diff --git a/README.md b/README.md
index 0d00747c2b9d129f8c873ad654742bd93dfaf7bf..d9463e5851b46b685eee6b1e1786fb3f8d1e7579 100644
--- a/README.md
+++ b/README.md
@@ -24,16 +24,16 @@ Paddle Lite框架拥有优秀的加速、优化策略及实现，包含量化、
 
 **三. 下载或编译**
 
-Paddle Lite提供了Android/iOS/X86平台的官方Release预测库下载，我们优先推荐您直接下载 [Paddle Lite预编译库](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html)。
+Paddle Lite提供了Android/iOS/X86平台的官方Release预测库下载，我们优先推荐您直接下载 [Paddle Lite预编译库](https://paddle-lite.readthedocs.io/zh/latest/quick_start/release_lib.html)。
 您也可以根据目标平台选择对应的[源码编译方法](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html)。Paddle Lite 提供了源码编译脚本，位于 `lite/tools/`文件夹下，只需要 [准备环境](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html#id2) 和 [调用编译脚本](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html#paddlelite) 两个步骤即可一键编译得到目标平台的Paddle Lite预测库。
 
 **四. 预测示例**
 
 Paddle Lite提供了C++、Java、Python三种API，并且提供了相应API的完整使用示例:
 
-- [C++完整示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/cpp_demo.html)
-- [Java完整示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/java_demo.html)
-- [Python完整示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/python_demo.html)
+- [C++完整示例](https://paddle-lite.readthedocs.io/zh/latest/quick_start/cpp_demo.html)
+- [Java完整示例](https://paddle-lite.readthedocs.io/zh/latest/quick_start/java_demo.html)
+- [Python完整示例](https://paddle-lite.readthedocs.io/zh/latest/quick_start/python_demo.html)
 
 您可以参考示例中的说明快速了解使用方法，并集成到您自己的项目中去。
 
diff --git a/docs/app_develop/cpp_app_develop.md b/docs/app_develop/cpp_app_develop.md
new file mode 100644
index 0000000000000000000000000000000000000000..e144843f31e6cf1e09b149eba56e4103eaad07a6
--- /dev/null
+++ b/docs/app_develop/cpp_app_develop.md
@@ -0,0 +1,50 @@
+# C++ 应用开发
+
+C++代码调用Paddle-Lite执行预测库仅需以下五步：
+
+(1) 引用头文件和命名空间
+
+```c++
+#include "paddle_api.h"
+using namespace paddle::lite_api;
+```
+
+(2) 指定模型文件，创建Predictor
+
+```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->data<float>();
+```
+
+详细的C++ API说明文档位于[C++ API](../api_reference/cxx_api_doc)。更多C++应用预测开发可以参考位于 [demo/c++](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/cxx) 下的示例代码，或者位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
diff --git a/docs/app_develop/java_app_develop.md b/docs/app_develop/java_app_develop.md
new file mode 100644
index 0000000000000000000000000000000000000000..a7690c65eb51a745d57394f82eec3963bd469549
--- /dev/null
+++ b/docs/app_develop/java_app_develop.md
@@ -0,0 +1,44 @@
+# Java 应用开发
+
+Java代码调用Paddle-Lite执行预测库仅需以下五步：
+
+(1) 设置config信息
+
+```java
+MobileConfig config = new MobileConfig();
+config.setModelDir(modelPath);
+config.setPowerMode(PowerMode.LITE_POWER_HIGH);
+config.setThreads(1);
+```
+
+(2) 创建predictor
+
+```java
+PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
+```
+
+(3) 设置模型输入 (下面以全一输入为例)
+
+```java
+float[] inputBuffer = new float[10000];
+for (int i = 0; i < 10000; ++i) {
+    inputBuffer[i] = i;
+}
+Tensor input = predictor.getInput(0);
+input.resize({100, 100});
+input.setData(inputBuffer);
+```
+
+(4) 执行预测
+
+```java
+predictor.run();
+```
+
+(5) 获得预测结果
+
+```java
+Tensor output = predictor.getOutput(0);
+```
+
+详细的Java API说明文档位于[Java API](../api_reference/java_api_doc)。更多Java应用预测开发可以参考位于 [demo/java](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/java) 下的示例代码，或者位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
diff --git a/docs/app_develop/python_app_develop.md b/docs/app_develop/python_app_develop.md
new file mode 100644
index 0000000000000000000000000000000000000000..1e5aab0c12345fe651d3abf1a6b5682cb35c45d0
--- /dev/null
+++ b/docs/app_develop/python_app_develop.md
@@ -0,0 +1,47 @@
+# Python 应用开发
+
+Python代码调用Paddle-Lite执行预测库仅需以下六步：
+
+(1) 设置config信息
+```python
+from paddlelite.lite import *
+
+config = MobileConfig()
+config.set_model_from_file(/YOU_MODEL_PATH/mobilenet_v1_opt.nb)
+```
+
+(2) 创建predictor
+
+```python
+predictor = create_paddle_predictor(config)
+```
+
+(3) 从图片读入数据
+
+```python
+image = Image.open('./example.jpg')
+resized_image = image.resize((224, 224), Image.BILINEAR)
+image_data = np.array(resized_image).flatten().tolist()
+```
+
+(4) 设置输入数据
+
+```python
+input_tensor = predictor.get_input(0)
+input_tensor.resize([1, 3, 224, 224])
+input_tensor.set_float_data(image_data)
+```
+
+(5) 执行预测
+```python
+predictor.run()
+```
+
+(6) 得到输出数据
+```python
+output_tensor = predictor.get_output(0)
+print(output_tensor.shape())
+print(output_tensor.float_data()[:10])
+```
+
+详细的Python API说明文档位于[Python API](../api_reference/python_api_doc)。更多Python应用预测开发可以参考位于 [demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python) 下的示例代码，或者位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
diff --git a/docs/demo_guides/cpp_demo.md b/docs/demo_guides/cpp_demo.md
deleted file mode 100644
index 7ce61244f9ba52a616cd6e73ba91c4c816ba7073..0000000000000000000000000000000000000000
