[doc]modify cpp_demo doc (#2984)

docs/user_guides/cpp_demo.md

 # C++ Demo
 
-## 编译
+## 1. 下载最新版本预测库
 
-首先按照[PaddleLite 源码编译](../installation/source_compile)准备交叉编译环境，之后拉取最新[PaddleLite release发布版代码](https://github.com/PaddlePaddle/Paddle-Lite)。下面以Android-ARMv8架构为例，介绍编译过程，并最终在手机上跑通MobilNetv1模型。
+预测库下载界面位于[Paddle-Lite官方预编译库](../installation/release_lib)，可根据需求选择合适版本。
 
-进入 Paddle-Lite 目录，运行以下命令编译代码（**需加编译选项`--build_extra=ON`确保完整编译**）：
+以**Android-ARMv8架构**为例，可以下载以下版本：
 
+
+|ARM Version|build_extra|arm_stl|target|下载|
+|:-------:|:-----:|:-----:|:-----:|:-------:|
+|armv8|OFF|c++_static|tiny_publish|[release/v2.3](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.3.0/inference_lite_lib.android.armv8.gcc.c++_static.tiny_publish.tar.gz)|
+
+**解压后内容如下图所示：**
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/1inference_lib.png)
+
+## 2. 转化模型
+
+PaddlePaddle的原生模型需要经过[opt]()工具转化为Paddle-Lite可以支持的naive_buffer格式。
+
+以`mobilenet_v1`模型为例：
+
+（1）下载[mobilenet_v1模型](http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)后解压：
+
+```shell
+wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
+tar zxf mobilenet_v1.tar.gz
 ```
-./lite/tools/build.sh        \
-    --arm_os=android         \
-    --arm_abi=armv8          \
-    --arm_lang=gcc           \
-    --android_stl=c++_static \
-    --build_extra=ON         \
-    full_publish
+
+**如下图所示:**
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/3inference_model.png)
+
+（2）下载[opt工具](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.3.0/opt)。放入同一文件夹，终端输入命令转化模型：
+
+```shell
+wget https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.3.0/opt
+chmod +x opt
+./opt --model_dir=./mobilenet_v1 --optimize_out_type=naive_buffer   --optimize_out=./mobilenet_v1_opt
 ```
 
-编译完成后 `./build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/` 文件夹下包含：
+**结果如下图所示：**
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/2opt_model.png)
+
+
 
-- cxx
-	- include (头文件文件夹)
-	- lib          (库文件文件夹)
-		- libpaddle_api_full_bundled.a
-		- libpaddle_api_light_bundled.a
-		- libpaddle_light_api_shared.so
-		- libpaddle_full_api_shared.so
-- demo
-	- cxx  （C++ demo）
-		- mobile_light  (light api demo)
-		- mobile_full    (full api demo)
-    - mobile_detection    (detection model api demo)
-    - mobile_classify    (classify model api demo)
-		- Makefile.def
-		- include
-- third_party  （第三方库文件夹）
-	- gflags
+## 3. 编写预测程序
 
-## 准备执行环境
+准备好预测库和模型，我们便可以编写程序来执行预测。我们提供涵盖图像分类、目标检测等多种应用场景的C++示例demo可供参考，位于`inference_lite_lib.android.armv8/demo/cxx`。
 
-执行环境有两种：使用安卓手机；若没安卓手机，也可在安卓模拟器中执行。
+以mobile net_v1预测为例：`mobile_light`为mobilenet_v1预测示例，可以直接调用。
 
-### 环境一：使用安卓手机
+**示例如下图所示：**
 
-将手机连上电脑，在手机上打开选项 -> 开启-开发者模式 -> 开启-USB调试模式。确保 `adb devices` 能够看到相应的设备。
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/4light_demo.png)
 
