follow comments.

doc/howto/usage/capi/a_simple_example.md → doc/howto/usage/capi/a_simple_example_cn.md

@@ -4,8 +4,8 @@
 
 ### 使用流程
 
-使用 C-API 分为：准备工作和预测程序开发两部分。
-- 准备
+使用 C-API 分为：准备预测模型和预测程序开发两部分。
+- 准备预测模型
     1. 将神经网络模型结构进行序列化。
         - 调用C-API预测时，需要提供序列化之后的网络结构和训练好的模型参数文件。
     1. 将PaddlePaddle训练出的模型参数文件（多个）合并成一个文件。
@@ -14,18 +14,17 @@
     - **注意**：以上两种方式只需选择其一即可。
 - 调用 PaddlePaddle C-API 开发预测序
     1. 初始化PaddlePaddle运行环境。
-    1. 创建神经网络的输入，组织输入数据。
     1. 加载模型。
+    1. 创建神经网络的输入，组织输入数据。
     1. 进行前向计算，获得计算结果。
     1. 清理。
 
+本文档以手写数字识别任务为例，介绍如何使用 C-API 进行预测，完整代码请查看[此目录](https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/capi/examples/model_inference/dense)。
 
-这里我们以手写数字识别任务为例，介绍如何使用 C-API 进行预测，完整代码请查看[此目录](https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/capi/examples/model_inference/dense)。
-
-运行目录下的 `python mnist_v2.py` 可以使用 PaddlePaddle 内置的 [MNIST 数据集](http://yann.lecun.com/exdb/mnist/)进行训练。脚本中的模型定义了一个简单的含有[两个隐层的全连接网络](https://github.com/PaddlePaddle/book/blob/develop/02.recognize_digits/README.cn.md#softmax回归softmax-regression)，网络接受一幅图片作为输入，将图片分类到 0 ~ 9 类别标签之一。训练好的模型默认保存在当前运行目录下的`models`目录中。下面，我们将调用 C-API 加载训练好的模型进行预测。
+### 准备预测模型
 
-
-### 外部准备
+通过在终端执行`python mnist_v2.py`
+运行[目录](https://github.com/PaddlePaddle/Paddle/tree/develop/paddle/capi/examples/model_inference/dense)下的 `mnist_v2.py` s可以使用 PaddlePaddle 内置的 [MNIST 数据集](http://yann.lecun.com/exdb/mnist/)进行训练。脚本中的模型定义了一个简单的含有[两个隐层的全连接网络](https://github.com/PaddlePaddle/book/blob/develop/02.recognize_digits/README.cn.md#softmax回归softmax-regression)，网络接受一幅图片作为输入，将图片分类到 0 ~ 9 类别标签之一。训练好的模型默认保存在当前运行目录下的`models`目录中。下面，我们将调用 C-API 加载训练好的模型进行预测。
 
 1. 序列化神经网络模型配置
 
@@ -52,8 +51,7 @@
     代码示例如下：
 
     ```python
-    from paddle.utils.merge_model import merge_v2_model
-
+    from paddle.utils.merge_model import merge_v2_modelss
     from mnist_v2 import network
 
     net = network(is_infer=True)
@@ -70,54 +68,65 @@
 
 ### 编写预测代码
 
-#### step 1. 初始化及加载模型
+#### step 1. 初始化PaddlePaddle运行环境
+使用C-API第一步需首先调用[`paddle_init`](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/main.h#L27) 初始化PaddlePaddle运行环境。接口接受两个参数：参数的个数和参数。
 
-1. 初始化PaddlePaddle运行环境。
-    ```c
-    // Initalize the PaddlePaddle runtime environment.
-    char* argv[] = {"--use_gpu=False"};
-    CHECK(paddle_init(1, (char**)argv));
-    ```
+下面的代码片段在初始化PaddlePaddle运行环境时指定不使用GPU：
 
-1. 加载训练好的模型。
+```c
+// Initalize the PaddlePaddle runtime environment.
+char* argv[] = {"--use_gpu=False"};
+CHECK(paddle_init(1, (char**)argv));
+```
 
-    这里需要介绍C-API使用中的一个重要概念：Gradient Machine。概念上，在 PaddlePaddle 内部，一个GradientMachine类的对象管理着一组计算层（PaddlePaddle Layers）来完成前向和反向计算，并处理与之相关的所有细节。特别的，在调用C-API预测时只需进行前向计算。这篇文档的之后部分我们会使用`gradient machine`来特指调用PaddlePaddle C-API创建的GradientMachine类的对象。
+下面的代码片段在初始化PaddlePaddle运行环境时指定了两个参数：不使用GPU和[使用MKLDNN](https://github.com/PaddlePaddle/Paddle/blob/develop/doc/design/mkl/mkldnn.md)：
 