--- a/docs/demo_guides/cpp_demo.md
+++ /dev/null
@@ -1,278 +0,0 @@
-# C++ Demo
-
-## 1. 下载最新版本预测库
-
-预测库下载界面位于[Paddle-Lite官方预编译库](../user_guides/release_lib)，可根据需求选择合适版本。
-
-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
-```
-
-**如下图所示:**
-
-![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/3inference_model.png)
-
-（2）模型转换
-
-
-  - v2.6.0版本之前
-
-  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
-  ```
-  - v2.6.0版本以及后续版本
-
-  安装paddlelite，终端输入命令转化模型
- 
-  ```shell
-  python -m pip install paddlelite
-  paddle_lite_opt --model_dir=./mobilenet_v1 --optimize_out_type=naive_buffer   --optimize_out=./mobilenet_v1_opt
-  ```
-**结果如下图所示：**
-
-![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/2opt_model.png)
-
-
-
-## 3. 编写预测程序
-
-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`。
-
-以mobile net_v1预测为例：`mobile_light`为mobilenet_v1预测示例，可以直接调用。
-
-**示例如下图所示：**
-
-![image](https://paddlelite-data.bj.bcebos.com/doc_images/cxx_demo/4light_demo.png)
-
-
-
-## 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
-```
-
-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
-```
-
-**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：**
-
-![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'
-```
-**结果如下图所示：**
-
-![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：
-
-（1）引用头文件和命名空间
-
-```c++
-#include "paddle_api.h"
-using namespace paddle::lite_api;
-```
-
-（2）指定模型文件，创建Predictor
-
-```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->data<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/
-adb shell chmod +x /data/local/tmp/mobilenetv1_light_api
-adb shell "/data/local/tmp/mobilenetv1_light_api --model_dir=/data/local/tmp/mobilenet_v1.opt  "
-```
-
-
-### 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
-make
-adb push mobile_classify /data/local/tmp/
-adb push test.jpg /data/local/tmp/
-adb push labels.txt /data/local/tmp/
-adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/
-adb shell chmod +x /data/local/tmp/mobile_classify
-adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobile_classify /data/local/tmp/mobilenet_v1.opt /data/local/tmp/test.jpg /data/local/tmp/labels.txt"
-```
-
-### 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
-make
-adb push mobile_detection /data/local/tmp/
-adb push test.jpg /data/local/tmp/
-adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/
-adb shell chmod +x /data/local/tmp/mobile_detection
-adb shell "export LD_LIBRARY_PATH=/data/local/tmp/:$LD_LIBRARY_PATH && /data/local/tmp/mobile_detection /data/local/tmp/mobilenetv1-ssd /data/local/tmp/test.jpg"
-adb pull /data/local/tmp/test_detection_result.jpg ./
-```
-
-### 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
-Output[200]: 0.000264
-Output[300]: 0.000211
-Output[400]: 0.001032
-Output[500]: 0.000110
-Output[600]: 0.004829
-Output[700]: 0.001845
-Output[800]: 0.000202
-Output[900]: 0.000586
-```
-
-### 图像分类 Demo 运行结果
-
-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
-i: 1, index: 281, name:  tabby, tabby cat, score: 0.471593
-i: 2, index: 282, name:  tiger cat, score: 0.039779
-i: 3, index: 287, name:  lynx, catamount, score: 0.002430
-i: 4, index: 722, name:  ping-pong ball, score: 0.000508
-```
-
-### 目标检测 Demo 运行结果
-
-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
-```
diff --git a/docs/demo_guides/java_demo.md b/docs/demo_guides/java_demo.md
deleted file mode 100644
index ad37e7b95dbd439ccc7393af27140a404e16cf07..0000000000000000000000000000000000000000
--- a/docs/demo_guides/java_demo.md
+++ /dev/null
@@ -1,99 +0,0 @@
-# Java Demo
-
-本节中，Java demo 完整代码位于 [demo/java](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/java) 。
-
-要编译和跑起Android demo 程序 PaddlePredictor，你需要准备：
-
-1. 一台能运行安卓程序的安卓手机
-2. 一台带有AndroidStudio的开发机
-
-## 编译
-
-首先在PaddleLite的开发 [Docker镜像](../user_guides/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
-./lite/tools/build.sh        \
-    --arm_os=android         \
-    --arm_abi=armv8          \
-    --arm_lang=gcc           \
-    --android_stl=c++_static \
-    tiny_publish
-```
-
-命令完成后查看要存在
-
-```
-./build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/java/so/libpaddle_lite_jni.so
-./build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/java/jar/PaddlePredictor.jar
-./build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/java/android
-```
-
-libpaddle_lite_jni.so为 PaddleLite c++ 动态链接库，PaddlePredictor.jar为 Java jar 包，两者包含 PaddleLite Java API，接下来 Android Java 代码会使用这些api。android文件夹中则是Android demo。
-
-## 准备 demo 需要的其他文件
-
-Demo 除了代码，还需要准备在Android工程目录下配置好JNI .so 库（上节提到的`libpaddle_lite_jni.so`），Java .jar 包（上文提到的`PaddlePredictor.jar` ），和模型文件。我们提供了自动化的脚本和手动拷贝两种方法，用户可以根据自己需要选择：
-
-### 脚本方法
-
-进入 `build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/java/android`，我们准备了一个脚本`prepare_demo.bash`，脚本输入一个参数，为你要拷贝的.so 对应的架构文件夹名。
