up

_posts/2019-09-16-benchmark_tools.md

@@ -71,7 +71,7 @@ wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_bin_v8
 
 #### 方式二：由源码编译benchmark_bin文件
 
-根据[源码编译](/source_compile)准备编译环境，拉取PaddleLite最新release发布版代码，并在仓库根目录下，执行：
+根据[源码编译]({{ site.baseurl }}/source_compile)准备编译环境，拉取PaddleLite最新release发布版代码，并在仓库根目录下，执行：
 
 ```shell
 ###########################################
@@ -120,7 +120,7 @@ tar zxvf benchmark_models.tar.gz
 
 > 注：若要使用测试脚本，**对单个模型测试**，请把单个模型放入 `benchmark_models` 文件夹，并确保测试脚本、`benchmark_models`文件夹在同一级的目录。
 
-注：上述模型都已经使用`model_optimize_tool`进行转化，而且Lite移动端只支持加载转化后的模型。如果需要测试其他模型，请先参考[模型转化方法](/model_optimize_tool)。
+注：上述模型都已经使用`model_optimize_tool`进行转化，而且Lite移动端只支持加载转化后的模型。如果需要测试其他模型，请先参考[模型转化方法]({{ site.baseurl }}/model_optimize_tool)。
 
 
 ### 3. benchmark.sh脚本

_posts/2019-09-16-cxx_api.md

@@ -5,7 +5,7 @@ title: C++ API接口使用指南
 
 # C++ API接口使用指南
 
-请参考[源码编译](/source_compile)确保 Lite 可以正确编译，下面用Lite的c++接口加载并执行 MobileNetV1 模型为例，详细说明使用方法。
+请参考[源码编译]({{ site.baseurl }}/source_compile)确保 Lite 可以正确编译，下面用Lite的c++接口加载并执行 MobileNetV1 模型为例，详细说明使用方法。
 
 ## 准备模型
 
@@ -13,11 +13,11 @@ Lite支持PaddlePaddle训练好的模型，MobileNetV1模型可以由以下三
 
 - 直接下载训练好的[MobileNetV1模型](https://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)
 - 使用[PaddlePaddle](https://paddlepaddle.org.cn/)构建MobileNetV1网络并训练
-- 使用[X2Paddle](/x2paddle)对caffe或者tensorflow的MobileNetV1模型进行转换得到
+- 使用[X2Paddle]({{ site.baseurl }}/x2paddle)对caffe或者tensorflow的MobileNetV1模型进行转换得到
 
 ## 模型优化
 
-使用Model Optimize Tool优化模型，使得模型预测过程表现出优异的性能。Model Optimize Tool的具体使用方法请参考[文档](/model_optimize_tool)。
+使用Model Optimize Tool优化模型，使得模型预测过程表现出优异的性能。Model Optimize Tool的具体使用方法请参考[文档]({{ site.baseurl }}/model_optimize_tool)。
 
 - 准备model_optimize_tool
 - 使用model_optimize_tool优化模型

_posts/2019-09-16-fpga.md

@@ -24,7 +24,7 @@ CMAKE编译选项：
 
 - 设置`LITE_WITH_FPGA=ON`和`LITE_WITH_ARM=ON`
 
-其他编译选项与ARM编译相同，可以参考[“Paddle Lite在Docker下的ARM编译”](/source_compile)。
+其他编译选项与ARM编译相同，可以参考[“Paddle Lite在Docker下的ARM编译”]({{ site.baseurl }}/source_compile)。
 示例如下：
 ```shell
     cmake .. \

_posts/2019-09-16-java_demo.md

@@ -26,7 +26,7 @@ title: Java Android Demo
 
 ## 编译
 
-首先在PaddleLite的开发 [Docker镜像](/source_compile) 中，拉取最新PaddleLite代码，编译对应你手机架构的预测库，
+首先在PaddleLite的开发 [Docker镜像]({{ site.baseurl }}/source_compile) 中，拉取最新PaddleLite代码，编译对应你手机架构的预测库，
 下面我们以arm8 架构举例。进入paddlelite 目录，运行以下命令：
 
 ```shell

_posts/2019-09-16-model_optimize_tool.md

@@ -18,7 +18,7 @@ chmod 777 model_optimize_tool
 
 ### 编译model_optimize_tool
 
-1、参照 [编译安装](/source_compile) 进行环境配置和编译
+1、参照 [编译安装]({{ site.baseurl }}/source_compile) 进行环境配置和编译
 
 2、进入docker中PaddleLite根目录，```git checkout develop```切换到develop分支
 

_posts/2019-09-16-npu.md

@@ -26,7 +26,7 @@ CMAKE编译选项：
 - 设置`LITE_WITH_NPU=ON`和`LITE_WITH_ARM=ON`
 - 设置DDK根目录路径 `NPU_DDK_ROOT`
 
-其他编译选项与ARM编译相同，可以参考[“Paddle Lite在Docker下的ARM编译”](/source_compile)。
+其他编译选项与ARM编译相同，可以参考[“Paddle Lite在Docker下的ARM编译”]({{ site.baseurl }}/source_compile)。
 
 示例如下：
 ```shell

