Adjust the framework of doc, test=develop, test=document_fix (#3134)

docs/advanced_user_guides/test_tools.md

-# 测试工具
-
-Basic profiler 用于 CPU 上kernel 耗时的统计。
-
-## 开启方法:
-
-参照 [编译安装](../installation/source_compile) 中的**full_publish**部分进行环境配置，在 cmake 时添加 `-DLITE_WITH_PROFILE=ON` ，就可以开启相应支持。
-
-## 使用示例：
-
-在模型执行完毕后，会自动打印类似如下 profiler 的日志
-
-```
-                        kernel   average       min       max     count
-                feed/def/1/4/2         0         0         0         1
-              conv2d/def/4/1/1      1175      1175      1175         1
-              conv2d/def/4/1/1      1253      1253      1253         1
-    depthwise_conv2d/def/4/1/1       519       519       519         1
-              conv2d/def/4/1/1       721       721       721         1
-     elementwise_add/def/4/1/1        18        18        18         1
-              conv2d/def/4/1/1      2174      2174      2174         1
-    depthwise_conv2d/def/4/1/1       380       380       380         1
-              conv2d/def/4/1/1       773       773       773         1
-     elementwise_add/def/4/1/1         2         2         2         1
-              conv2d/def/4/1/1      1248      1248      1248         1
-    depthwise_conv2d/def/4/1/1       492       492       492         1
-              conv2d/def/4/1/1      1150      1150      1150         1
-     elementwise_add/def/4/1/1        33        33        33         1
-     elementwise_add/def/4/1/1         3         3         3         1
-              conv2d/def/4/1/1      1254      1254      1254         1
-    depthwise_conv2d/def/4/1/1       126       126       126         1
-```

docs/advanced_user_guides/x2paddle_models_doc.md

-# X2Paddle 支持模型列表
-
-## 多框架支持
-
-|模型 | caffe | tensorflow | onnx | 
-|---|---|---|---|
-|mobilenetv1 | Y | Y |  | 
-|mobilenetv2 | Y | Y | Y | 
-|resnet18 | Y | Y |  | 
-|resnet50 | Y | Y | Y | 
-|mnasnet | Y | Y |  | 
-|efficientnet | Y | Y | Y | 
-|squeezenetv1.1 | Y | Y | Y | 
-|shufflenet | Y | Y |  | 
-|mobilenet_ssd | Y | Y |  | 
-|mobilenet_yolov3 |  | Y |  | 
-|inceptionv4 |  |  |  | 
-|mtcnn | Y | Y |  | 
-|facedetection | Y |  |  | 
-|unet | Y | Y |  | 
-|ocr_attention |  |  |  | 
-|vgg16 |  |  |  | 

docs/advanced_user_guides/cv.md → docs/api_reference/cv.md

-# CV图像预处理库
+# CV图像预处理API
 
-请把编译脚本`Paddle-Lite/lite/too/build.sh`中`BUILD_CV`变量设置为`ON`， 其他编译参数设置请参考[源码编译](../source_compile)， 以确保 Lite 可以正确编译。这样`CV`图像的加速库就会编译进去，且会生成`paddle_image_preprocess.h`的API文件
+请把编译脚本`Paddle-Lite/lite/too/build.sh`中`BUILD_CV`变量设置为`ON`， 其他编译参数设置请参考[源码编译](../user_guides/source_compile)， 以确保 Lite 可以正确编译。这样`CV`图像的加速库就会编译进去，且会生成`paddle_image_preprocess.h`的API文件
 
 - 硬件平台： `ARM`
 - 操作系统：`MAC` 和 `LINUX`

docs/api_reference/cxx_api_doc.md

 
-# C++ API文档
+# C++ API
 
 ## CreatePaddlePredictor
 
@@ -260,7 +260,7 @@ class MobileConfig;
 
 `MobileConfig`用来配置构建轻量级PaddlePredictor的配置信息，如NaiveBuffer格式的模型地址、模型的内存地址(从内存加载模型时使用)、能耗模式、工作线程数等等。
 
