diff --git a/docs/index.rst b/docs/index.rst
index 7ed7494841b21ac1a13729694a6e72bb9fd4bf17..2bed5b08ae4bf8a1025e56a7f59547f10d2cab70 100644
--- a/docs/index.rst
+++ b/docs/index.rst
@@ -41,7 +41,8 @@ Welcome to Paddle-Lite's documentation!
user_guides/model_optimize_tool
user_guides/cpp_demo
user_guides/java_demo
- user_guides/android_ios_app_demo
+ user_guides/android_app_demo
+ user_guides/ios_app_demo
user_guides/library_tailoring
.. toctree::
diff --git a/docs/user_guides/android_app_demo.md b/docs/user_guides/android_app_demo.md
new file mode 100644
index 0000000000000000000000000000000000000000..5af9e9b949f0636c826cbe43e674731d23e1f011
--- /dev/null
+++ b/docs/user_guides/android_app_demo.md
@@ -0,0 +1,126 @@
+# Android demo
+
+## 多种应用场景
+
+我们提供的Paddle-Lite示例工程[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)，其中包含[Android](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo)、[iOS](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-ios-demo)和[Armlinux](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-armlinux-demo)平台的示例工程。涵盖[人脸识别](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/face_detection_demo)、[人像分割](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/human_segmentation_demo)、[图像分类](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/image_classification_demo)、[目标检测](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/object_detection_demo)4个应用场景。
+
+### 1. 人脸识别
+
+人脸检测是Paddle-Lite提供的人像检测demo。在移动端上提供了高精度、实时的人脸检测能力，能处理基于人脸检测的业务场景。在移动端预测的效果图如下：
+
+
+### 2. 人像分割
+
+人像分割是Paddle-Lite 提供的图像分割demo ，在移动端上提供了实时的人像分割能力，可以应用证件照自动抠图、面积测量、智能交通（标记车道和交通标志）等场景。 在移动端预测的效果图如下：
+
+
+### 3. 图像分类
+
+图像分类是Paddle-Lite 提供的图像处理demo ，在移动端上提供了实时的物体识别能力，可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下：
+
+
+### 4. 物体检测
+
+物体检测是Paddle-Lite 提供的图像识别demo ，在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控（是否有违规物体或行为）、工业质检（微小瑕疵的数量和位置）、医疗诊断（细胞计数、中药识别）等场景。在移动端预测的效果图如下：
+
+
+## Android demo部署方法
+
+下面我们以**目标检测示例（object_detection_demo)**为例讲解如何部署。
+
+**目的**：将基于Paddle-Lite预测库的Android APP 部署到手机，实现物体检测
+
+**需要的环境**： Android Studio、Android手机（开启USB调试模式）、下载到本地的[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)工程
+
+**部署步骤**：
+
+1、 目标检测的Android示例位于 `Paddle-Lite-Demo\PaddleLite-android-demo\object_detection_demo`
+
+2、用Android Studio 打开object_detection_demo工程 （本步骤需要联网）。
+
+3、手机连接电脑，打开**USB调试**和**文件传输模式**，在Android Studio上连接自己的手机设备（手机需要开启允许从 USB安装软件权限）
+
+
+
+4、按下 Run按钮，自动编译APP并安装到手机。(该过程会自动下载Paddle-Lite预测库和模型，需要联网)
+
+成功后效果如下，图一：APP安装到手机 图二： APP打开后的效果，会自动识别图片中的物体并标记
+
+
+## Android demo结构讲解
+
+Android 示例的代码结构如下图所示：
+
+
+
+ 1、 Predictor.java： 预测代码
+
+```shell
+# 位置：
+object_detection_demo/app/src/main/java/com/baidu/paddle/lite/demo/object_detection/Predictor.java
+```
+
+ 2、 model.nb : 模型文件 (opt 工具转化后Paddle-Lite模型)
+
+```shell
+# 位置：
+object_detection_demo/app/src/main/assets/models/ssd_mobilenet_v1_pascalvoc_for_cpu/model.nb
+```
+
+ 3、 libpaddle_lite_jni.so、PaddlePredictor.jar：Paddle-Lite Java 预测库与Jar包
+
+```shell
+# 位置
+object_detection_demo/app/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so