-
-例如运行
-
-```
-bash prepare_demo.bash arm8
-```
-
-该脚本自动下载并解压缩模型文件，拷贝了 .jar 包进demo，还有生成的.so包进`PaddlePredictor/app/src/main/jinLibs/架构文件夹下`，
-在我们这个例子里，armv8 就是架构文件夹。备注：这种方式构建的 demo 在 armv8 手机运行正常。如果要demo 程序在别的手机架构（如 armv7）上也运行正常，需要添加别的架构。
-
-### 手动拷贝方法
-
-接下来我们介绍手动拷贝，如果使用了脚本，那么可以跳过以下手动方法的介绍。
-
-### 把 .so 动态库和 .jar 拷贝进安卓demo程序：
-
-1. 将PaddlePredictor 载入到AndroidStudio。
-2. 将`libpaddle_lite_jni.so`拷贝进 `PaddlePredictor/app/src/main/jinLibs/架构文件夹下` ，比如文件夹arm8里要包含该 .so文件。
-3. 将 `PaddlePredictor.jar` 拷贝进 `PaddlePredictor/app/libs` 下
-
-### 把demo使用到的模型文件拷贝进安卓程序：
-
-下载我们的5个模型文件，并解压缩到 `PaddlePredictor/app/src/main/assets` 这个文件夹中
-需要拷贝的模型文件和下载地址：
-
-```
-inception_v4_simple_opt.nb http://paddle-inference-dist.bj.bcebos.com/inception_v4_simple_opt.nb.tar.gz
-lite_naive_model_opt.nb    http://paddle-inference-dist.bj.bcebos.com/lite_naive_model_opt.nb.tar.gz
-mobilenet_v1_opt.nb        http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1_opt.nb.tar.gz
-mobilenet_v2_relu_opt.nb   http://paddle-inference-dist.bj.bcebos.com/mobilenet_v2_relu_opt.nb.tar.gz
-resnet50_opt.nb            http://paddle-inference-dist.bj.bcebos.com/resnet50_opt.nb.tar.gz
-```
-
-下载完后，assets文件夹里要包含解压后的上面五个模型文件夹，但demo里不需要保存原压缩.tar.gz 文件。
-
-注意：输入的模型要求为naive buffer存储格式，您可以通过 [**Model Optimize Tool**](../user_guides/model_optimize_tool) 将fluid模型转为naive buffer存储格式。
-
-## 运行 Android 程序结果
-
-以上准备工作完成，就可以开始Build 、安装、和运行安卓demo程序。当你运行PaddlePredictor 程序时，大概会等10秒，然后看到类似以下字样：
-
-```
-lite_naive_model output: 50.213173, -28.872887
-expected: 50.2132, -28.8729
-
-inception_v4_simple test:true
-time: xxx ms
-
-resnet50 test:true
-time: xxx ms
-
-mobilenet_v1 test:true
-time: xxx ms
-
-mobilenet_v2 test:true
-time: xxx ms
-```
-
-该 demo 程序跑我们的 5 个模型，第一个模型结果将真正的头两个数字输出，并在第二行附上期望的正确值。你应该要看到他们的误差小于0.001。后面四个模型如果你看到 `test:true` 字样，说明模型输出通过了我们在 demo 程序里对其输出的测试。time 代表该测试花费的时间。
diff --git a/docs/demo_guides/python_demo.md b/docs/demo_guides/python_demo.md
deleted file mode 100644
index 59f81783c0b2e791f9623e84cf57c269cbb7d6f2..0000000000000000000000000000000000000000
--- a/docs/demo_guides/python_demo.md
+++ /dev/null
@@ -1,120 +0,0 @@
-# Python Demo
-
-## 1. 下载最新版本python预测库
-
-```shell
-python -m pip install paddlelite
-```
-
-## 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
-```
-
-（2）使用opt工具：
-
- 从磁盘加载模型时，根据模型和参数文件存储方式不同，加载模型和参数的路径有两种形式。
-
-- Linux环境
-  - 非combined形式：模型文件夹model_dir下存在一个模型文件和多个参数文件时，传入模型文件夹路径，模型文件名默认为__model__。
-
-  ```shell
-  paddle_lite_opt --model_dir=./mobilenet_v1  \
-                  --optimize_out=mobilenet_v1_opt \
-                  --optimize_out_type=naive_buffer \
-                  --valid_targets=x86
-  ```
-  - combined形式：模型文件夹model_dir下只有一个模型文件__model__和一个参数文件__params__时，传入模型文件和参数文件路径
-
-  ```shell
-  paddle_lite_opt --model_file=./mobilenet_v1/__model__ \
-                  --param_file=./mobilenet_v1/__params__  \
-                  --optimize_out=mobilenet_v1_opt \
-                  --optimize_out_type=naive_buffer \
-                  --valid_targets=x86
-  ```
-
-- windows环境
-
-windows 暂不支持命令行方式直接运行模型转换器，需要编写python脚本
-
-```python
-import paddlelite.lite as lite
-
-a=lite.Opt()
-# 非combined形式
-a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
-
-# conmbined形式
-# a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
-# a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
-
-a.set_optimize_out("mobilenet_v1_opt")
-a.set_valid_places("x86")
-
-a.run()
-```
-
-- MAC 环境
-
-Opt工具使用方式同Linux（MAC环境暂不支持python端预测，下个版本会修复该问题）
-
-## 3. 编写预测程序
-
-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，创建文件mobilenetV1_light_api.py，
-python demo 完整代码位于 [demo/python](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/demo/python/mobilenetv1_light_api.py) 。
-
-(1) 设置config信息
-```python
-from paddlelite.lite import *
-
-config = MobileConfig()
-config.set_model_from_file(/YOU_MODEL_PATH/mobilenet_v1_opt.nb)
-```
-
-(2) 创建predictor
-
-```python
-predictor = create_paddle_predictor(config)
-```
-
-(3) 从图片读入数据
-
-```python
-image = Image.open('./example.jpg')
-resized_image = image.resize((224, 224), Image.BILINEAR)
-image_data = np.array(resized_image).flatten().tolist()
-```
-
-(4) 设置输入数据
-
-```python
-input_tensor = predictor.get_input(0)
-input_tensor.resize([1, 3, 224, 224])
-input_tensor.set_float_data(image_data)
-```
-
-(5) 执行预测
-```python
-predictor.run()
-```
-
-(6) 得到输出数据
-```python
-output_tensor = predictor.get_output(0)
-print(output_tensor.shape())
-print(output_tensor.float_data()[:10])
-```
-
-## 4. 运行文件
-```shell
-python mobilenetV1_light_api.py
-```
diff --git a/docs/index.rst b/docs/index.rst
index a4a5e7e1904bddca0c825263a67ff02cdf3f036b..11cdf908cd3a7500510a6f0c3d633d0f6b2a2ab3 100644
--- a/docs/index.rst
+++ b/docs/index.rst
@@ -17,6 +17,26 @@ Welcome to Paddle-Lite's documentation!