-*注意：输入的模型需要使用[Model Optimize Tool](../model_optimize_tool)转化为NaiveBuffer格式的优化模型。*
+*注意：输入的模型需要使用[Model Optimize Tool](../user_guides/model_optimize_tool)转化为NaiveBuffer格式的优化模型。*
 
 示例：
 
@@ -589,7 +589,7 @@ for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) {
 
 根据名称获取输出Tensor的指针。
 
-**注意**：`GetTensor`接口是为开发者设计的调试接口，可以输出[转化](../model_optimize_tool)后模型中的任一节点。如果出现`GetTensor(InputName)`返回值为空`Tensor`，可能原因是以该`InputName`命名的Tensor在模型转化的**子图融合**过程被融合替换了。
+**注意**：`GetTensor`接口是为开发者设计的调试接口，可以输出[转化](../user_guides/model_optimize_tool)后模型中的任一节点。如果出现`GetTensor(InputName)`返回值为空`Tensor`，可能原因是以该`InputName`命名的Tensor在模型转化的**子图融合**过程被融合替换了。
 
 参数：
 

docs/api_reference/java_api_doc.md

-# Java API 文档
+# Java API
 
 ## MobileConfig
 

docs/api_reference/python_api_doc.md

-# Python API文档
+# Python API
 
 ## create_paddle_predictor
 

docs/benchmark/benchmark.md

-# Benchmark 数据
+# 性能数据
 
 可以参考[benchmark_tools](benchmark_tools)，推荐**一键benchmark**。
 

docs/benchmark/benchmark_tools.md

-# Benchmark 测试方法
+# 测试方法
 
 本文将会介绍，在**Ubuntu:16.04交叉编译环境**下，用安卓手机在终端测试Paddle-Lite的性能，并介绍两种Benchmark方法：
 
@@ -57,7 +57,7 @@ wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/bench
 
 #### 方式二：由源码编译benchmark_bin文件
 
-根据[源码编译](../installation/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](../user_guides/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
 ###########################################

docs/user_guides/android_app_demo.md → docs/demo_guides/android_app_demo.md

-# Android demo
+# Android Demo
 
 ## 多种应用场景
 

docs/user_guides/cpp_demo.md → docs/demo_guides/cpp_demo.md

@@ -2,7 +2,7 @@
 
 ## 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](../installation/release_lib)，可根据需求选择合适版本。
+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：
 

docs/advanced_user_guides/cuda.md → docs/demo_guides/cuda.md

-# Lite基于CUDA的模型预测
+# PaddleLite使用CUDA预测部署
 
 Lite支持在x86_64，arm64架构上（如：TX2）进行CUDA的编译运行。
 

docs/advanced_user_guides/fpga.md → docs/demo_guides/fpga.md

-# Lite基于FPGA的模型预测
+# PaddleLite使用FPGA预测部署
 
 Paddle Lite支持基于arm的FPGA zu3/zu5/zu9的模型预测，提供armv8的交叉编译
 
@@ -22,7 +22,7 @@ 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”](../user_guides/source_compile)。
 示例如下：
 ```shell
     cmake .. \

docs/user_guides/ios_app_demo.md → docs/demo_guides/ios_app_demo.md

-# iOS demo
+# iOS Demo
 
 ## 多种应用场景
 

docs/user_guides/java_demo.md → docs/demo_guides/java_demo.md

@@ -9,7 +9,7 @@
 
 ## 编译
 
-首先在PaddleLite的开发 [Docker镜像](../installation/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](../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

docs/advanced_user_guides/npu.md → docs/demo_guides/npu.md

-# Lite基于华为NPU的模型预测
+# PaddleLite使用NPU(华为)预测部署
 
 Paddle Lite是首款支持华为自研达芬奇架构NPU（Kirin 810/990 SoC搭载的NPU）的预测框架。
 原理是在线分析Paddle模型，将Paddle算子转成HiAI IR后，调用HiAI IR/Builder/Runtime APIs生成并执行HiAI模型。
@@ -91,7 +91,7 @@ $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --an
 $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --android_stl=c++_shared tiny_publish
 ```
 
