diff --git a/demo/elmo/READ.md b/demo/elmo/READ.md
new file mode 100644
index 0000000000000000000000000000000000000000..97cf366ea2a7c73d7cb5c83bd572e0c326c91d15
--- /dev/null
+++ b/demo/elmo/READ.md
@@ -0,0 +1,150 @@
+# PaddleHub 文本分类
+
+本示例将展示如何使用PaddleHub Finetune API以及加载ELMo预训练中文word embedding在中文情感分析数据集ChnSentiCorp上完成分类任务。
+
+## 如何开始Finetune
+
+在完成安装PaddlePaddle与PaddleHub后，通过执行脚本`sh run_elmo_finetune.sh`即可开始使用ELMo对ChnSentiCorp数据集进行Finetune。
+
+其中脚本参数说明如下：
+
+```bash
+# 模型相关
+--batch_size: 批处理大小，请结合显存情况进行调整，若出现显存不足，请适当调低这一参数use
+--use_gpu: 是否使用GPU进行FineTune，默认为True
+--learning_rate: Finetune的最大学习率
+--weight_decay: 控制正则项力度的参数，用于防止过拟合，默认为0.01
+--warmup_proportion: 学习率warmup策略的比例，如果0.1，则学习率会在前10%训练step的过程中从0慢慢增长到learning_rate, 而后再缓慢衰减，默认为0
+--num_epoch: Finetune迭代的轮数
+
+
+# 任务相关
+--checkpoint_dir: 模型保存路径，PaddleHub会自动保存验证集上表现最好的模型
+```
+
+## 代码步骤
+
+使用PaddleHub Finetune API进行Finetune可以分为4个步骤
+
+### Step1: 加载预训练模型
+
+```python
+module = hub.Module(name="elmo")
+inputs, outputs, program = module.context(trainable=True)
+```
+
+### Step2: 准备数据集并使用LACClassifyReader读取数据
+```python
+dataset = hub.dataset.ChnSentiCorp()
+reader = hub.reader.LACClassifyReader(
+    dataset=dataset,
+    vocab_path=module.get_vocab_path())
+```
+
+其中数据集的准备代码可以参考 [chnsenticorp.py](https://github.com/PaddlePaddle/PaddleHub/blob/develop/paddlehub/dataset/chnsenticorp.py)
+
+`hub.dataset.ChnSentiCorp()` 会自动从网络下载数据集并解压到用户目录下`$HOME/.paddlehub/dataset`目录
+
+`module.get_vaocab_path()` 会返回预训练模型对应的词表
+
+LACClassifyReader中的`data_generator`会自动按照模型对应词表对数据进行切词，以迭代器的方式返回ELMo所需要的Tensor格式，包括`word_ids`.
+
+### Step3：选择优化策略和运行配置
+
+```python
+strategy = hub.AdamWeightDecayStrategy(
+    learning_rate=5e-5,
+    weight_decay=0.01,
+    warmup_proportion=0.0,
+    lr_scheduler="linear_decay",
+)
+
+config = hub.RunConfig(use_cuda=True, use_data_parallel=True, use_pyreader=False, num_epoch=3, batch_size=32, strategy=strategy)
+```
+
+#### 优化策略
+针对ERNIE与BERT类任务，PaddleHub封装了适合这一任务的迁移学习优化策略`AdamWeightDecayStrategy`
+
+* `learning_rate`: Finetune过程中的最大学习率;
+* `weight_decay`: 模型的正则项参数，默认0.01，如果模型有过拟合倾向，可适当调高这一参数;
+* `warmup_proportion`: 如果warmup_proportion>0, 例如0.1, 则学习率会在前10%的steps中线性增长至最高值learning_rate;
+* `lr_scheduler`: 有两种策略可选(1) `linear_decay`策略学习率会在最高点后以线性方式衰减; `noam_decay`策略学习率会在最高点以多项式形式衰减；
+
+#### 运行配置
+`RunConfig` 主要控制Finetune的训练，包含以下可控制的参数:
+
+* `log_interval`: 进度日志打印间隔，默认每10个step打印一次
+* `eval_interval`: 模型评估的间隔，默认每100个step评估一次验证集
+* `save_ckpt_interval`: 模型保存间隔，请根据任务大小配置，默认只保存验证集效果最好的模型和训练结束的模型
+* `use_cuda`: 是否使用GPU训练，默认为False
+* `use_data_parallel`: 是否使用并行计算，默认False。打开该功能依赖nccl库
+* `use_pyreader`: 是否使用pyreader，默认False
+* `checkpoint_dir`: 模型checkpoint保存路径, 若用户没有指定，程序会自动生成
+* `num_epoch`: finetune的轮数
+* `batch_size`: 训练的批大小，如果使用GPU，请根据实际情况调整batch_size
+* `enable_memory_optim`: 是否使用内存优化， 默认为True
+* `strategy`: Finetune优化策略
+
+**Note**: 当使用LACClassifyReader时，use_pyreader应该为False。
+
+### Step4: 构建网络并创建分类迁移任务进行Finetune
+
+有了合适的预训练模型和准备要迁移的数据集后，我们开始组建一个Task。
+>* 获取module的上下文环境，包括输入和输出的变量，以及Paddle Program；
+>* 从输出变量中找到输入单词对应的elmo_embedding, 并拼接上随机初始化word embedding；
+>* 在拼接embedding输入gru网络，进行文本分类，生成Task；
+
+```python
+word_ids = inputs["word_ids"]
+elmo_embedding = outputs["elmo_embed"]
+
+feed_list = [word_ids.name]
+
+switch_main_program(program)
+
+word_embed_dims = 128
+word_embedding = fluid.layers.embedding(
+    input=word_ids,
+    size=[word_dict_len, word_embed_dims],
+    param_attr=fluid.ParamAttr(
+        learning_rate=30,
+        initializer=fluid.initializer.Uniform(low=-0.1, high=0.1)))
+
+input_feature = fluid.layers.concat(
+    input=[elmo_embedding, word_embedding], axis=1)
+
+fc = gru_net(program, input_feature)
+
+elmo_task = hub.TextClassifierTask(
+    data_reader=reader,
+    feature=fc,
+    feed_list=feed_list,
+    num_classes=dataset.num_labels,
+    config=config)
+
+elmo_task.finetune_and_eval()
+```
+**NOTE:**
+1. `outputs["elmo_embed"]`返回了ELMo模型预训练的word embedding。
+2. `hub.TextClassifierTask`通过输入特征，label与迁移的类别数，可以生成适用于文本分类的迁移任务`TextClassifierTask`
+
+## VisualDL 可视化
+
+Finetune API训练过程中会自动对关键训练指标进行打点，启动程序后执行下面命令
+```bash
+$ visualdl --logdir $CKPT_DIR/vdllog -t ${HOST_IP}
+```
+其中${HOST_IP}为本机IP地址，如本机IP地址为192.168.0.1，用浏览器打开192.168.0.1:8040，其中8040为端口号，即可看到训练过程中指标的变化情况
+
+## 模型预测
+
+通过Finetune完成模型训练后，在对应的ckpt目录下，会自动保存验证集上效果最好的模型。
+配置脚本参数
+```
+CKPT_DIR="./ckpt_chnsentiment"
+python predict.py --checkpoint_dir --use_gpu True
+```
+其中CKPT_DIR为Finetune API保存最佳模型的路径
+
+参数配置正确后，请执行脚本`sh run_predict.sh`，即可看到以下文本分类预测结果, 以及最终准确率。
+如需了解更多预测步骤，请参考`predict.py`