add quick_start.rst (#691)

* Create quick_start.rst

* Update quick_start.rst

* Update quick_start.rst

* Update quick_start.rst

* Update quick_start.rst

* Update quick_start.rst

* Update quick_start.rst

* update quick_start

* rename title

doc/fluid/beginners_guide/quick_start.rst

+快速开始
+===========
+
+快速安装
+----------
+
+PaddlePaddle支持使用pip快速安装， 执行下面的命令完成快速安装：
+
+.. code-block:: bash
+
+	pip install paddlepaddle
+
+如果需要安装支持GPU的版本，请执行：
+
+.. code-block:: bash
+
+	pip install paddlepaddle-gpu
+
+如遇到安装问题，或想阅读更详细的安装和编译方法，请参考：`安装说明 <../beginners_guide/install/index_cn.html>`_
+
+
+快速使用
+-------------
+
+首先，您需要导入fluid库
+
+.. code-block:: python
+
+	import paddle.fluid as fluid
+
+* Tensor操作
+
+
+下面几个简单的案例，可以帮助您快速了解Fluid：
+
+1.使用Fluid创建5个元素的一维数组，其中每个元素都为1
+
+.. code-block:: python
+    
+	# 定义数组维度及数据类型，可以修改shape参数定义任意大小的数组
+	data = fluid.layers.ones(shape=[5], dtype='int64')
+	# 在CPU上执行运算
+	place = fluid.CPUPlace()
+	# 创建执行器
+	exe = fluid.Executor(place)
+	# 执行计算
+	ones_result = exe.run(fluid.default_main_program(),
+	                        # 获取数据data
+				fetch_list=[data], 
+				return_numpy=True)
+	# 输出结果
+	print(ones_result[0])
+
+可以得到结果：
+
+.. code-block:: text
+
+	[1 1 1 1 1]
+
+2.使用Fluid将两个数组按位相加
+
+.. code-block:: python
+
+	# 调用 elementwise_op 将生成的一维数组按位相加
+	add = fluid.layers.elementwise_add(data,data)
+	# 定义运算场所
+	place = fluid.CPUPlace()
+	exe = fluid.Executor(place)
+	# 执行计算
+	add_result = exe.run(fluid.default_main_program(),
+	                 fetch_list=[add],
+	                 return_numpy=True)
+	# 输出结果
+	print (add_result[0])
+
+可以得到结果：
+
+.. code-block:: text
+
+	[2 2 2 2 2]
+
+3.使用Fluid转换数据类型
+
+.. code-block:: python
+
+	# 将一维整型数组，转换成float64类型
+	cast = fluid.layers.cast(x=data, dtype='float64')
+	# 定义运算场所执行计算
+	place = fluid.CPUPlace()
+	exe = fluid.Executor(place)
+	cast_result = exe.run(fluid.default_main_program(),
+	                 fetch_list=[cast],
+	                 return_numpy=True)
+	# 输出结果
+	print(cast_result[0])
+
+可以得到结果：
+
+.. code-block:: text
+
+	[1. 1. 1. 1. 1.]
+
+
+运行线性回归模型
+-----------------
+
+通过上面的小例子，相信您已经对如何使用Fluid操作数据有了一定的了解，那么试着创建一个test.py，并粘贴下面的代码吧。
+
+这是一个简单的线性回归模型，来帮助我们快速求解4元一次方程。
+
+.. code-block:: python
+
+	#加载库
+	import paddle.fluid as fluid
+	import numpy as np
+	#生成数据
+	np.random.seed(0)
+	outputs = np.random.randint(5, size=(10, 4))
+	res = []
+	for i in range(10):
+		# 假设方程式为 y=4a+6b+7c+2d
+		y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
+		res.append([y])
+	# 定义数据
+	train_data=np.array(outputs).astype('float32')
+	y_true = np.array(res).astype('float32')
+
+	#定义网络
+	x = fluid.layers.data(name="x",shape=[4],dtype='float32')
+	y = fluid.layers.data(name="y",shape=[1],dtype='float32')
+	y_predict = fluid.layers.fc(input=x,size=1,act=None)
+	#定义损失函数
+	cost = fluid.layers.square_error_cost(input=y_predict,label=y)
+	avg_cost = fluid.layers.mean(cost)
+	#定义优化方法
+	sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
+	sgd_optimizer.minimize(avg_cost)
+	#参数初始化
+	cpu = fluid.CPUPlace()
+	exe = fluid.Executor(cpu)
+	exe.run(fluid.default_startup_program())
+	##开始训练，迭代500次
+	for i in range(500):
+		outs = exe.run(
+			feed={'x':train_data,'y':y_true},
+			fetch_list=[y_predict.name,avg_cost.name])
+		if i%50==0:
+			print ('iter={:.0f},cost={}'.format(i,outs[1][0]))
+	#存储训练结果
+	params_dirname = "result"
+	fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
+
+	# 开始预测
+	infer_exe = fluid.Executor(cpu)
+	inference_scope = fluid.Scope()
+	# 加载训练好的模型
+	with fluid.scope_guard(inference_scope):
+		[inference_program, feed_target_names,
+		 fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
+
+	# 生成测试数据
+	test = np.array([[[9],[5],[2],[10]]]).astype('float32')
+	# 进行预测
+	results = infer_exe.run(inference_program,
+							feed={"x": test},
+							fetch_list=fetch_targets) 
+	# 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
+	print ("9a+5b+2c+10d={}".format(results[0][0]))
+
+.. code-block:: text
+
+    得到结果：
+	
+	9a+5b+2c+10d=[99.946]
+	
+输出结果应是一个近似等于100的值，每次计算结果略有不同。
+	
+    
+	
+