-注意：为了保证编译环境一致，建议参考[源码编译](../installation/source_compile)中的Docker开发环境进行配置，然后再执行上述命令。
+注意：为了保证编译环境一致，建议参考[源码编译](../user_guides/source_compile)中的Docker开发环境进行配置，然后再执行上述命令。
 
 ## 优化生成NPU模型
 
@@ -111,13 +111,13 @@ $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --an
 
 ## 通过JAVA接口加载并执行NPU模型
 
-- 使用方法和[Java实例](../user_guides/java_demo)一致，无需额外设置任何参数，只需将模型换成NPU模型即可。[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)中的Image Classification Demo for Android是同时支持CPU和NPU两种模型的图像分类Demo。
+- 使用方法和[Java实例](java_demo)一致，无需额外设置任何参数，只需将模型换成NPU模型即可。[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)中的Image Classification Demo for Android是同时支持CPU和NPU两种模型的图像分类Demo。
 
 注意：在拷贝libpaddle_lite_jni.so的时候，由于依赖HiAI DDK so和libc++_shared.so库，需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so，拷到libpaddle_lite_jni.so同级目录下。
 
 ## 通过C++接口加载并执行NPU模型
 
-- 使用方法和[C++实例](../user_guides/cpp_demo)一致，同样无需额外设置任何参数，只需将模型换成NPU模型即可。
+- 使用方法和[C++实例](cpp_demo)一致，同样无需额外设置任何参数，只需将模型换成NPU模型即可。
 
 注意：1）不能使用安卓模拟器，需要使用真实设备，且必须是支持NPU的华为手机。2）在使用adb push命令向手机推送目标程序时，需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so，推送到目标程序同级目录下。
 

docs/advanced_user_guides/opencl.md → docs/demo_guides/opencl.md

-# Lite基于OpenCL的模型预测
+# PaddleLite使用OpenCL预测部署
 
 Lite支持在Android系统上运行基于OpenCL的程序，目前支持Ubuntu环境下armv8、armv7的交叉编译。
 

docs/advanced_user_guides/x86.md → docs/demo_guides/x86.md

-# 使用X86预测库
+# PaddleLite使用X86预测部署
 
-Paddle-Lite 支持在Docker或Linux环境编译x86预测库。环境搭建参考[环境准备](../installation/source_compile)。
+Paddle-Lite 支持在Docker或Linux环境编译x86预测库。环境搭建参考[环境准备](../user_guides/source_compile)。
 
 (注意：非docker Linux环境需要是Ubuntu16.04)
 

docs/advanced_user_guides/add_layout.md → docs/develop_guides/add_layout.md

-# 如何增加Layout
+# 新增Layout
 
 Paddle-Lite中Place包含了Target、Layout、Precision信息，用来注册和选择模型中的具体Kernel。下面以增加Place中的layout：`ImageDefault`、`ImageFolder`、`ImageNW`为例，讲解如何增加新Layout。
 

docs/advanced_user_guides/add_new_pass.md → docs/develop_guides/add_new_pass.md

-
-# 如何增加Pass
+# 新增Pass
 
 本文从三个方面介绍了`Lite`中的`Pass`结构：**Pass是什么**、**Pass的实现与接口**、**Pass的一般注册流程**。最后以`Fc_fuse_pass`为例介绍了`fusion_pass`的作用与注册方法。
 

docs/advanced_user_guides/add_operation.md → docs/develop_guides/add_operation.md

-# 如何增加OP
+# 新增OP
 
 以下以添加argmax为例，详细说明新增op的方法。
 

docs/index.rst

@@ -14,11 +14,11 @@ Welcome to Paddle-Lite's documentation!
   introduction/tech_highlights
   introduction/architecture
   introduction/support_hardware
-  introduction/roadmap
+  introduction/support_operation_list
 
 .. toctree::
   :maxdepth: 1
-  :caption: Benchmark数据和方法
+  :caption: Benchmark
   :name: sec-benchmark
   
   benchmark/benchmark
@@ -26,61 +26,60 @@ Welcome to Paddle-Lite's documentation!
 