-### 环境二：使用安卓模拟器
 
-运行下面命令，分别创建安卓armv8、armv7架构的模拟器。若需在真机测试，将模拟器换成相应架构的真机环境即可。
 
+## 4. 编译
+
+预测程序需要编译为Android可执行文件。
+
+以mobilenet_v1模型为例，C++示例位于`inference_lite_lib.android.armv8/demo/mobile_light`
+
+```shell
+cd inference_lite_lib.android.armv8/demo/mobile_light
 ```
-*android-armv8*
-adb kill-server
-adb devices | grep emulator | cut -f1 | while read line; do adb -s $line emu kill; done
-echo n | avdmanager create avd -f -n paddle-armv8 -k "system-images;android-24;google_apis;arm64-v8a"
-echo -ne '\n' | ${ANDROID_HOME}/emulator/emulator -avd paddle-armv8 -noaudio -no-window -gpu off -port 5554 &
-sleep 1m
+
+编译demo
+
+```shell
+make
 ```
 
+**结果如下图所示：**
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/5compile_demo.png)
+
+## 5. 执行预测
+
+通过adb工具将可执行文件推送到手机上执行预测
+
+（1）保证电脑已经安装adb工具，手机以"USB调试"、"文件传输模式"连接到电脑。
+
+``` shell
+adb deveices   #查看adb设备是否已被识别
 ```
-*android-armv7*
-adb kill-server
-adb devices | grep emulator | cut -f1 | while read line; do adb -s $line emu kill; done
-echo n | avdmanager create avd -f -n paddle-armv7 -k "system-images;android-24;google_apis;armeabi-v7a"
-echo -ne '\n' | ${ANDROID_HOME}/emulator/emulator -avd paddle-armv7 -noaudio -no-window -gpu off -port 5554 &
-sleep 1m
+
+**连接如下图所示：**
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/6adb_devices.png)
+
+（2）准备预测库、模型和预测文件
+
+1、将模型、动态库和预测文件放入同一文件夹：
+
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/7files.png)
+
+**注意**：动态预测库文件位于: `inference_lite_lib.android.armv8/cxx/liblibpaddle_light_api_shared.so`
+
+2、文件推送到手机：
+
+``` shell
+chmod +x mobilenetv1_light_api
+adb push mobilenet_v1_opt.nb /data/local/tmp
+adb push libpaddle_light_api_shared.so /data/local/tmp
+adb push mobilenetv1_light_api /data/local/tmp
 ```
+**效果如下图所示：**
 
-## 下载模型并运行示例
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/8push_file.png)
 
+（3）执行预测
+
+```shell
+adb shell 'cd /data/local/tmp && export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/local/tmp && mobilenetv1_light_api ./mobilenet_v1_opt.nb'
 ```
-cd inference_lite_lib.android.armv8/demo/cxx/mobile_full
-wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
-tar zxvf mobilenet_v1.tar.gz
+**结果如下图所示：**
 
-make
+![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/9result.png)
+
+上图的`Output`为mobilenet_v1模型在全1输入时，得到的预测输出。至此，Paddle-Lite的C++ demo执行完毕。
+
+
+
+
+
+## 注：如何在代码中使用 API
+
+C++代码调用Paddle-Lite执行预测库仅需以下五步：
 
-adb push mobilenet_v1 /data/local/tmp/
-adb push mobilenetv1_full_api /data/local/tmp/
-adb shell chmod +x /data/local/tmp/mobilenetv1_full_api
-adb shell "/data/local/tmp/mobilenetv1_full_api --model_dir=/data/local/tmp/mobilenet_v1 --optimized_model_dir=/data/local/tmp/mobilenet_v1.opt"
+（1）引用头文件和命名空间
+
+```c++
+#include "paddle_api.h"
+using namespace paddle::lite_api;
 ```
 
-注：我们也提供了轻量级 API 的 demo、图像分类demo和目标检测demo，支持图像输入；
+（2）指定模型文件，创建Predictor
 
-### Light API Demo
+```C++
+// 1. Set MobileConfig, model_file_path is 
+// the path to model model file. 
+MobileConfig config;
+config.set_model_from_file(model_file_path);
+// 2. Create PaddlePredictor by MobileConfig
+std::shared_ptr<PaddlePredictor> predictor =
+    CreatePaddlePredictor<MobileConfig>(config);
+```
+
+（3）设置模型输入 (下面以全一输入为例)
+
+```c++
+std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
+input_tensor->Resize({1, 3, 224, 224});
+auto* data = input_tensor->mutable_data<float>();
+for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
+  data[i] = 1;
+}
+```
+
+（4）执行预测
 