   introduction/support_operation_list
   introduction/support_model_list
 
+.. toctree::
+  :maxdepth: 1
+  :caption: 快速开始
+  :name: sec-quick-start
+
+  quick_start/tutorial
+  quick_start/release_lib
+  quick_start/cpp_demo
+  quick_start/java_demo
+  quick_start/python_demo
+
+.. toctree::
+  :maxdepth: 1
+  :caption: 应用开发
+  :name: sec-app-develop
+
+  app_develop/cpp_app_develop
+  app_develop/java_app_develop
+  app_develop/python_app_develop
+
 .. toctree::
   :maxdepth: 1
   :caption: Benchmark
@@ -30,8 +50,6 @@ Welcome to Paddle-Lite's documentation!
   :caption: 使用方法
   :name: sec-user-guides
 
-  user_guides/tutorial
-  user_guides/release_lib
   user_guides/source_compile
   user_guides/x2paddle
   user_guides/model_optimize_tool
@@ -46,9 +64,6 @@ Welcome to Paddle-Lite's documentation!
   :caption: 部署示例
   :name: sec-demo_guides
 
-  demo_guides/cpp_demo
-  demo_guides/java_demo
-  demo_guides/python_demo
   demo_guides/android_app_demo
   demo_guides/ios_app_demo
   demo_guides/linux_arm_demo
diff --git a/docs/quick_start/cpp_demo.md b/docs/quick_start/cpp_demo.md
new file mode 100644
index 0000000000000000000000000000000000000000..a6c43fece92cb9454ba1ce49a3b1ea62203af137
--- /dev/null
+++ b/docs/quick_start/cpp_demo.md
@@ -0,0 +1,241 @@
+# C++ 完整示例
+
+本章节展示的所有C++ 示例代码位于 [demo/c++](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/cxx) 。
+
+## 1. 环境准备
+
+要编译和运行Android C++ 示例程序，你需要准备：
+
+1. 一台armv7或armv8架构的安卓手机
+2. 一台可以编译PaddleLite的电脑
+
+## 2. 下载预编译的预测库
+
+预测库下载界面位于[Paddle-Lite官方预编译库](release_lib)，可根据您的手机型号选择合适版本。
+
+以**Android-ARMv8架构**为例，可以下载以下版本：
+
+| Arch  |with_extra|arm_stl|with_cv|下载|
+|:-------:|:-----:|:-----:|:-----:|:-------:|
+|armv8|OFF|c++_static|OFF|[release/v2.6.1](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv8.gcc.c++_static.CV_OFF.tar.gz)|
+
+**解压后内容结构如下：**
+
+```shell
+inference_lite_lib.android.armv8          # Paddle-Lite 预测库
+├── cxx                                       # C++ 预测库
+│   ├── include                                   # C++ 预测库头文件
+│   └── lib                                       # C++ 预测库文件
+│       ├── libpaddle_api_light_bundled.a             # 静态预测库
+│       └── libpaddle_light_api_shared.so             # 动态预测库
+├── demo                                      # 示例 Demo
+│   ├── cxx                                       # C++ 示例 Demo
+│   └── java                                      # Java 示例 Demo
+└── java                                      # Java 预测库
+```
+
+## 3. 准备预测部署模型
+
+(1) 模型下载：下载[mobilenet_v1](http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)模型后解压，得到Paddle非combined形式的模型，位于文件夹 `mobilenet_v1` 下。可通过模型可视化工具[Netron](https://lutzroeder.github.io/netron/)打开文件夹下的`__model__`文件，查看模型结构。
+
+```shell
+wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
+tar zxf mobilenet_v1.tar.gz
+```
+
+(2) 模型转换：Paddle的原生模型需要经过[opt](../user_guides/model_optimize_tool)工具转化为Paddle-Lite可以支持的naive_buffer格式。
+
+方式一: 下载[opt工具](../user_guides/model_optimize_tool)，放入与`mobilenet_v1`文件夹同级目录，终端输入以下命令转化模型
+
+```shell
+# Linux
+wget https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.6.1/opt
+chmod +x opt
+./opt --model_dir=./mobilenet_v1 \
+      --optimize_out_type=naive_buffer \
+      --optimize_out=./mobilenet_v1_opt
+
+# Mac
+wget https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.6.1/opt_mac
+chmod +x opt_mac
+./opt_mac --model_dir=./mobilenet_v1 \
+          --optimize_out_type=naive_buffer \
+          --optimize_out=./mobilenet_v1_opt
+```
+
+方式二: 通过pip安装paddlelite，终端输入命令转化模型
+
+```shell
+python -m pip install paddlelite
+paddle_lite_opt --model_dir=./mobilenet_v1 \
+                --optimize_out_type=naive_buffer \
+                --optimize_out=./mobilenet_v1_opt
+```
+
+以上命令执行成功之后将在同级目录生成名为`mobilenet_v1_opt.nb`的优化后模型文件。
+
+
+
+## 4. 编译预测示例程序
+
