update docs

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
+* `install`：用于将Module安装到本地，默认安装在${USER_HOME}/.hub/module目录下，当一个Module安装到本地后，用户可以通过其他命令操作该Module（例如，使用该Module进行预测），也可以使用PaddleHub提供的python API，将Module应用到自己的任务中，实现迁移学习
+
+* `uninstall`：用于卸载本地Module
+
+* `show`：用于查看Module的属性，包括Module的名字、版本、描述、作者等信息
+
+* `download`：用于下载百度NLP工具包
+
+* `search`：通过关键字在服务端检索匹配的Module，当你想要查找某个特定模型的Module时，使用search命令可以快速得到结果，例如`hub search ssd`命令，会查找所有包含了ssd字样的Module
+
+* `list`：列出本地已经安装的Module
+
+* `run`：用于执行Module的预测，需要注意的是，并不是所有的模型都支持预测（同样，也不是所有的模型都支持迁移学习）
+
+* `help`：显示帮助信息
+
+* `version`：显示版本信息
+
+# 关于预测
+PaddleHub尽量简化了用户在使用命令行预测时的理解成本，一般来讲，我们将预测分为NLP和CV两大类
+
+## NLP类的任务
+输入数据通过--input_text或者--input_file指定。以LAC（中文词性分析）为例子，可以通过以下两个命令实现单文本和多文本的预测
+```shell
+#单文本预测
+hub run lac --input_text "今天是个好日子"
+```
+```shell
+#多文本分析
+hub run lac --input_file test.csv
+```
+其中test.csv的格式为
+```
+今天是个好日子
+天气预报说今天要下雨
+下一班地铁马上就要到了
+……更多行……
+```
+## CV类的任务
+输入数据通过--input_path或者--input_file指定。以SSD（目标检测）为例子，可以通过以下两个命令实现单张图片和多张图片的预测
+```shell
+#单张照片预测
+hub run ssd_mobilenet_pascal --input_text test.jpg
+```
+```shell
+#多文本分析
+hub run ssd_mobilenet_pascal --input_file test.csv
+```
+其中test.csv的格式为
+```
+cat.jpg
+dog.jpg
+person.jpg
+……更多行……
+```

docs/transfer_learning_turtorial.md

 # Transfer Learning
-Transfer Learning是xxxx
-更多关于Transfer Learning的知识，请参考
+## 简述
+Transfer Learning是属于机器学习的一个子研究领域，该研究领域的目标在于利用数据、任务、或模型之间的相似性，将在旧领域学习过的知识，迁移应用于新领域中
+
+基于以下几个原因，迁移学习吸引了很多研究者投身其中：
+
+* 一些研究领域只有少量标注数据，且数据标注成本较高，不足以训练一个足够鲁棒的神经网络
+* 大规模神经网络的训练依赖于大量的计算资源，这对于一般用户而言难以实现
+* 应对于普适化需求的模型，在特定应用上表现不尽如人意
+
+目前在深度学习领域已经取得了较大的发展，本文让用户了解如何快速使用PaddleHub进行迁移学习。 更多关于Transfer Learning的知识，请参考：
+http://cs231n.github.io/transfer-learning/
+https://papers.nips.cc/paper/5347-how-transferable-are-features-in-deep-neural-networks.pdf
+http://ftp.cs.wisc.edu/machine-learning/shavlik-group/torrey.handbook09.pdf
+## PaddleHub中的迁移学习
 ## 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
 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)
+def train():
+    resnet_module = hub.Module(name="resnet50_imagenet")
+    input_dict, output_dict, program = resnet_module.context(
+        sign_name="feature_map", trainable=True)
+    dataset = hub.dataset.DogCat()
+    data_reader = hub.ImageClassificationReader(
+        image_width=224, image_height=224, dataset=dataset)
+    with fluid.program_guard(program):
+        label = fluid.layers.data(name="label", dtype="int64", shape=[1])
+        img = input_dict["img"]
+        feature_map = output_dict["feature_map"]
+
+		# 运行配置
+        config = hub.RunConfig(
+            use_cuda=True,
+            num_epoch=10,
+            batch_size=32,
+            strategy=hub.finetune.strategy.DefaultFinetuneStrategy())
+
+        feed_list = [img.name, label.name]
+
+		# 构造多分类模型
+        task = hub.append_mlp_classifier(
+            feature=feature_map, label=label, num_classes=dataset.num_labels)
+
+        # finetune
+        hub.finetune_and_eval(
+            task, feed_list=feed_list, data_reader=data_reader, config=config)
+
+
+if __name__ == "__main__":
+    train()
+
 ```