-    每一个 `gradient machine` 都会管理维护一份训练好的模型，模型可以通过以下两种方式获取：
-    1. 从磁盘加载；这时`gradient machine`会独立拥有一份训练好的模型；
-    1. 共享自其它`gradient machine`的模型；这种情况多出现在使用多线程预测时；
+```c
+char* argv[] = {"--use_gpu=False", "--use_mkldnn=True"};
+CHECK(paddle_init(2, (char**)argv));
+```
 
-    下面的代码片段创建 `gradient machine`，并从指定路径加载训练好的模型。
+#### step2. 加载模型
 
-    ```c
-    // Read the binary configuration file generated by `convert_protobin.sh`
-    long size;
-    void* buf = read_config(CONFIG_BIN, &size);
+这里介绍C-API使用中的一个重要概念：Gradient Machine。概念上，在 PaddlePaddle 内部一个GradientMachine类的对象管理着一组计算层（PaddlePaddle Layers）来完成前向和反向计算，并处理与之相关的所有细节。在调用C-API预测时，只需进行前向计算而无需调用反向计算。这篇文档的之后部分我们会使用`gradient machine`来特指调用PaddlePaddle C-API创建的GradientMachine类的对象。
 
-    // Create the gradient machine for inference.
-    paddle_gradient_machine machine;
-    CHECK(paddle_gradient_machine_create_for_inference(&machine, buf, (int)size));
+每一个 `gradient machine` 都会管理维护一份训练好的模型，下面是两种最常用的模型加载方式：
 
-    // Load the trained model. Modify the parameter MODEL_PATH to set the correct
-    // path of the trained model.
-    CHECK(paddle_gradient_machine_load_parameter_from_disk(machine, MODEL_PATH));
-    ```
+1. 从磁盘加载：这时`gradient machine`会独立拥有一份训练好的模型；
+1. 共享自其它`gradient machine`的模型：这种情况多出现在使用多线程预测时，通过多个线程共享同一个模型来减少内存开销。可参考[此示例](https://github.com/PaddlePaddle/Paddle/blob/develop/paddle/capi/examples/model_inference/multi_thread/main.c)。
+
+下面的代码片段创建 `gradient machine`，并从指定路径加载训练好的模型。
+
+```c
+// Read the binary configuration file generated by `convert_protobin.sh`
+long size;
+void* buf = read_config(CONFIG_BIN, &size);
+
+// Create the gradient machine for inference.
+paddle_gradient_machine machine;
+CHECK(paddle_gradient_machine_create_for_inference(&machine, buf, (int)size));
+
+// Load the trained model. Modify the parameter MODEL_PATH to set the correct
+// path of the trained model.
+CHECK(paddle_gradient_machine_load_parameter_from_disk(machine, MODEL_PATH));
+```
 
 ##### 注意事项
 1. 以上代码片段使用“仅序列化神经网络结构”的方式加载模型，需要同时指定模型参数存储的路径。
     - 使用PaddlePaddle V2 API训练，模型中所有可学习参数会被存为一个压缩文件，需要手动进行解压，将它们放在同一目录中，C-API不会直接加载 V2 API 存储的压缩文件。
 1. 如果使用`merge model`方式将神经网络结构和训练好的参数序列化到一个文件，请参考此[示例](https://github.com/PaddlePaddle/Mobile/blob/develop/Demo/linux/paddle_image_recognizer.cpp#L59)。
+1. 加载模型有多种方式，也可以在程序运行过程中再加载另外一个模型。
 
 #### step 2. 创建神经网络输入，组织输入数据
 
 基本使用概念：
-- 在PaddlePaddle内部，神经网络中一个计算层的输入/输出被组织为一个 `Argument` 结构体，如果神经网络有多个输入或者多个输入，每一个输入/输入都会对应有自己的`Argument`。
+- 在PaddlePaddle内部，神经网络中一个计算层的输入输出被组织为一个 `Argument` 结构体，如果神经网络有多个输入或者多个输出，每一个输入/输出都会对应有自己的`Argument`。
 - `Argument` 并不真正“存储”数据，而是将输入/输出数据有机地组织在一起。
 - 在`Argument`内部由：1. `Matrix`（二维矩阵，存储浮点类型输入/输出）；2. `IVector`（一维数组，**仅用于存储整型值**，多用于自然语言处理任务）来实际存储数据。
 
 *注：本文档使用的示例任务手写数字识别不涉及一维整型数组作为输入，因此，本文档仅讨论二维稠密矩阵作为输入的情形。更多输入数据格式请参考输入/输出数据一节的内容。*
 
