diff --git a/docs/faq/source_zh_cn/backend_running.md b/docs/faq/source_zh_cn/backend_running.md
index d0d5205325c41189b488756a919f064457718984..933df1b5324209f0dfc2a22f9cda297a81d1be2d 100644
--- a/docs/faq/source_zh_cn/backend_running.md
+++ b/docs/faq/source_zh_cn/backend_running.md
@@ -4,6 +4,39 @@
+**Q：请问想加载PyTorch预训练好的模型用于MindSpore模型finetune有什么方法？**
+
+A：需要把PyTorch和MindSpore的参数进行一一对应，因为网络定义的灵活性，所以没办法提供统一的转化脚本。
+需要根据场景书写定制化脚本，可参考[checkpoint高级用法](https://gitee.com/mindspore/docs/blob/master/tutorials/training/source_zh_cn/advanced_use/advanced_usage_of_checkpoint.md#%E8%BD%AC%E5%8C%96%E5%85%B6%E4%BB%96%E6%A1%86%E6%9E%B6ckpt%E4%B8%BAms%E6%A0%BC%E5%BC%8F)
+
+
+
+**Q：怎么将PyoTrch的`dataset`转换成MindSpore的`dataset`？**
+
+A：MindSpore和PyTorch的自定义数据集逻辑是比较类似的，需要用户先定义一个自己的`dataset`类，该类负责定义`__init__`，`__getitem__`,`__len__`来读取自己的数据集，然后将该类实例化为一个对象（如：`dataset/dataset_generator`），最后将这个实例化对象传入`GeneratorDataset`(mindspore用法)/`DataLoader`(pytorch用法)，至此即可以完成自定义数据集加载了。而mindspore在`GeneratorDataset`的基础上提供了进一步的`map`->`batch`操作，可以很方便的让用户在`map`内添加一些其他的自定义操作，并将其`batch`起来。
+对应的MindSpore的自定义数据集加载如下：
+
+```python
+#1 加载/数据增强，shuffle，sampler等
+class Mydata:
+ def __init__(self):
+ np.random.seed(58)
+ self.__data = np.random.sample((5, 2))
+ self.__label = np.random.sample((5, 1))
+ def __getitem__(self, index):
+ return (self.__data[index], self.__label[index])
+ def __len__(self):
+ return len(self.__data)
+dataset_generator = Mydata()
+dataset = ds.GeneratorDataset(dataset_generator, ["data", "label"], shuffle=False)
+#2 自定义增强
+dataset = dataset.map(operations=pyFunc, …)
+#3 batch
+dataset = dataset.batch(batch_size, drop_remainder=True)
+```
+
+
+
**Q：如何查看模型参数量？**
A：可以直接加载CheckPoint统计，可能额外统计了动量和optimizer中的变量，需要过滤下相关变量。
diff --git a/docs/faq/source_zh_cn/platform_and_system.md b/docs/faq/source_zh_cn/platform_and_system.md
index 983560523dabb42911d52ccaafec0cfac54192bb..f1ec4e0c3b4c73b96c760b239d2e8117179abdc9 100644
--- a/docs/faq/source_zh_cn/platform_and_system.md
+++ b/docs/faq/source_zh_cn/platform_and_system.md
@@ -4,6 +4,18 @@
+**Q:PyNative模式和Graph模式的区别？**
+
+A: 在使用效率上，两个模式使用的算子是一致的，因此相同的网络和算子，分别在两个模式下执行时，精度效果是一致的。由于执行机理的差异，网络的执行性能是会不同的，并且在理论上，MindSpore提供的算子同时支持PyNative模式和Graph模式；
+
+在场景使用方面，Graph模式需要一开始就构建好网络结构，然后框架做整图优化和执行，对于网络固定没有变化，且需要高性能的场景比较适合；
+
+在不同硬件（`Ascend`、`GPU`和`CPU`）资源上都支持这两种模式；
+
+代码调试方面，由于是逐行执行算子，因此用户可以直接调试Python代码，在代码中任意位置打断点查看对应算子`/api`的输出或执行结果。而Graph模式由于在构造函数里只是完成网络构造，实际没有执行，因此在`construct`函数里打断点是无法获取对应算子的输出，而只能等整网执行中指定对应算子的输出打印，在网络执行完成后进行查看。
+
+
+
**Q:使用PyNative模式能够进行迁移学习？**
A: PyNative模式是兼容迁移学习的，更多的教程信息，可以参考[预训练模型加载代码详解](https://www.mindspore.cn/tutorial/training/zh-CN/master/advanced_use/cv_mobilenetv2_fine_tune.html#id7)。
diff --git a/docs/faq/source_zh_cn/supported_operators.md b/docs/faq/source_zh_cn/supported_operators.md
index 16a3c6e09bdbc40b06a3288dc0f930cb2c7a5631..ace34dbd931fcff27f4de09926219ab497884446 100644
--- a/docs/faq/source_zh_cn/supported_operators.md
+++ b/docs/faq/source_zh_cn/supported_operators.md
@@ -4,6 +4,12 @@
+**Q：`TransData`算子的功能是什么，能否优化性能？**
+
+A：`TransData`算子出现的场景是：如果网络中相互连接的算子使用的数据格式不一致（如NC1HWC0），框架就会自动插入`transdata`算子使其转换成一致的数据格式，然后再进行计算。 可以考虑训练的时候用我们的`amp`做混合精度，这样能减少一些`fp32`的运算，应该能减少一些`transdata`算子的调用。
+
+
+
**Q：算子`Concat`拼接包含多个Tensor的元组出错，似乎传入的`tensor list`元素个数>=192就会报错。如果要`Concat`包含多个Tensor的元组，有什么较好的解决方案？**
A：这个昇腾算子底层规格限制一次拼接的Tensor个数不能超过192个，可以尝试分开两次进行拼接。