diff --git "a/AscendPytorch\346\250\241\345\236\213\346\216\250\347\220\206\344\274\227\346\231\272FAQ.md" "b/AscendPytorch\346\250\241\345\236\213\346\216\250\347\220\206\344\274\227\346\231\272FAQ.md"
index 5629481dbc79bb34d947a5bfa8e7f611c0647ac3..407d90abf8053d9fd5e4c24b1a52581736d69e04 100644
--- "a/AscendPytorch\346\250\241\345\236\213\346\216\250\347\220\206\344\274\227\346\231\272FAQ.md"
+++ "b/AscendPytorch\346\250\241\345\236\213\346\216\250\347\220\206\344\274\227\346\231\272FAQ.md"
@@ -172,7 +172,7 @@ ATC run success, welcome to the next use.
 W11001: High-priority service of op[PartitionedCall_AvgPool_45_2] is invalid, low-priority service is used. It can work normally but may affect performance.
 W11001: High-priority service of op[PartitionedCall_AvgPool_52_6] is invalid, low-priority service is used. It can work normally but may affect performance.
 ```
-（2）output_node输出节点类型更改为float16
+（2）output_node输出节点类型更改为float16  
 atc转换时指定输出节点类型为float16
 ```
 atc --framework=5 --model=./ICNet.onnx --output=ICNet_bs1 --out_nodes="Resize_317:0" --output_type=FP16 --input_format=NCHW --input_shape="actual_input_1: 1,3,1024,2048" --log=debug --soc_version=Ascend310
@@ -193,6 +193,41 @@ atc --framework=5 --model=./ICNet.onnx --output=ICNet_bs1 --out_nodes="Resize_31
    export LD_LIBRARY_PATH=${install_path}/atc/lib64:${install_path}/acllib/lib64:$LD_LIBRARY_PATH   
    export ASCEND_OPP_PATH=${install_path}/opp  
   ```
+
+### FAQ16、离线推理后处理脚本适配  
+   对于一些图像分类的模型，后处理脚本都是通用的；而有些模型（比如分割类）是没有后处理脚本的，需要读者自行适配。  
+（1）源码中包含在线推理脚本(如evaluate.py)或测试类脚本(如test.py)  
+基于这两个脚本适配，一般脚本中都包含类似的model语句
+```
+outputs = model(image)
+```
+benchmark离线推理得到的./result/dumpOutput_device0/数据就可以理解为在线推理的model(image)步骤，适配过程就是从./result/dumpOutput_device0/中按照对应的名字将数据读取出来，适配代码参考如下：
+```
+outputs = self.file2tensor(annotation_file)
+
+# 生成的是bin文件
+def file2tensor(self, annotation_file):
+
+    filepath = annotation_file + '_1.bin'
+    size = os.path.getsize(filepath)  
+    res = []
+    L = int(size/4)  #由于需要的是float32类型，所以按照4字节读取；根据实际情况按字节读取
+    binfile = open(filepath, 'rb')  
+    for i in range(L):
+        data = binfile.read(4)
+        num = struct.unpack('f', data) 
+        res.append(num[0])
+    binfile.close()
+
+    dim_res = np.array(res).reshape(1,19,1024,2048) #转换为对应的shape，可通过在线推理打印outputs的shape获取到
+    tensor_res = torch.tensor(dim_res, dtype=torch.float32)
+    print(filepath, tensor_res.dtype, tensor_res.shape)
+
+    return tensor_res
+```
+（2）如上的文件都没有，可以参考训练过程的validation步骤进行适配，适配方法同上。
+
+
 2. 更新最新的推理包run包
 
 3. 打印host日志