-这篇文档的之后部分会使用`argument`来**特指** PaddlePaddle C-API中神经网的一个输入/输出，使用`paddle_matrix`**特指**`argument`中用于存储数据的`Matrix`类的对象。
+这篇文档的之后部分会使用`argument`来**特指** PaddlePaddle C-API中神经网络的一个输入/输出，使用`paddle_matrix`**特指**`argument`中用于存储数据的`Matrix`类的对象。
 
 于是，在组织神经网络输入，获取输出时，需要思考完成以下工作：
 1. 为每一个输入/输出创建`argument`；

doc/howto/usage/capi/compile_paddle_lib.md → doc/howto/usage/capi/compile_paddle_lib_cn.md

-## 编译 PaddlePaddle 链接库
+## 编译 PaddlePaddle 预测库
 
 ### 概述
 
-使用 C-API 进行预测依赖于将 PaddlePaddle 核心代码编译成链接库，只需在编译时指定编译选项：`-DWITH_C_API=ON`。同时，**建议将：`DWITH_PYTHON`，`DWITH_SWIG_PY`，`DWITH_GOLANG`，均设置为`OFF`**，以避免链接不必要的库。其它编译选项按需进行设定。
+使用 C-API 进行预测依赖于将 PaddlePaddle 核心代码编译成链接库，只需在编译时需配制下面这些编译选项：
+
+必须配置选项：
+- `WITH_C_API`，必须配置为`ON`。
+
+推荐配置选项：
+- `WITH_PYTHON`，推荐配置为`OFF`
+- `WITH_SWIG_PY`，推荐配置为`OFF`
+- `WITH_GOLANG`，推荐设置为`OFF`
+
+可选配置选项：
+- `WITH_GPU`，可配置为`ON/OFF`
+- `WITH_MKL`，可配置为`ON/OFF`
+
+对推荐配置中的选项建议按照设置，以避免链接不必要的库。其它可选编译选项按需进行设定。
+
+下面的代码片段从github拉取最新代码，配制编译选项（需要将PADDLE_ROOT替换为PaddlePaddle预测库的安装路径）：
 
 ```shell
-INSTALL_PREFIX=/path/of/capi/
-PADDLE_ROOT=/path/of/paddle_source/
-cmake $PADDLE_ROOT -DCMAKE_INSTALL_PREFIX=$INSTALL_PREFIX \
+PADDLE_ROOT=/path/of/capi
+git clone https://github.com/PaddlePaddle/Paddle.git
+cd Paddle
+mkdir build
+cd build
+cmake -DCMAKE_INSTALL_PREFIX=$PADDLE_ROOT \
       -DCMAKE_BUILD_TYPE=Release \
       -DWITH_C_API=ON \
       -DWITH_SWIG_PY=OFF \
       -DWITH_GOLANG=OFF \
       -DWITH_PYTHON=OFF \
-      -DWITH_MKLML=OFF \
-      -DWITH_MKLDNN=OFF \
-      -DWITH_GPU=OFF \
-      ...
+      -DWITH_MKL=OFF \
+      -DWITH_GPU=OFF  \
+      ..
 ```
-在上面的代码片段中，`PADDLE_ROOT` 表示 PaddlePaddle 源码所在目录，生成Makefile文件后执行：`make && make install`。成功执行后，使用CAPI所需的依赖（包括：（1）编译出的PaddlePaddle 链接和头文件；（2）第三方链接库和头文件）均会存放于`INSTALL_PREFIX`目录中。
 
-编译成功后在 `INSTALL_PREFIX` 下会看到如下目录结构（包括了编译出的PaddlePaddle头文件和链接库，以及第三方依赖链接库和头文件（如果需要，由链接方式决定））：
+执行上述代码生成Makefile文件后，执行：`make && make install`。成功编译后，使用C-API所需的依赖（包括：（1）编译出的PaddlePaddle预测库和头文件；（2）第三方链接库和头文件）均会存放于`PADDLE_ROOT`目录中。
+
+编译成功后在 `PADDLE_ROOT` 下会看到如下目录结构（包括了编译出的PaddlePaddle头文件和链接库，以及第三方依赖链接库和头文件（如果需要，由链接方式决定））：
 
 ```text
 ├── include
@@ -38,29 +57,62 @@ cmake $PADDLE_ROOT -DCMAKE_INSTALL_PREFIX=$INSTALL_PREFIX \
 ├── lib
 │   ├── libpaddle_capi_engine.a
 │   ├── libpaddle_capi_layers.a
-│   ├── libpaddle_capi_shared.dylib
+│   ├── libpaddle_capi_shared.so
 │   └── libpaddle_capi_whole.a
 └── third_party
-    ├── ......
+    ├── gflags
+    │   ├── include
+    │   │   └── gflags
+    │   │       ├── gflags_completions.h
+    │   │       ├── gflags_declare.h
+    │   │       ...
+    │   └── lib
+    │       └── libgflags.a
+    ├── glog
+    │   ├── include
+    │   │   └── glog
+    │   │       ├── config.h
+    │   │       ...
+    │   └── lib
+    │       └── libglog.a
+    ├── openblas
+    │   ├── include
+    │   │   ├── cblas.h
+    │   │   ...
+    │   └── lib
+    │       ...
+    ├── protobuf
+    │   ├── include
+    │   │   └── google
+    │   │       └── protobuf
+    │   │           ...
+    │   └── lib
+    │       └── libprotobuf-lite.a
+    └── zlib
+        ├── include
+        │   ...
+        └── lib
+            ...
+
 ```
 