 .. toctree::
   :maxdepth: 1
-  :caption: 安装
-  :name: sec-install
-
-  installation/release_lib
-  installation/source_compile
-
-.. toctree::
-  :maxdepth: 1
-  :caption: 使用指南
+  :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
-  user_guides/cpp_demo
-  user_guides/java_demo
-  user_guides/android_app_demo
-  user_guides/ios_app_demo
+  user_guides/post_quant_with_data
+  user_guides/post_quant_no_data
+  user_guides/model_quantization
+  user_guides/debug
   user_guides/library_tailoring
 
 .. toctree::
   :maxdepth: 1
-  :caption: 进阶使用指南
-
-  advanced_user_guides/x2paddle
-  advanced_user_guides/x2paddle_models_doc
-  advanced_user_guides/post_quant_with_data
-  advanced_user_guides/post_quant_no_data
-  advanced_user_guides/model_quantization
-  advanced_user_guides/support_operation_list
-  advanced_user_guides/add_operation
-  advanced_user_guides/add_layout
-  advanced_user_guides/add_new_pass
-  advanced_user_guides/test_tools
-  advanced_user_guides/debug_tools
-  advanced_user_guides/npu
-  advanced_user_guides/opencl
-  advanced_user_guides/fpga
-  advanced_user_guides/cuda
-  advanced_user_guides/x86
-  advanced_user_guides/cv
+  :caption: 部署示例
+  :name: sec-demo_guides
+
+  demo_guides/cpp_demo
+  demo_guides/java_demo
+  demo_guides/android_app_demo
+  demo_guides/ios_app_demo
+  demo_guides/x86
+  demo_guides/cuda
+  demo_guides/opencl
+  demo_guides/fpga
+  demo_guides/npu
   
 .. toctree::
   :maxdepth: 1
-  :caption: 开发者文档
+  :caption: API文档
+
+  api_reference/cxx_api_doc
+  api_reference/java_api_doc
+  api_reference/python_api_doc
+  api_reference/cv
+
+.. toctree::
+  :maxdepth: 1
+  :caption: 开发者贡献
 
   develop_guides/for-developer
   develop_guides/architecture-intro
+  develop_guides/add_operation
+  develop_guides/add_layout
+  develop_guides/add_new_pass
 
 .. toctree::
   :maxdepth: 1
-  :caption: API文档
+  :caption: Roadmap
+  :name: sec-roadmap
 
-  api_reference/cxx_api_doc
-  api_reference/java_api_doc
-  api_reference/python_api_doc
+  introduction/roadmap
 
 .. toctree::
   :maxdepth: 1

docs/introduction/faq.md

-# FAQ
-## 问题或建议可以发Issue，为加快问题解决效率，可先检索是否有类似问题，我们也会及时解答！
-## 欢迎加入Paddle-Lite百度官方QQ群：696965088
+# FAQ 常见问题
 