_posts/2019-09-16-tutorial.md

@@ -12,9 +12,9 @@ Lite框架目前支持的模型结构为[PaddlePaddle](https://github.com/Paddle
 
 # 二. 模型优化
 
-Lite框架拥有强大的加速、优化策略及实现，其中包含诸如量化、子图融合、Kernel优选等等优化手段，为了方便您使用这些优化策略，我们提供了[Model Optimize Tool](/model_optimize_tool)帮助您轻松进行模型优化。优化后的模型更轻量级，耗费资源更少，并且执行速度也更快。
+Lite框架拥有强大的加速、优化策略及实现，其中包含诸如量化、子图融合、Kernel优选等等优化手段，为了方便您使用这些优化策略，我们提供了[Model Optimize Tool]({{ site.baseurl }}/model_optimize_tool)帮助您轻松进行模型优化。优化后的模型更轻量级，耗费资源更少，并且执行速度也更快。
 
-Model Optimize Tool的详细介绍，请您参考 [模型优化方法](/model_optimize_tool) 。
+Model Optimize Tool的详细介绍，请您参考 [模型优化方法]({{ site.baseurl }}/model_optimize_tool) 。
 
 使用Model Optimize Tool，您只需执行以下代码：
 ## 1. Android
@@ -72,8 +72,8 @@ $ adb shell
 
 # 四. Lite API
 
-为了方便您的使用，我们提供了C++与Java两种API，并且提供了相应的api使用的[完整示例](/demos)，您可以参考示例中的说明快速了解C++/Java的API使用方法，并集成到您自己的项目中去。需要说明的是，为了减少第三方库的依赖、提高Lite预测框架的通用性，在移动端使用Lite API您需要准备Naive Buffer存储格式的模型，具体方法可参考第2节`模型优化`。
+为了方便您的使用，我们提供了C++与Java两种API，并且提供了相应的api使用的[完整示例]({{ site.baseurl }}/demos)，您可以参考示例中的说明快速了解C++/Java的API使用方法，并集成到您自己的项目中去。需要说明的是，为了减少第三方库的依赖、提高Lite预测框架的通用性，在移动端使用Lite API您需要准备Naive Buffer存储格式的模型，具体方法可参考第2节`模型优化`。
 
 # 五. 测试工具
 
-为了使您更好的了解并使用Lite框架，我们向有进一步使用需求的用户开放了 [Lite Model Debug  Tool](/debug_tools) 和 [Profile Monitor Tool](/debug_tools)。Lite Model Debug Tool可以用来查找Lite框架与PaddlePaddle框架在执行预测时模型中的对应变量值是否有差异，进一步快速定位问题Op，方便复现与排查问题。Profile Monitor Tool可以帮助您了解每个Op的执行时间消耗，其会自动统计Op执行的次数，最长、最短、平均执行时间等等信息，为性能调优做一个基础参考。您可以通过 [相关专题](/debug_tools) 了解更多内容。
+为了使您更好的了解并使用Lite框架，我们向有进一步使用需求的用户开放了 [Lite Model Debug  Tool]({{ site.baseurl }}/debug_tools) 和 [Profile Monitor Tool]({{ site.baseurl }}/debug_tools)。Lite Model Debug Tool可以用来查找Lite框架与PaddlePaddle框架在执行预测时模型中的对应变量值是否有差异，进一步快速定位问题Op，方便复现与排查问题。Profile Monitor Tool可以帮助您了解每个Op的执行时间消耗，其会自动统计Op执行的次数，最长、最短、平均执行时间等等信息，为性能调优做一个基础参考。您可以通过 [相关专题]({{ site.baseurl }}/debug_tools) 了解更多内容。

index.md

 ---
 layout: post
-title: Paddle-Lite 文档
+title: Paddle-Lite文档
 ---
 
-## 总体概述
-
 Paddle-Lite 框架是 PaddleMobile 新一代架构，重点支持移动端推理预测，特点**高性能、多硬件、轻量级** 。支持PaddleFluid/TensorFlow/Caffe/ONNX模型的推理部署，目前已经支持 ARM CPU, Mali GPU, Adreno GPU, Huawei NPU 等>多种硬件，正在逐步增加 X86 CPU, Nvidia GPU 等多款硬件，相关硬件性能业内领先。