+准备好预测库和模型，就可以直接编译随着预测库一起发布的 C++ Demo，位于在第二步中下载的预测库文件目录下`inference_lite_lib.android.armv8/demo/cxx`。以mobilenet_v1为例，目录下的`mobile_light`为mobilenet_v1预测示例，预测程序需要编译为Android可执行文件。
+
+```shell
+cd inference_lite_lib.android.armv8/demo/mobile_light
+make
+```
+
+会在同级目录下生成名为`mobilenetv1_light_api`的可执行文件。
+
+## 5. 预测部署和执行
+
+(1) 设置手机：手机USB连接电脑，打开`设置 -> 开发者模式 -> USB调试 -> 允许（授权）当前电脑调试手机`。保证当前电脑已经安装[adb工具](https://developer.android.com/studio/command-line/adb)，运行以下命令，确认当前手机设备已被识别：
+
+``` shell
+adb devices
+# 如果手机设备已经被正确识别，将输出如下信息
+List of devices attached
+017QXM19C1000664	device
+```
+
+(2) 预测部署：第二步中的C++动态预测库文件`libpaddle_light_api_shared.so`，将第三步中生成的优化后模型文件`mobilenet_v1_opt.nb`和第四步中编译得到的预测示例程序`mobilenetv1_light_api`放入同一文件夹，并将这三个文件推送到手机：
+
+``` 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
+
+# 如果推送成功，将显示如下信息
+adb shell 'ls -l /data/local/tmp'
+total 24168
+-rwxrwxrwx 1 root root  1624280 2020-09-01 13:47 libpaddle_light_api_shared.so
+-rw-rw-rw- 1 root root 17018243 2020-09-01 12:28 mobilenet_v1_opt.nb
+-rwxrwxrwx 1 root root  6076144 2020-09-01 13:47 mobilenetv1_light_api
+```
+
+(3) 执行预测，以下输出为mobilenet_v1模型在全1输入时，得到的预测结果。
+
+```shell
+adb shell 'cd /data/local/tmp && export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/local/tmp && ./mobilenetv1_light_api mobilenet_v1_opt.nb'
+
+# 如果正确运行，将输出如下信息
+run_idx:1 / 10: 33.821 ms
+run_idx:2 / 10: 33.8 ms
+run_idx:3 / 10: 33.867 ms
+run_idx:4 / 10: 34.009 ms
+run_idx:5 / 10: 33.699 ms
+run_idx:6 / 10: 33.644 ms
+run_idx:7 / 10: 33.611 ms
+run_idx:8 / 10: 33.783 ms
+run_idx:9 / 10: 33.731 ms
+run_idx:10 / 10: 33.423 ms
+
+======= benchmark summary =======
+input_shape(NCHW):1 3 224 224
+model_dir:mobilenet_v1_opt.nb
+warmup:10
+repeats:10
+max_duration:34.009
+min_duration:33.423
+avg_duration:33.7388
+
+====== output summary ======
+output tensor num:1
+
+--- output tensor 0 ---
+output shape(NCHW):1 1000
+output tensor 0 elem num:1000
+output tensor 0 standard deviation:0.00219646
+output tensor 0 mean value:0.001
+```
+
+## 更多C++示例
+
+### 图像分类示例
+
+```shell
+cd inference_lite_lib.android.armv8/demo/cxx/mobile_classify
+
+# 下载模型
+wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
+tar zxvf mobilenet_v1.tar.gz
+# 转化模型
+paddle_lite_opt --model_dir=./mobilenet_v1 \
+                --optimize_out_type=naive_buffer \
+                --optimize_out=./mobilenet_v1_opt
+# 编译预测程序
+make
+# 预测部署
+adb push mobile_classify /data/local/tmp/
+adb push mobilenet_v1_opt.nb /data/local/tmp/
+adb push mobilenet_v1/test.jpg /data/local/tmp/
+adb push mobilenet_v1/labels.txt /data/local/tmp/
+adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/
+adb shell 'chmod +x /data/local/tmp/mobile_classify'
+# 执行预测
+adb shell 'cd /data/local/tmp && export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/local/tmp &&  ./mobile_classify mobilenet_v1_opt.nb test.jpg labels.txt'
+
+# 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
+parameter:  model_file, image_path and label_file are necessary
+parameter:  topk, input_width,  input_height, are optional
+i: 0, index: 287, name:  lynx, catamount, score: 0.317595
+i: 1, index: 285, name:  Egyptian cat, score: 0.308135
+i: 2, index: 281, name:  tabby, tabby cat, score: 0.161924
+i: 3, index: 282, name:  tiger cat, score: 0.093659
+i: 4, index: 283, name:  Persian cat, score: 0.060198
+```
+
+### 目标检测示例
+
+```shell
+cd inference_lite_lib.android.armv8/demo/cxx/ssd_detection
+
+# 下载模型
+wget https://paddlelite-data.bj.bcebos.com/doc_models/ssd_mobilenet_v1.tar.gz
+tar zxvf ssd_mobilenet_v1.tar.gz
+# 转化模型
+paddle_lite_opt --model_dir=./ssd_mobilenet_v1 \
+                --optimize_out_type=naive_buffer \
+                --optimize_out=./ssd_mobilenet_v1_opt
+# 编译预测程序
+make
+# 预测部署
+adb push ssd_detection /data/local/tmp/
+adb push ssd_mobilenet_v1_opt.nb /data/local/tmp/
+adb push test.jpg /data/local/tmp/
+adb push ../../../cxx/lib/libpaddle_light_api_shared.so /data/local/tmp/