+```c++
+predictor->Run();
+```
+
+（5）获得预测结果
+
+```c++
+std::unique_ptr<const Tensor> output_tensor(
+    std::move(predictor->GetOutput(0)));
+// 转化为数据
+auto output_data=output_tensor<float>();
 ```
+
+
+
+
+
+## 其他cxx_demo的编译与预期结果
+
+### Light API Demo
+
+```shell
 cd ../mobile_light
 make
 adb push mobilenetv1_light_api /data/local/tmp/
@@ -96,7 +195,7 @@ adb shell "/data/local/tmp/mobilenetv1_light_api --model_dir=/data/local/tmp/mob
 
 ### 图像分类 Demo
 
-```
+```shell
 cd ../mobile_classify
 wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
 tar zxvf mobilenet_v1.tar.gz
@@ -111,7 +210,7 @@ adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/loc
 
 ### 目标检测 Demo
 
-```
+```shell
 cd ../mobile_detection
 wget https://paddle-inference-dist.bj.bcebos.com/mobilenetv1-ssd.tar.gz
 tar zxvf mobilenetv1-ssd.tar.gz
@@ -124,13 +223,11 @@ adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/loc
 adb pull /data/local/tmp/test_detection_result.jpg ./
 ```
 
-## Demo 程序运行结果
-
 ### light API Demo 运行结果
 
 运行成功后 ，将在控制台输出预测结果的前10个类别的预测概率：
 
-```
+```shell
 Output dim: 1000
 Output[0]: 0.000191
 Output[100]: 0.000160
@@ -148,7 +245,7 @@ Output[900]: 0.000586
 
 运行成功后 ，将在控制台输出预测结果的前5个类别的类型索引、名字和预测概率：
 
-```
+```shell
 parameter:  model_dir, image_path and label_file are necessary
 parameter:  topk, input_width,  input_height, are optional
 i: 0, index: 285, name:  Egyptian cat, score: 0.482870
@@ -162,182 +259,8 @@ i: 4, index: 722, name:  ping-pong ball, score: 0.000508
 
