update README

README.md

 # PaddleHub
+PaddleHub旨在为PaddlePaddle提供一个简明易用的预训练模型管理框架。
+使用PaddleHub，你可以：
 
+1. 通过统一的方式，快速便捷的获取PaddlePaddle发布的预训练模型
+2. 利用PaddleHub提供的接口，对预训练模型进行Transfer learning
+3. 以命令行或者python代码调用的方式，使用预训练模型进行预测
 
-[![Build Status](https://travis-ci.org/PaddlePaddle/PaddleHub.svg?branch=develop)](https://travis-ci.org/PaddlePaddle/PaddleHub)
-[![License](https://img.shields.io/badge/license-Apache%202-blue.svg)](LICENSE)
-[![Version](https://img.shields.io/github/release/PaddlePaddle/PaddleHub.svg)](https://github.com/PaddlePaddle/PaddleHub/releases)
-
-## 安装
+除此之外，我们还提供了预训练模型的本地管理机制（类似于pip），用户可以通过命令行来管理本地的预训练模型
+![图片](http://agroup-bos.cdn.bcebos.com/89dc20492e986c262d8e3957e516a8c509413ccc)
 
+想了解PaddleHub已经发布的模型，请查看
+# 安装
+paddle hub直接通过pip进行安装（python3以上），使用如下命令来安装paddle hub
 ```
-pip install paddlehub
-
+pip install paddle_hub
 ```
-
-## 答疑
-
-欢迎您将问题和bug报告以[Github Issues](https://github.com/PaddlePaddle/PaddleHub/issues)的形式提交
-
-## 版权和许可证
-PaddleHub由[Apache-2.0 license](LICENSE)提供
+# 快速体验
+通过下面的命令，来体验下paddle hub的魅力
+```
+#使用lac进行分词
+hub run lac --input_text "今天是个好日子"
+#使用senta进行情感分析
+hub run senta --input_text "今天是个好日子"
+```
+# 深入了解Paddle Hub
+* 命令行功能
+* Transfer Learning
+* API

docs/command_line_introduction.md

+# 命令行
+Paddle Hub为Module的管理和使用提供了命令行工具，目前命令行支持以下9个命令：
+
+* install
+* uninstall
+* show
+* download
+* search
+* list
+* run
+* help
+* version
+
+## install
+install命令用于将
+## uninstall
+## show
+## download
+## search
+## list
+## run
+## help
+## version

docs/released_module_list.md

+# 已发布模型列表
+|方向 | 模型 | 描述 |
+|---|---|---|
+|NLP | ERNIE |  |
+|NLP | BERT |  |
+|NLP | LAC | 中文词性分析工具，支持中文分词、词性标注、命名实体识别等三个任务，可以直接用命令行预测 |
+|NLP | SENTA | 中文情感分析模型，将结果分为三个级别，2分表示正面评价，1分表示中性评价，0分表示负面评价，支持命令行预测 |
+|CV | ResNet | 使用ImageNet-2012数据集训练的分类模型，提供了classification和feature_map两个签名，其中classification签名支持直接通过命令行预测，feature_map签名用于finetune  |
+|CV | MobileNet | 使用ImageNet-2012数据集训练的分类模型，提供了classification和feature_map两个签名，其中classification签名支持直接通过命令行预测，feature_map签名用于finetune |
+|CV | SSD | 在PASCAL VOC数据集上训练的SSD模型，可以用于进行20个类别目标的检测和定位，支持命令行预测 |

docs/transfer_learning_turtorial.md

+# Transfer Learning
+Transfer Learning是xxxx
+更多关于Transfer Learning的知识，请参考
+## CV教程
+以猫狗分类为例子，我们可以快速的使用一个通过ImageNet训练过的ResNet进行finetune
+```python
+import paddle.fluid as fluid
+import paddle_hub as hub
+
+resnet = hub.Module(key = "resnet_v2_50_imagenet")
+input_dict, output_dict, program = resnet.context(sign_name = "feature_map")
+img_mode, img_size, img_order = resnet.data_config()
+reader = hub.ImageClassifierReader(mode = img_mode, shape = img_shape, order = img_order, dataset = hub.dataset.flowers(), batch_size = 32)
+with fluid.program_guard(program):
+	img = input_dict["image"]
+	feature_map = output_dict["feature_map"]
+	label = fluid.layers.data(name = "label", shape = [1], dtype = "int64")
+	task = hub.DNNClassifier(input = feature_map, hidden_units = [10], acts = ["softmax"])
+
+finetune_config = {"epochs" : 100}
+hub.finetune_and_eval(task = task, reader = reader.train(), config = finetune_config)
+```
+## NLP教程
+```python
+import paddle.fluid as fluid
+import paddle_hub as hub
+
+resnet = hub.Module(key = "resnet_v2_50_imagenet")
+input_dict, output_dict, program = resnet.context(sign_name = "feature_map")
+img_mode, img_size, img_order = resnet.data_config()
+reader = hub.ImageClassifierReader(mode = img_mode, shape = img_shape, order = img_order, dataset = hub.dataset.flowers(), batch_size = 32)
+with fluid.program_guard(program):
+	img = input_dict["image"]
+	feature_map = output_dict["feature_map"]
+	label = fluid.layers.data(name = "label", shape = [1], dtype = "int64")
+	task = hub.DNNClassifier(input = feature_map, hidden_units = [10], acts = ["softmax"])
+
+finetune_config = {"epochs" : 100}
+hub.finetune_and_eval(task = task, reader = reader.train(), config = finetune_config)
+```