+adb shell 'chmod +x /data/local/tmp/ssd_detection'
+# 执行预测
+adb shell 'cd /data/local/tmp && export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/local/tmp && ./ssd_detection ssd_mobilenet_v1_opt.nb test.jpg'
+
+# 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
+detection, image size: 935, 1241, detect object: person, score: 0.995543, location: x=187, y=43, width=540, height=591
+detection, image size: 935, 1241, detect object: person, score: 0.929626, location: x=125, y=639, width=577, height=597
+
+# 获得目标检测结果图片，并查看
+adb pull /data/local/tmp/test_ssd_detection_result.jpg ./
+```
+
+### 口罩检测示例
+
+```shell
+cd inference_lite_lib.android.armv8/demo/cxx/mask_detection
+
+# 准备预测部署文件
+bash prepare.sh
+
+# 执行预测
+cd mask_demo && bash run.sh
+
+# 运行成功后，将在控制台输出如下内容，可以打开test_img_result.jpg图片查看预测结果
+../mask_demo/: 9 files pushed, 0 skipped. 141.6 MB/s (28652282 bytes in 0.193s)
+Load detecion model succeed.
+Detecting face succeed.
+Load classification model succeed.
+detect face, location: x=237, y=107, width=194, height=255, wear mask: 1, prob: 0.987625
+detect face, location: x=61, y=238, width=166, height=213, wear mask: 1, prob: 0.925679
+detect face, location: x=566, y=176, width=245, height=294, wear mask: 1, prob: 0.550348
+write result to file: test_img_result.jpg, success.
+/data/local/tmp/mask_demo/test_img_result.jpg: 1 file pulled, 0 skipped. 13.7 MB/s (87742 bytes in 0.006s)
+```
diff --git a/docs/quick_start/java_demo.md b/docs/quick_start/java_demo.md
new file mode 100644
index 0000000000000000000000000000000000000000..4bae5cf4557c4d2895c08ba4871f32b8367879e4
--- /dev/null
+++ b/docs/quick_start/java_demo.md
@@ -0,0 +1,111 @@
+# Java 完整示例
+
+本章节展示的所有Java 示例代码位于 [demo/java](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/java) 。
+
+## 1. 环境准备
+
+要编译和运行Android Java 示例程序，你需要准备：
+
+1. 一台armv7或armv8架构的安卓手机
+2. 一台装有AndroidStudio的开发机
+
+## 2. 下载预编译的预测库
+
+预测库下载界面位于[Paddle-Lite官方预编译库](release_lib)，可根据您的手机型号选择合适版本。
+
+以**Android-ARMv8架构**为例，可以下载以下版本：
+
+| Arch  |with_extra|arm_stl|with_cv|下载|
+|:-------:|:-----:|:-----:|:-----:|:-------:|
+|armv8|OFF|c++_static|OFF|[release/v2.6.1](https://paddlelite-data.bj.bcebos.com/Release/2.6.1/Android/inference_lite_lib.android.armv8.gcc.c++_static.CV_OFF.tar.gz)|
+
+**解压后内容结构如下：**
+
+```shell
+inference_lite_lib.android.armv8          # Paddle-Lite 预测库
+├── cxx                                       # C++ 预测库
+│   ├── include                                   # C++ 预测库头文件
+│   └── lib                                       # C++ 预测库文件
+├── demo                                      # 示例 Demo
+│   ├── cxx                                       # C++ 示例 Demo
+│   └── java                                      # Java 示例 Demo
+│       ├── README.md                                 # Demo Readme 文件
+│       └── android                                   # Java Andriod Demo
+└── java                                      # Java 预测库
+    ├── jar 
+    │   └── PaddlePredictor.jar                    # Java JAR 包
+    ├── so 
+    │   └── libpaddle_lite_jni.so                  # Java JNI 动态链接库
+    └── src
+```
+
+## 3. 准备预测部署模型
+
+### 自动化脚本方法
+
+在Java Andriod Demo文件夹下，我们准备了一个脚本`prepare_demo.bash`，输入手机架构参数例如`arm64-v8a`，即可自动打包所有预测部署所需文件。
+
+```
+cd inference_lite_lib.android.armv8/demo/java/android
+bash prepare_demo.bash arm8
+```
+
+以上命令自动进行了以下三步操作：
+
+1. 拷贝JNI动态链接库`libpaddle_lite_jni.so`到`PaddlePredictor/app/src/main/jniLibs/arm64-v8a/`
+2. 拷贝JAR包`PaddlePredictor.jar` 到 `PaddlePredictor/app/libs/`
+3. 自动下载并解压所有模型文件，拷贝到`PaddlePredictor/app/src/main/assets/`
+
+**注意：** 目前脚本输入手机架构参数仅支持 `arm7 | arm8 | armeabi-v7a | arm64-v8a`。
+
+### 手动拷贝方法
+
+(1) 把Java JNI动态链接库和Java JAR包拷贝进安卓demo程序文件夹下：
+
+```shell
+cd inference_lite_lib.android.armv8/demo/java/android
+# 请替换<架构文件夹>为手机架构名称，例如 arm64-v8a
+cp ../../../java/so/libpaddle_lite_jni.so PaddlePredictor/app/src/main/jniLibs/<架构文件夹>