 运行成功后 ，将在控制台输出检测目标的类型、预测概率和坐标：
 
-```
+```shell
 running result:
 detection image size: 935, 1241, detect object: person, score: 0.996098, location: x=187, y=43, width=540, height=592
 detection image size: 935, 1241, detect object: person, score: 0.935293, location: x=123, y=639, width=579, height=597
 ```
-
-## 如何在代码中使用 API
-
-在C++中使用PaddleLite API非常简单，不需要添加太多额外代码，具体步骤如下：
-
-- 加入头文件引用
-
-```
-  #include <iostream>
-  #include <vector>
-  #include "paddle_api.h"
-  #include "paddle_use_kernels.h"
-  #include "paddle_use_ops.h"
-  #include "paddle_use_passes.h"
-```
-
-- 通过MobileConfig设置：模型文件位置（model_dir）、线程数（thread）和能耗模式( power mode )。输入数据（input），从 MobileConfig 创建 PaddlePredictor 并执行预测。  （注：Lite还支持从memory直接加载模型，可以通过MobileConfig::set_model_buffer方法实现）
-
-代码示例：
-
-```
-// 1. Create MobileConfig
-MobileConfig config;
-
-// 2. Load model
-config.set_model_dir("path to your model directory"); // model dir
-/*load model: Lite supports loading model from file or from memory (naive buffer from optimized model)
-//Method One: Load model from memory:
-void set_model_buffer(const char* model_buffer,
-                    size_t model_buffer_size,
-                    const char* param_buffer,
-                    size_t param_buffer_size)
-//Method Two: Load model from file:
-void set_model_dir(const std::string& model_dir)  */
-
-// 3. Set MobileConfig (or you can skip this step to use default value):
-config.set_power_mode(LITE_POWER_HIGH); // power mode
-/*power modes: Lite supports the following power modes
-    LITE_POWER_HIGH
-    LITE_POWER_LOW
-    LITE_POWER_FULL
-    LITE_POWER_NO_BIND
-    LITE_POWER_RAND_HIGH
-    LITE_POWER_RAND_LOW */
-config.set_threads("num of threads"); // threads
-
-// 4. Create PaddlePredictor by MobileConfig
-std::shared_ptr<PaddlePredictor> predictor =
-    CreatePaddlePredictor<MobileConfig>(config);
-
-// 5. Prepare input data
-std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
-input_tensor->Resize({1, 3, 224, 224});
-auto *data = input_tensor -> mutable_data<float>();
-for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
-  data[i] = 1;
-}
-
-// 6. Run predictor
-predictor->Run();
-
-// 7. Get output
-std::unique_ptr<const Tensor> output_tensor(std::move(predictor->GetOutput(0)));
-```
-
-## CxxConfig案例: OCR_model的运行
-
-1. OCR 模型文件：
-   - 我们提供Pb格式的[ocr_attention_mode](https://paddle-inference-dist.cdn.bcebos.com/ocr_attention.tar.gz)l下载
-   - 也可以从[Paddle/model项目](https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/ocr_recognition)中训练出模型
-2. 示例代码：
-
-
-```
-#include "paddle_api.h"         // NOLINT
-#include "paddle_use_passes.h"  // NOLINT
-#include <gflags/gflags.h>
-#include <stdio.h>
-#include <vector>
-using namespace paddle::lite_api; // NOLINT
-
-DEFINE_string(model_dir, "", "Model dir path.");
-DEFINE_bool(prefer_int8_kernel, false, "Prefer to run model with int8 kernels");
-
-int64_t ShapeProduction(const shape_t &shape) {
-  int64_t res = 1;
-  for (auto i : shape)
-    res *= i;
-  return res;
-}
-
-void RunModel() {
-  // 1. Set CxxConfig
-  CxxConfig config;
-  config.set_model_dir(FLAGS_model_dir);
-  std::vector<Place> valid_places({Place{TARGET(kARM), PRECISION(kFloat)}});
-  if (FLAGS_prefer_int8_kernel) {
-    valid_places.insert(valid_places.begin(),
-                        Place{TARGET(kARM), PRECISION(kInt8)});
-  }
-  config.set_valid_places(valid_places);
-
-  // 2. Create PaddlePredictor by CxxConfig
-  std::shared_ptr<PaddlePredictor> predictor =
-      CreatePaddlePredictor<CxxConfig>(config);
-
-  // 3. Prepare input data
-  // input 0
-  std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
-  input_tensor->Resize(shape_t({1, 1, 48, 512}));
-  auto *data = input_tensor->mutable_data<float>();
-  for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
-    data[i] = 1;
-  }
-  // input1
-  std::unique_ptr<Tensor> init_ids(std::move(predictor->GetInput(1)));
-  init_ids->Resize(shape_t({1, 1}));
-  auto *data_ids = init_ids->mutable_data<float>();
-  for (int i = 0; i < ShapeProduction(init_ids->shape()); ++i) {
-    data_ids[i] = 0;
-  }
-
-  lod_t lod_i;
-  lod_i.push_back({0, 1});
-  lod_i.push_back({0, 1});
-  init_ids->SetLoD(lod_i);
-  // input2
-  std::unique_ptr<Tensor> init_scores(std::move(predictor->GetInput(2)));
-  init_scores->Resize(shape_t({1, 1}));
-  auto *data_scores = init_scores->mutable_data<float>();
-  for (int i = 0; i < ShapeProduction(init_scores->shape()); ++i) {
-    data_scores[i] = 0;
-  }
-  lod_t lod_s;
-  lod_s.push_back({0, 1});
-  lod_s.push_back({0, 1});
-  init_scores->SetLoD(lod_s);
-
-  // 4. Run predictor
-  predictor->Run();
-
-  // 5. Get output
-  std::unique_ptr<const Tensor> output_tensor(
-      std::move(predictor->GetOutput(0)));
-  for (int i = 0; i < ShapeProduction(output_tensor->shape()); i++) {
-    printf("Output[%d]: %f\n", i, output_tensor->data<float>()[i]);
-  }
-}
-
-int main(int argc, char **argv) {
-  google::ParseCommandLineFlags(&argc, &argv, true);
-  RunModel();
-  return 0;
-}
-```
-
-3. 运行方法：
- 参考以上代码编译出可执行文件`OCR_DEMO`，模型文件夹为`ocr_attention`。手机以USB调试、文件传输模式连接电脑。
-```
-简单编译出`OCR_DEMO`的方法：用以上示例代码替换编译结果中`build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/cxx/mobile_full/mobilenetv1_full_api.cc`文件的内容，终端进入该路径（`demo/cxx/mobile_full/`），终端中执行`make && mv mobilenetv1_full_api OCR_DEMO`即编译出了OCR模型的可执行文件`OCR_DEMO`
-```
-   在终端中输入以下命令执行OCR model测试：
-
-```
-#OCR_DEMO为编译出的可执行文件名称；ocr_attention为ocr_attention模型的文件夹名称；libpaddle_full_api_shared.so是编译出的动态库文件，位于`build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/cxx/lib`
-adb push OCR_DEMO /data/local/tmp
-adb push ocr_attention /data/local/tmp
-adb push libpaddle_full_api_shared.so /data/local/tmp/
-adb shell 'export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && cd /data/local/tmp && ./OCR_DEMO --model_dir=./OCR_DEMO'
-```
-
-4. 运行结果
-
-<img src='https://user-images.githubusercontent.com/45189361/64398400-46531580-d097-11e9-9f1c-5aba1dfbc24f.png' align='left' width="150" height="200"/>

docs/user_guides/tutorial.md

@@ -9,16 +9,16 @@ 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[opt](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) 。
+opt的详细介绍，请您参考 [模型优化方法](model_optimize_tool) 。
 
-使用Model Optimize Tool，您只需编译后在开发机上执行以下代码：
+使用opt，您只需编译后在开发机上执行以下代码：
 