-## 1. 在Host端采用交叉编译方式编译PaddleLite，将编译后的libpaddle_light_api_shared.so和可执行程序放到板卡上运行，出现了如下图所示的错误，怎么解决？ 
+问题或建议可以发Issue，为加快问题解决效率，可先检索是否有类似问题，我们也会及时解答！
+欢迎加入Paddle-Lite百度官方QQ群：696965088
+
+1. 在Host端采用交叉编译方式编译PaddleLite，将编译后的libpaddle_light_api_shared.so和可执行程序放到板卡上运行，出现了如下图所示的错误，怎么解决？ 
 ![host_target_compiling_env_miss_matched](https://user-images.githubusercontent.com/9973393/75761527-31b8b700-5d74-11ea-8a9a-0bc0253ee003.png)
-- 原因是Host端的交叉编译环境与Target端板卡的运行环境不一致，导致libpaddle_light_api_shared.so链接的GLIBC库高于板卡环境的GLIBC库。目前有四种解决办法（为了保证编译环境与官方一致，推荐第一种方式）：1）在Host端，参考[源码编译](../installation/source_compile)中的Docker方式重新编译libpaddle_light_api_shared.so；2）在Host端，使用与Target端版本一致的ARM GCC和GLIBC库重新编译libpaddle_light_api_shared.so；3）在Target端板卡上，参考[源码编译](../installation/source_compile)中的ARM Linux本地编译方式重新编译libpaddle_light_api_shared.so；4）在Target端板卡上，将GLIBC库升级到和Host端一致的版本，即GLIBC2.27。
+- 原因是Host端的交叉编译环境与Target端板卡的运行环境不一致，导致libpaddle_light_api_shared.so链接的GLIBC库高于板卡环境的GLIBC库。目前有四种解决办法（为了保证编译环境与官方一致，推荐第一种方式）：1）在Host端，参考[源码编译](../user_guides/source_compile)中的Docker方式重新编译libpaddle_light_api_shared.so；2）在Host端，使用与Target端版本一致的ARM GCC和GLIBC库重新编译libpaddle_light_api_shared.so；3）在Target端板卡上，参考[源码编译](../user_guides/source_compile)中的ARM Linux本地编译方式重新编译libpaddle_light_api_shared.so；4）在Target端板卡上，将GLIBC库升级到和Host端一致的版本，即GLIBC2.27。

docs/introduction/support_hardware.md

 
-# 支持硬件列表
+# 支持硬件
 
 
 ## ARM CPU

docs/advanced_user_guides/support_operation_list.md → docs/introduction/support_operation_list.md

-# 支持OP列表
+# 支持OP
 
 ## Ops （共计158个算子）
 

docs/advanced_user_guides/debug_tools.md → docs/user_guides/debug.md

-# 调试方法
+# 调试
+
+## Profiler工具
+
+Basic profiler 用于 CPU 上kernel 耗时的统计。
+
+### 开启方法:
+
+参照 [编译安装](../user_guides/source_compile) 中的**full_publish**部分进行环境配置，在 cmake 时添加 `-DLITE_WITH_PROFILE=ON` ，就可以开启相应支持。
+
+### 使用示例：
+
+在模型执行完毕后，会自动打印类似如下 profiler 的日志
+
+```
+                        kernel   average       min       max     count
+                feed/def/1/4/2         0         0         0         1
+              conv2d/def/4/1/1      1175      1175      1175         1
+              conv2d/def/4/1/1      1253      1253      1253         1
+    depthwise_conv2d/def/4/1/1       519       519       519         1
+              conv2d/def/4/1/1       721       721       721         1
+     elementwise_add/def/4/1/1        18        18        18         1
+              conv2d/def/4/1/1      2174      2174      2174         1
+    depthwise_conv2d/def/4/1/1       380       380       380         1
+              conv2d/def/4/1/1       773       773       773         1
+     elementwise_add/def/4/1/1         2         2         2         1
+              conv2d/def/4/1/1      1248      1248      1248         1
+    depthwise_conv2d/def/4/1/1       492       492       492         1
+              conv2d/def/4/1/1      1150      1150      1150         1
+     elementwise_add/def/4/1/1        33        33        33         1
+     elementwise_add/def/4/1/1         3         3         3         1
+              conv2d/def/4/1/1      1254      1254      1254         1
+    depthwise_conv2d/def/4/1/1       126       126       126         1
+```
+
+## Debug工具
 
 **Lite Model Debug Tool** 是用来检查Paddle-Lite框架与Paddle-Fluid框架运行时tensor(包括variable与weight)之间diff信息的基础工具。
 
-## 编译方法:
+### 编译方法:
 