+object_detection_demo/app/libs/PaddlePredictor.jar
+```
+
+ 4、 build.gradle : 定义编译过程的 gradle 脚本。（不用改动，定义了自动下载Paddle-Lite预测和模型的过程）
+
+```shell
+# 位置
+object_detection_demo/app/build.gradle
+```
+
+
+
+## 代码讲解 （使用Paddle-Lite Java API 执行预测）
+
+Android 示例基于Java API 开发，调用Paddle-Lite Java API包括以下五步。更详细的API 描述参考： [Paddle-Lite Java API](https://paddle-lite.readthedocs.io/zh/latest/api_reference/java_api_doc.html)。
+
+```c++
+// 导入Java API
+import com.baidu.paddle.lite.MobileConfig;
+import com.baidu.paddle.lite.Tensor;
+import com.baidu.paddle.lite.Predictor;
+import com.baidu.paddle.lite.PowerMode;
+
+// 1. 写入配置：设置MobileConfig
+MobileConfig config = new MobileConfig();
+config.setModelFromFile(); // 设置Paddle-Lite模型路径
+config.setPowerMode(PowerMode.LITE_POWER_NO_BIND); // 设置CPU运行模式
+config.setThreads(4); // 设置工作线程数
+
+// 2. 创建 PaddlePredictor
+PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
+
+// 3. 设置输入数据
+long[] dims = {100, 100};
+float[] inputBuffer = new float[10000];
+for (int i = 0; i < 10000; ++i) {
+ inputBuffer[i] = i;
+}
+Tensor input = predictor.getInput(0);
+input.resize(dims);
+input.setData(inputBuffer);
+
+// 4. 执行预测
+predictor.run();
+
+// 5. 获取输出数据
+Tensor output = predictor.getOutput(0);
+float[] output = result.getFloatData();
+for (int i = 0; i < 1000; ++i) {
+ System.out.println(output[i]);
+}
+```
diff --git a/docs/user_guides/android_ios_app_demo.md b/docs/user_guides/android_ios_app_demo.md
deleted file mode 100644
index 49ddf51b39b74cc5de8f1066e14e279cfbf508e3..0000000000000000000000000000000000000000
--- a/docs/user_guides/android_ios_app_demo.md
+++ /dev/null
@@ -1,3 +0,0 @@
-# Android/IOS APP demo
-
-请参考[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)。
diff --git a/docs/user_guides/cpp_demo.md b/docs/user_guides/cpp_demo.md
index 5113a4e0cc8a16f459b0945f933e49601cbe0993..434d2866a92398385ccb69e15c3b1afba2390e0a 100644
--- a/docs/user_guides/cpp_demo.md
+++ b/docs/user_guides/cpp_demo.md
@@ -173,7 +173,7 @@ predictor->Run();
std::unique_ptr output_tensor(
std::move(predictor->GetOutput(0)));
// 转化为数据
-auto output_data=output_tensor();
+auto output_data=output_tensor->data();
```
diff --git a/docs/user_guides/ios_app_demo.md b/docs/user_guides/ios_app_demo.md
new file mode 100644
index 0000000000000000000000000000000000000000..c4710e3ca5a79c6146bf5ae1e13fa3c5f62af281
--- /dev/null
+++ b/docs/user_guides/ios_app_demo.md
@@ -0,0 +1,127 @@
+# iOS demo
+
+## 多种应用场景
+
+我们提供Paddle-Lite示例工程[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)，其中包含[Android](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo)、[iOS](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-ios-demo)和[Armlinux](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-armlinux-demo)平台的示例工程。iOS demo涵盖[图像分类](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/image_classification_demo)、[目标检测](https://github.com/PaddlePaddle/Paddle-Lite-Demo/tree/master/PaddleLite-android-demo/object_detection_demo)2个应用场景。
+
+### 1. 图像分类
+