+cp ../../../java/jar/PaddlePredictor.jar PaddlePredictor/app/libs/
+```
+
+(2) 下载模型文件
+
+下载以下5个模型，并解压缩到 `PaddlePredictor/app/src/main/assets` 文件夹中。解压之后，assets文件夹里要包含解压后的五个以`.nb`结尾的模型文件，但不需要保存原压缩`.tar.gz`文件。
+
+| 模型| 下载地址|
+| :-- | :-- |
+| inception_v4_simple_opt.nb|  http://paddle-inference-dist.bj.bcebos.com/inception_v4_simple_opt.nb.tar.gz |
+| lite_naive_model_opt.nb | http://paddle-inference-dist.bj.bcebos.com/lite_naive_model_opt.nb.tar.gz |
+| mobilenet_v1_opt.nb | http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1_opt.nb.tar.gz |
+| mobilenet_v2_relu_opt.nb|  http://paddle-inference-dist.bj.bcebos.com/mobilenet_v2_relu_opt.nb.tar.gz |
+| resnet50_opt.nb| http://paddle-inference-dist.bj.bcebos.com/resnet50_opt.nb.tar.gz |
+
+注意：模型要求为naive buffer格式，您可以通过 [opt工具](../user_guides/model_optimize_tool) 将Paddle模型转为naive buffer存储格式。
+
+## 4. 运行预测示例程序
+
+1. 用AndroidStudio打开`inference_lite_lib.android.armv8/demo/java/android/PaddlePredictor`文件夹（需要联网），打开后工程会自动build完成。
+2. 设置手机：手机USB连接电脑，打开`设置 -> 开发者模式 -> USB调试 -> 允许（授权）当前电脑调试手机`，并确认AndroidStudio可以识别接入的手机设备。
+3. 按下AndroidStudio的Run按钮，AndroidStudio会自动编译APP并安装到手机。在手机上打开安装成功的APP，大概会等10秒，然后看到类似以下输出：
+
+```
+lite_naive_model output: 50.213173, -28.872887
+expected: 50.2132, -28.8729
+
+inception_v4_simple test:true
+time: xxx ms
+
+resnet50 test:true
+time: xxx ms
+
+mobilenet_v1 test:true
+time: xxx ms
+
+mobilenet_v2 test:true
+time: xxx ms
+```
+
+该 demo 程序跑我们的 5 个模型，第一个模型结果将真正的头两个数字输出，并在第二行附上期望的正确值。你应该要看到他们的误差小于0.001。后面四个模型如果你看到 `test:true` 字样，说明模型输出通过了我们在 demo 程序里对其输出的测试。time 代表该测试花费的时间。
+
+**注意：** 在这一步中，如果遇到Andriod Studio编译/安装失败等问题，请参考[Andriod示例](../demo_guides/android_app_demo.html#id6)中部署方法章节的详细步骤和注意事项。
diff --git a/docs/quick_start/python_demo.md b/docs/quick_start/python_demo.md
new file mode 100644
index 0000000000000000000000000000000000000000..3e3c0acd833f96044a8b958eacf33dd476514a63
--- /dev/null
+++ b/docs/quick_start/python_demo.md
@@ -0,0 +1,75 @@
+# Python 完整示例
+
+本章节展示的所有Python 示例代码位于 [demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python) 。Python预测仅支持服务器端预测，目前支持 Windows / Mac / Linux (x86 | ARM)。
+
+## 1. 环境准备
+
+要编译和运行Android Python 示例程序，你需要准备一台可以编译运行PaddleLite的电脑。
+
+## 2. 安装python预测库
+
+```shell
+python -m pip install paddlelite
+```
+
+**注意：** PyPI源目前仅提供Windows / Mac / Linux (x86) 三个平台pip安装包，如果您需要使用AMRLinux平台的Python预测功能，请参考[编译Linux预测库](../user_guides/Compile/Linux)。
+
+## 3. 准备预测部署模型
+
+(1) 模型下载：下载[mobilenet_v1](http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)模型后解压，得到Paddle非combined形式的模型，位于文件夹 `mobilenet_v1` 下。可通过模型可视化工具[Netron](https://lutzroeder.github.io/netron/)打开文件夹下的`__model__`文件，查看模型结构。
+
+
+```shell
+wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
+tar zxf mobilenet_v1.tar.gz
+```
+
+(2) 模型转换：Paddle的原生模型需要经过[opt](../user_guides/model_optimize_tool)工具转化为Paddle-Lite可以支持的naive_buffer格式。
+
+- Linux环境：通过pip安装paddlelite，即可获得paddle_lite_opt命令工具
+
+  ```shell
+  paddle_lite_opt --model_dir=./mobilenet_v1  \
+                  --optimize_out=mobilenet_v1_opt \
+                  --optimize_out_type=naive_buffer \
+                  --valid_targets=x86
+  ```
+
+- windows环境：windows 暂不支持命令行方式直接运行模型转换器，需要编写python脚本
+
+  ```python
+  import paddlelite.lite as lite
+
+  a=lite.Opt()
+  # 非combined形式
+  a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
+
+  # conmbined形式
+  # a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
+  # a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
+
+  a.set_optimize_out("mobilenet_v1_opt")
+  a.set_valid_places("x86")
+
+  a.run()
+  ```
+
+- MAC环境: paddle_lite_opt工具使用方式同Linux。
+
+以上命令执行成功之后将在同级目录生成名为`mobilenet_v1_opt.nb`的优化后模型文件。
+
+## 4. 下载和运行预测示例程序
+
+从[demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python)下载预测示例文件`mobilenetv1_light_api.py`和`mobilenetv1_full_api.py`，并运行Python预测程序。
+
+```shell
+# light api的输入为优化后模型文件mobilenet_v1_opt.nb
