 import numpy as np
 import mindspore as ms
 from mindspore import nn, ops
-from mindspore import context
+from mindspore import context, set_device, set_deterministic
 from mindspore import Tensor
 from msprobe.mindspore import PrecisionDebugger, seed_all
 
@@ -50,7 +50,11 @@ config_path = os.path.join(script_dir, 'config.json')
 debugger = PrecisionDebugger(config_path=config_path)
 
 # 设置 MindSpore 设备上下文
-context.set_context(mode=ms.PYNATIVE_MODE, device_target="Ascend", device_id=0)
+context.set_context(mode=ms.PYNATIVE_MODE)
+
+set_device("Ascend", 0)
+
+set_deterministic(True)
 print("Context set successfully. Please wait for the training task.")
 
 # 定义卷积层