+图像分类是Paddle-Lite 提供的图像处理demo ，在移动端上提供了实时的物体识别能力，可以应用到生产线自动分拣或质检、识别医疗图像、辅助医生肉眼诊断等场景。在移动端预测的效果图如下：
+
+
+
+### 2. 物体检测
+
+物体检测是Paddle-Lite 提供的图像识别demo ，在移动端上提供了检测多个物体的位置、名称、位置及数量的能力。可以应用到视频监控（是否有违规物体或行为）、工业质检（微小瑕疵的数量和位置）、医疗诊断（细胞计数、中药识别）等场景。在移动端预测的效果图如下：
+
+
+
+## iOS demo部署方法
+
+下面我们以**目标检测（object_detection_demo)**为例讲解如何部署iOS工程。
+
+**目的**：将基于Paddle-Lite预测库的iOS APP部署到苹果手机，实现物体检测。
+
+**需要的环境**：Mac 电脑上安装Xcode、苹果手机、下载到本地的[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)工程
+
+**部署步骤**：
+
+1、 目标检测的iOS示例位于 `Paddle-Lite-Demo\PaddleLite-ios-demo\object_detection_demo`
+
+2、终端中执行 `download_dependencies.sh`脚本自动下载模型和Paddle-Lite预测库
+
+```shell
+cd PaddleLite-ios-demo # 1. 终端中进入 Paddle-Lite-Demo\PaddleLite-ios-demo
+sh download_dependencies.sh # 2. 执行脚本下载依赖项 （需要联网）
+```
+
+下载完成后会出现提示： `Extract done `
+
+3、用Xcode打开`object_detection_demo/detection_demo.xcodeproj`文件，修改工程配置。
+依次修改 `General/Identity`和`Signing&Capabilities`属性，替换为自己的工程代号和团队名称。（必须修改，不然无法通过编译）
+
+
+
+
+
+
+
+4、 IPhone手机连接电脑，在Xcode中连接自己的手机 （第一次连接IPhone到电脑时，需要在IPhone的`设置->通用->设备管理`中选择本电脑并信任）
+
+
+5、按下左上角的 Run按钮，自动编译APP并安装到手机。在苹果手机中设置信任该APP（进入`设置->通用->设备管理`，选中新安装的APP并`验证该应用`）
+
+成功后效果如下，图一：APP安装到手机 图二： APP打开后的效果，会自动识别图片中的物体并标记
+
+
+
+## iOS demo结构讲解
+
+iOS 示例的代码结构如下图所示：
+
+
+ 1、 mobilenetv1-ssd： 模型文件 (opt 工具转化后Paddle-Lite模型)
+
+```shell
+# 位置：
+ios-detection_demo/detection_demo/models/mobilenetv1-ssd
+```
+
+ 2、 libpaddle_api_light_bundled.a、paddle_api.h : Paddle-Lite C++ 预测库和头文件
+
+```shell
+# 位置：
+# iOS预测库
+ios-detection_demo/detection_demo/lib/libpaddle_api_light_bundled.a
+# 预测库头文件
+ios-detection_demo/detection_demo/include/paddle_api.h
+ios-detection_demo/detection_demo/include/paddle_use_kernels.h
+ios-detection_demo/detection_demo/include/paddle_use_ops.h
+```
+
+ 3、 ViewController.mm：主要预测代码
+
+```shell
+# 位置
+ios-detection_demo/detection_demo/ViewController.mm
+```
+
+## 代码讲解 （如何使用Paddle-Lite C++ API 执行预测）
+
+IOS 示例基于C++ API 开发，调用Paddle-Lite C++ API包括以下五步。更详细的API 描述参考： [Paddle-Lite C++ API](https://paddle-lite.readthedocs.io/zh/latest/api_reference/java_api_doc.html)。
+
+```c++
+#include
+// 引入C++ API
+#include "paddle_lite/paddle_api.h"
+#include "paddle_lite/paddle_use_ops.h"
+#include "paddle_lite/paddle_use_kernels.h"
+
+// 1. 设置MobileConfig
+MobileConfig config;
+config.set_model_from_file(); // 设置NaiveBuffer格式模型路径
+config.set_power_mode(LITE_POWER_NO_BIND); // 设置CPU运行模式
+config.set_threads(4); // 设置工作线程数
+
+// 2. 创建PaddlePredictor
+std::shared_ptr predictor = CreatePaddlePredictor(config);
+
+// 3. 设置输入数据
+std::unique_ptr input_tensor(std::move(predictor->GetInput(0)));
+input_tensor->Resize({1, 3, 224, 224});
+auto* data = input_tensor->mutable_data();
+for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
+ data[i] = 1;
+}
+
+// 4. 执行预测
+predictor->run();
+
+// 5. 获取输出数据
+std::unique_ptr output_tensor(std::move(predictor->GetOutput(0)));
+std::cout << "Output shape " << output_tensor->shape()[1] << std::endl;
+for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) {
+ std::cout << "Output[" << i << "]: " << output_tensor->data()[i]
+ << std::endl;
+}
+```