+python mobilenetv1_light_api.py --model_dir=mobilenet_v1_opt.nb
+
+# full api的输入为优化千的模型文件夹mobilenet_v1
+python mobilenetv1_full_api.py --model_dir=./mobilenet_v1
+
+# 运行成功后，将在控制台输出如下内容
+[1L, 1000L]
+[0.00019130950386170298, 0.0005920541007071733, 0.00011230241216253489, 6.27333574811928e-05, 0.0001275067188544199, 0.0013214796781539917, 3.138116153422743e-05, 6.52207963867113e-05, 4.780858944286592e-05, 0.0002588215284049511]
+```
diff --git a/docs/user_guides/release_lib.md b/docs/quick_start/release_lib.md
similarity index 99%
rename from docs/user_guides/release_lib.md
rename to docs/quick_start/release_lib.md
index 6de7bf9fa69a42031c769d80dd652d7ce6413529..29afa95f71f0ba080988bf7996ef6448aa73fa03 100644
--- a/docs/user_guides/release_lib.md
+++ b/docs/quick_start/release_lib.md
@@ -1,5 +1,5 @@
 
-# 预编译库下载
+# Lite预编译库下载
 
 ## 编译版本介绍
 
diff --git a/docs/user_guides/tutorial.md b/docs/quick_start/tutorial.md
similarity index 89%
rename from docs/user_guides/tutorial.md
rename to docs/quick_start/tutorial.md
index ee156038a6ea144921258734c92e9a2ea757d6ec..b042ca919428a42b48d9a49f290ec8f5e9477d62 100644
--- a/docs/user_guides/tutorial.md
+++ b/docs/quick_start/tutorial.md
@@ -1,4 +1,4 @@
-# 使用流程
+# 使用Lite预测流程
 
 Lite是一种轻量级、灵活性强、易于扩展的高性能的深度学习预测框架，它可以支持诸如ARM、OpenCL、NPU等等多种终端，同时拥有强大的图优化及预测加速能力。如果您希望将Lite框架集成到自己的项目中，那么只需要如下几步简单操作即可。
 
@@ -45,7 +45,7 @@ $ ./opt \
 
 ## 四. Lite API
 
-为了方便您的使用，我们提供了C++、Java、Python三种API，并且提供了相应的api的完整使用示例:[C++完整示例](../demo_guides/cpp_demo)、[Java完整示例](../demo_guides/java_demo)、[Python完整示例](../demo_guides/cuda)，您可以参考示例中的说明快速了解C++/Java/Python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++、Java、Python三种API，并且提供了相应的api的完整使用示例:[C++完整示例](cpp_demo)、[Java完整示例](java_demo)、[Python完整示例](python_demo)，您可以参考示例中的说明快速了解C++/Java/Python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
 
diff --git a/docs/user_guides/model_quantization.md b/docs/user_guides/model_quantization.md
index cb1e4a4337594521cdebaf479faa77547f2c8bf8..e3df358361e7ee11f82eabe881182646a6c6e0b6 100644
--- a/docs/user_guides/model_quantization.md
+++ b/docs/user_guides/model_quantization.md
@@ -52,7 +52,7 @@
 
 ### 3.2 量化模型预测
 
-和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../demo_guides/cpp_demo)、[Java Demo](../demo_guides/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
+和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../quick_start/cpp_demo)、[Java Demo](../quick_start/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
 
 
 ## FAQ
diff --git a/docs/user_guides/post_quant_no_data.md b/docs/user_guides/post_quant_no_data.md
index fa9b42ad9bb5110609c9ffaec179286352c3a4f0..95a58427c367a28e2758432c90e2330ac99a2375 100644
--- a/docs/user_guides/post_quant_no_data.md
+++ b/docs/user_guides/post_quant_no_data.md
@@ -110,4 +110,4 @@ WeightQuantization.quantize_weight_to_int(self,
 
 ### 3.2 量化模型预测
 
-和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../demo_guides/cpp_demo)、[Java Demo](../demo_guides/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
+和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../quick_start/cpp_demo)、[Java Demo](../quick_start/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
diff --git a/docs/user_guides/post_quant_with_data.md b/docs/user_guides/post_quant_with_data.md
index f49faa97aed16545031c6041ec25a9e00bb92b36..53880efe0e63d662bfe281ebeac3de64aaf30ce2 100644
--- a/docs/user_guides/post_quant_with_data.md
+++ b/docs/user_guides/post_quant_with_data.md
@@ -102,4 +102,4 @@ Demo请参考[文档](https://github.com/PaddlePaddle/PaddleSlim/tree/release/1.
 
 ### 3.2 量化模型预测
 
-和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../demo_guides/cpp_demo)、[Java Demo](../demo_guides/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
+和FP32模型一样，转换后的量化模型可以在Android/IOS APP中加载预测，建议参考[C++ Demo](../quick_start/cpp_demo)、[Java Demo](../quick_start/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。