-### 链接方式说明
+### 链接说明
 
 目前提供三种链接方式：
 
 1. 链接`libpaddle_capi_shared.so` 动态库
     - 使用 PaddlePaddle C-API 开发预测程序链接`libpaddle_capi_shared.so`时，需注意：
-        1. 如果编译时指定编译CPU版本，且使用`OpenBLAS`矩阵库，在使用CAPI开发预测程序时，只需要链接`libpaddle_capi_shared.so`这一个库。
-        1. 如果是用编译时指定CPU版本，且使用`MKL`矩阵库，由于`MKL`库有自己独立的动态库文件，在使用PaddlePaddle CAPI开发预测程序时，需要自己链接MKL链接库。
+        1. 如果编译时指定编译CPU版本，且使用`OpenBLAS`数学库，在使用C-API开发预测程序时，只需要链接`libpaddle_capi_shared.so`这一个库。
+        1. 如果是用编译时指定CPU版本，且使用`MKL`数学库，由于`MKL`库有自己独立的动态库文件，在使用PaddlePaddle C-API开发预测程序时，需要自己链接MKL链接库。
         1. 如果编译时指定编译GPU版本，CUDA相关库会在预测程序运行时动态装载，需要将CUDA相关的库设置到`LD_LIBRARY_PATH`环境变量中。
     - 这种方式最为简便，链接相对容易，**在无特殊需求情况下，推荐使用此方式**。
 
 2. 链接静态库 `libpaddle_capi_whole.a`
     - 使用PaddlePaddle C-API 开发预测程序链接`libpaddle_capi_whole.a`时，需注意：
         1. 需要指定`-Wl,--whole-archive`链接选项。
-        1. 需要显式地链接 `gflags`、`glog`、`libz`、`protobuf` 等第三方库，可在`INSTALL_PREFIX\third_party`下找到。
-        1. 如果在编译 C-API 时使用OpenBLAS矩阵库，需要显示地链接`libopenblas.a`。
-        1. 如果在编译 C-API 是使用 MKL 矩阵库，需要显示地链接 MKL 的动态库。
+        1. 需要显式地链接 `gflags`、`glog`、`libz`、`protobuf` 等第三方库，可在`PADDLE_ROOT/third_party`下找到。
+        1. 如果在编译 C-API 时使用OpenBLAS数学库，需要显示地链接`libopenblas.a`。
+        1. 如果在编译 C-API 是使用MKL数学库，需要显示地链接MKL的动态库。
 
 3. 链接静态库 `libpaddle_capi_layers.a`和`libpaddle_capi_engine.a`
     - 使用PaddlePaddle C-API 开发预测程序链接`libpaddle_capi_whole.a`时，需注意：

doc/howto/usage/capi/index_cn.rst

@@ -4,6 +4,6 @@ PaddlePaddle C-API
 ..  toctree::
   :maxdepth: 1
 
-  compile_paddle_lib.md
-  organization_of_the_inputs.md
-  a_simple_example.md
+  compile_paddle_lib_cn.md
+  organization_of_the_inputs_cn.md
+  a_simple_example_cn.md

doc/howto/usage/capi/organization_of_the_inputs.md → doc/howto/usage/capi/organization_of_the_inputs_cn.md

@@ -260,6 +260,8 @@
 </table>
 </html>
 <br>
+
+
 ### 输出数据
 
 PaddlePaddle中一个计算层的输出数据组织方式和输入数据组织方式完全相同。一个输出数据同样被组织为一个`argument`，`argument`通过`paddle_matrix`或`paddle_ivector`存数数据，如果输出是一个序列，那么会携带有`sequence_start_positions`信息。调用C-API相关接口，读取需要的结果即可。