-1. 参照 [编译安装](../installation/source_compile) 中的**full_publish**部分进行环境配置和编译。
+1. 参照 [编译安装](../user_guides/source_compile) 中的**full_publish**部分进行环境配置和编译。
 2. 在生成的`build`目录下，执行`make lite_model_debug_tool`，`lite_model_debug_tool`产出在编译目录的`lite/tools/debug`目录下。
 
-## 工作流程:
+### 工作流程:
 
 1. 运行 `/bin/bash check_model.sh --model_dir=<your_model_path> --build_root_dir=<your_cmake_root_dir> debug_cpp_stage` 获得模型在Paddle-Lite框架下的运行拓扑信息、varibles信息和weights信息。运行后拓扑信息将会存储在默认名为 `topo_file.txt` 的文件中，variables和weights信息将会存储在默认名为 `tensor_cpp.txt` 的文件中。
 2. 运行 `/bin/bash check_model.sh --model_dir=<your_model_path> --build_root_dir=<your_cmake_root_dir> debug_py_stage`执行fluid框架预测以获取相同模型在fluid框架下的variable与weight信息(注意：我们使用fluid的python api运行fluid模型，因此您在运行此步之前应确保已正确安装fluid的python api)。然后debug tool将会自动比较Paddle-Lite框架输出的信息和Paddle-Fluid框架输出的信息来检查是否存在运行时diff。 执行Paddle-Fluid框架，输出的信息将会存储在默认名为 `tensor_py.txt` 的文件中，相应的diff信息将会存储在默认名为 `diff.txt`的文件中(默认情况下，只会输出执行拓扑序中第一个有diff的variable相关的信息)。
 
-## 注意事项:
+### 注意事项:
 
 1. 输出的结果是在**执行完一次预测后**输出的相应变量/权重的最终值，因此如果您在预测过程进行过诸如变量复用/子图融合等优化方法，则相应的输出可能会出现偏差。
 2. 默认情况下debug tools将以全1作为输入进行比对。
 3. 默认情况下，为了保证与Paddle-Fluid框架的结果可比对，debug tool将会禁用掉所有的Paddle-Lite的优化策略。
 4. Paddle-Lite框架的执行环境由与您的编译选项有关，比如您开启了LITE_WITH_ARM编译选项，那debug tool的`debug_cpp_stage`也需要在ARM平台下运行。
 
-## Diff信息输出：
+### Diff信息输出：
 
 如果debug tool检测到diff信息，那么在`diff.txt`中将会输出类似以下结构信息
 
@@ -37,7 +72,7 @@ dropout_0.tmp_0	{1,1536,1,1}	0.599913 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.01202671
 其中第二行为op相关信息，标明了执行哪个op出现了diff及其对应的输入输出变量名。Tensor File info为Paddle-Lite框架的输出信息，而Fluid Tensor info为Paddle-Fluid框架的相应输出信息。
 示例中的`dropout_0.tmp_1`没有相应的tensor信息是因为工具检测到其在预测的后序流程中未被使用，因此不会对预测结果造成影响，从而将其自动屏蔽掉以保证输出尽量简洁。
 
-## 其他选项：
+### 其他选项：
 
 | Option                      | Description                                                  |
 | --------------------------- | ------------------------------------------------------------ |

docs/user_guides/library_tailoring.md

 
-# 裁剪预测库方法
+# 裁剪预测库
 
 Paddle-Lite支持**根据模型裁剪预测库**功能。Paddle-Lite的一般编译会将所有已注册的operator打包到预测库中，造成库文件体积膨胀；**裁剪预测库**能针对具体的模型，只打包优化后该模型需要的operator，有效降低预测库文件大小。
 

docs/user_guides/model_optimize_tool.md

 
-# 模型转化方法
+# 模型优化工具 opt
 
 Paddle-Lite 提供了多种策略来自动优化原始的训练模型，其中包括量化、子图融合、混合调度、Kernel优选等等方法。为了使优化过程更加方便易用，我们提供了**opt** 工具来自动完成优化步骤，输出一个轻量的、最优的可执行模型。
 