 ``` shell
 $ cd <PaddleLite_base_path>
-$ cd build.model_optimize_tool/lite/api/
-$ ./model_optimize_tool \
+$ cd build.opt/lite/api/
+$ ./opt \
     --model_dir=<model_param_dir> \
     --model_file=<model_path> \
     --param_file=<param_path> \
@@ -32,11 +32,11 @@ $ ./model_optimize_tool \
 
 ## 三. 使用Lite框架执行预测
 
-在上一节中，我们已经通过Model Optimize Tool获取到了优化后的模型，使用优化模型进行预测也十分的简单。为了方便您的使用，Lite进行了良好的API设计，隐藏了大量您不需要投入时间研究的细节。您只需要简单的五步即可使用Lite在移动端完成预测（以C++ API进行说明）：
+在上一节中，我们已经通过`opt`获取到了优化后的模型，使用优化模型进行预测也十分的简单。为了方便您的使用，Lite进行了良好的API设计，隐藏了大量您不需要投入时间研究的细节。您只需要简单的五步即可使用Lite在移动端完成预测（以C++ API进行说明）：
 
 
-1. 声明MobileConfig。在config中可以设置**从文件加载模型**也可以设置**从memory加载模型**。从文件加载模型需要声明模型文件路径，如 `config.set_model_dir(FLAGS_model_dir)` ；从memory加载模型方法现只支持加载优化后模型的naive buffer，实现方法为：
-`void set_model_buffer(model_buffer,model_buffer_size,param_buffer,param_buffer_size) `
+1. 声明MobileConfig。在config中可以设置**从文件加载模型**也可以设置**从memory加载模型**。从文件加载模型需要声明模型文件路径，如 `config.set_model_from_file(FLAGS_model_file)` ；从memory加载模型方法现只支持加载优化后模型的naive buffer，实现方法为：
+`void set_model_from_buffer(model_buffer) `
 
 2. 创建Predictor。Predictor即为Lite框架的预测引擎，为了方便您的使用我们提供了 `CreatePaddlePredictor` 接口，你只需要简单的执行一行代码即可完成预测引擎的初始化，`std::shared_ptr<PaddlePredictor> predictor = CreatePaddlePredictor(config)` 。
 3. 准备输入。执行predictor->GetInput(0)您将会获得输入的第0个field，同样的，如果您的模型有多个输入，那您可以执行 `predictor->GetInput(i)` 来获取相应的输入变量。得到输入变量后您可以使用Resize方法指定其具体大小，并填入输入值。