@@ -25,7 +25,7 @@ git checkout <release-version-tag>
 ./lite/tools/build.sh build_optimize_tool
 ```
 编译结果位于`Paddle-Lite/build.opt/lite/api/opt`
-**注意**：从源码编译opt前需要先[安装Paddle-Lite的开发环境](../installation/source_compile)。
+**注意**：从源码编译opt前需要先[安装Paddle-Lite的开发环境](source_compile)。
 
 ## 使用opt
 

docs/advanced_user_guides/model_quantization.md → docs/user_guides/model_quantization.md

@@ -237,7 +237,7 @@ python compress.py \
 
 接下来，使用原始的量化模型生成适合在移动端直接部署的模型。
 
-参考[源码编译](../source_compile)配置编译环境，确保可以编译成功。参考[模型转化方法](../model_optimize_tool)，首先编译model_optimize_tool工具，然后执行下面命令对量化训练的模型进行优化（注意，需要自行修改model_file、param_file和optimize_out）。
+参考[源码编译](source_compile)配置编译环境，确保可以编译成功。参考[模型转化方法](model_optimize_tool)，首先编译model_optimize_tool工具，然后执行下面命令对量化训练的模型进行优化（注意，需要自行修改model_file、param_file和optimize_out）。
 ```bash
 ./model_optimize_tool                         \
 --model_file=mobilenet_v1_quant/float/model   \
@@ -260,7 +260,7 @@ adb push mobilenet_v1_quant_opt /data/local/tmp
 
 ### 使用mobilenetv1\_light\_api运行优化后的量化模型
 
-参考[源码编译](../source_compile)配置编译环境后，在Paddle-Lite执行如下命令获取轻量级API的demo：
+参考[源码编译](source_compile)配置编译环境后，在Paddle-Lite执行如下命令获取轻量级API的demo：
 
 ```bash
 cd /Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/demo/cxx/mobile_light
@@ -288,7 +288,7 @@ Output[700]: 0.002509
 Output[800]: 0.000538
 Output[900]: 0.000969
 ```
-在C++中使用Paddle-Lite API的方法请猛戳[此处](../cpp_demo)，用户也可参考[mobilenetv1_light_api.cc](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc)的代码示例。
+在C++中使用Paddle-Lite API的方法请猛戳[此处](../demo_guides/cpp_demo)，用户也可参考[mobilenetv1_light_api.cc](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc)的代码示例。
 
 ## FAQ
 

docs/advanced_user_guides/post_quant_no_data.md → docs/user_guides/post_quant_no_data.md

@@ -91,4 +91,4 @@ WeightQuantization.quantize_weight_to_int(save_model_dir,
 
 ### 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](../user_guides/cpp_demo)、[Java Demo](../user_guides/java_demo)、[Android/IOS Demo](../user_guides/android_ios_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](../demo_guides/cpp_demo)、[Java Demo](../demo_guides/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。

docs/advanced_user_guides/post_quant_with_data.md → docs/user_guides/post_quant_with_data.md

@@ -158,7 +158,7 @@ with fluid.name_scope('skip_quant'):
 
 ### 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](../user_guides/cpp_demo)、[Java Demo](../user_guides/java_demo)、[Android/IOS Demo](../user_guides/android_ios_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](../demo_guides/cpp_demo)、[Java Demo](../demo_guides/java_demo)、[Android/IOS Demo](../demo_guides/android_app_demo)。
 
 ## 4 使用示例
 

docs/installation/release_lib.md → docs/user_guides/release_lib.md

 
-# 官方 release 预编译库
+# 预编译库
 
 ## 编译版本介绍
 
@@ -11,7 +11,7 @@
 
 - arm_stl=`c++_static/c++_shared`             Lite预测库链接STL库的方式，支持静态或动态链接
 
-- build_extra=`ON/OFF`                                     是否编译全量OP，OFF时只编译CV相关基础OP，[参数详情](./library.html)
+- build_extra=`ON/OFF`                                     是否编译全量OP，OFF时只编译CV相关基础OP，[参数详情](library)
 
 -  `tiny_publish/full_publish`                   编译模式，`tiny_publish`编译移动端部署库、`full_publish`编译部署库的同时编译第三方依赖库
 
@@ -63,7 +63,7 @@
 - [Android源码编译](./source_compile.html#paddlelite)
 - [iOS源码编译](./source_compile.html#paddlelite)
 - [ArmLinux源码编译](./source_compile.html#paddlelite)
-- [x86源码编译](../advanced_user_guides/x86)
-- [opencl源码编译](../advanced_user_guides/opencl)
-- [CUDA源码编译](../advanced_user_guides/cuda)
-- [FPGA源码编译](../advanced_user_guides/fpga)
+- [x86源码编译](../demo_guides/x86)
+- [opencl源码编译](../demo_guides/opencl)
+- [CUDA源码编译](../demo_guides/cuda)
+- [FPGA源码编译](../demo_guides/fpga)

docs/installation/source_compile.md → docs/user_guides/source_compile.md

 
-# 源码编译
+# 预测库编译
 
-Paddle-Lite 提供了移动端的一键源码编译脚本 `lite/tools/build.sh`，编译流程如下：
+PaddleLite已经提供官方Release预测库下载，请参考[文档](release_lib)。
+
+PaddleLite 提供了移动端的一键源码编译脚本 `lite/tools/build.sh`，编译流程如下：
 
 1. 环境准备（选择其一）：Docker交叉编译环境、Linux交叉编译环境
 2. 编译：调用`build.sh`脚本一键编译

docs/user_guides/tutorial.md

@@ -48,8 +48,8 @@ $ ./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](cpp_demo)、[Java完整示例](java_demo)、[Python完整示例](../advanced_user_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](../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`。
 
 ## 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](../advanced_user_guides/debug_tools) 和 [Profile Monitor Tool](../advanced_user_guides/test_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](../advanced_user_guides/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 [Debug工具](debug#debug) 和 [Profile工具](debug#profiler)。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) 了解更多内容。

docs/advanced_user_guides/x2paddle.md → docs/user_guides/x2paddle.md

-# 通过 X2Paddle 转换模型 
+# 模型转换工具 X2Paddle
+
+X2Paddle可以将caffe、tensorflow、onnx模型转换成Paddle支持的模型。
 
 [X2Paddle](https://github.com/PaddlePaddle/X2Paddle)支持将Caffe/TensorFlow模型转换为PaddlePaddle模型。目前X2Paddle支持的模型参考[x2paddle_model_zoo](https://github.com/PaddlePaddle/X2Paddle/blob/develop/x2paddle_model_zoo.md)。
 
+
+## 多框架支持
+
+|模型 | caffe | tensorflow | onnx | 
+|---|---|---|---|
+|mobilenetv1 | Y | Y |  | 
+|mobilenetv2 | Y | Y | Y | 
+|resnet18 | Y | Y |  | 
+|resnet50 | Y | Y | Y | 
+|mnasnet | Y | Y |  | 
+|efficientnet | Y | Y | Y | 
+|squeezenetv1.1 | Y | Y | Y | 
+|shufflenet | Y | Y |  | 
+|mobilenet_ssd | Y | Y |  | 
+|mobilenet_yolov3 |  | Y |  | 
+|inceptionv4 |  |  |  | 
+|mtcnn | Y | Y |  | 
+|facedetection | Y |  |  | 
+|unet | Y | Y |  | 
+|ocr_attention |  |  |  | 
+|vgg16 |  |  |  | 
+
+
 ## 安装
 
 ```