add lite&slim doc

docs/deploy/paddlelite/android.md

 # Android平台
 
-PaddleX的安卓端部署由PaddleLite实现，部署的流程如下，首先将训练好的模型导出为inference model，然后使用PaddleLite的python接口对模型进行优化，最后使用PaddleLite的预测库进行部署，
-PaddleLite的详细介绍和使用可参考：[PaddleLite文档](https://paddle-lite.readthedocs.io/zh/latest/)
+PaddleX的安卓端部署由PaddleLite实现，部署的流程如下，首先将训练好的模型导出为inference model，然后对模型进行优化，最后使用PaddleLite的预测库进行部署，PaddleLite的详细介绍和使用可参考：[PaddleLite文档](https://paddle-lite.readthedocs.io/zh/latest/)
 
 > PaddleX --> Inference Model --> PaddleLite Opt --> PaddleLite Inference
 
-以下介绍如何将PaddleX导出为inference model，然后使用PaddleLite的OPT模块对模型进行优化：
+文章简介：
+- step1: 介绍如何将PaddleX导出为inference model
+- step2: 使用PaddleLite的OPT模块对模型进行优化
+- step3: 介绍了基于MobileNetv2的安卓demo，以及PaddleX Android SDK
 
-## step 1. 安装PaddleLite
-
-```
-pip install paddlelite
-```
-
-## step 2. 将PaddleX模型导出为inference模型
+## step 1. 将PaddleX模型导出为inference模型
 
 参考[导出inference模型](../export_model.html)将模型导出为inference格式模型。
 **注意：由于PaddleX代码的持续更新，版本低于1.0.0的模型暂时无法直接用于预测部署，参考[模型版本升级](./upgrade_version.md)对模型版本进行升级。**
 
-## step 3. 将inference模型转换成PaddleLite模型
+## step 2. 将inference模型优化为PaddleLite模型
 
-```
-python /path/to/PaddleX/deploy/lite/export_lite.py --model_dir /path/to/inference_model --save_file /path/to/lite_model_name --place place/to/run
+目前提供了两种方法将Paddle模型优化为PaddleLite模型:
+
+- 1.python脚本优化模型，简单上手，目前支持最新的PaddleLite 2.6.1版本
+- 2.bin文件优化模型(linux)，支持develop版本(Commit Id:11cbd50e)，适用于部署`DeepLab模型`的用户。
+
+### 2.1 使用python脚本优化模型
 
+```bash
+pip install paddlelite
+python /PaddleX/deploy/lite/export_lite.py --model_dir /path/to/inference_model --save_file /path/to/lite_model_name --place place/to/run
 ```
 
 |  参数   | 说明  |
@@ -31,42 +34,56 @@ python /path/to/PaddleX/deploy/lite/export_lite.py --model_dir /path/to/inferenc
 | --save_file  | 模型输出的名称，假设为/path/to/lite_model_name, 则输出为路径为/path/to/lite_model_name.nb |
 | --place | 运行的平台，可选：arm\|opencl\|x86\|npu\|xpu\|rknpu\|apu，安卓部署请选择`arm`|
 
-## step 4. 移动端（Android）预测
+### 2.3 使用bin文件优化模型(linux)
+
+首先下载并解压: [模型优化工具opt](https://bj.bcebos.com/paddlex/deploy/lite/model_optimize_tool_11cbd50e.tar.gz)
+
+``` bash
+./opt --model_file=<model_path> \
+      --param_file=<param_path> \
+      --valid_targets=arm \
+      --optimize_out_type=naive_buffer \
+      --optimize_out=model_output_name
+```
+详细的使用方法和参数含义请参考: [使用opt转化模型](https://paddle-lite.readthedocs.io/zh/latest/user_guides/opt/opt_bin.html)
 
-### 4.1 要求
+## step 3. 移动端（Android）预测
+
+### 3.1 要求
 
 - Android Studio 3.4
-- Android手机或开发版，NPU的功能暂时只在nova5、mate30和mate30 5G上进行了测试，用户可自行尝试其它搭载了麒麟810和990芯片的华为手机（如nova5i pro、mate30 pro、荣耀v30，mate40或p40，且需要将系统更新到最新版）；
+- Android手机或开发板
 
-### 4.2 分类Demo
+### 3.2 分类Demo
 
-#### 4.2.1 使用
+#### 3.2.1 导入工程
 
-- 打开Android Studio，在"Welcome to Android Studio"窗口点击"Open an existing Android Studio project"，在弹出的路径选择窗口中进入""目录，然后点击右下角的"Open"按钮，导入工程`/PaddleX/deploy/lite/android/demo`
+- 打开Android Studio，在"Welcome to Android Studio"窗口点击"Open an existing Android Studio project"，在弹出的路径选择窗口中进入`/PaddleX/deploy/lite/android/demo`目录，然后点击右下角的"Open"按钮，导入工程；
 - 通过USB连接Android手机或开发板；
 - 载入工程后，点击菜单栏的Run->Run 'App'按钮，在弹出的"Select Deployment Target"窗口选择已经连接的Android设备，然后点击"OK"按钮；
 
-#### 4.2.2 自定义模型
+#### 3.2.2 自定义模型
 
-首先根据step1~step3描述，导出Lite模型(.nb)和yml配置文件(注意：导出Lite模型时需指定--place=arm)，然后在Android Studio的project视图中：
+首先根据step1~step2描述，准备好Lite模型(.nb文件)和yml配置文件(注意：导出Lite模型时需指定--place=arm)，然后在Android Studio的project视图中：
 
 - 将paddlex.nb文件拷贝到`/src/main/assets/model/`目录下。
 - 将model.yml文件拷贝到`/src/main/assets/config/`目录下。
 - 根据需要，修改文件`/src/main/res/values/strings.xml`中的`MODEL_PATH_DEFAULT`和`YAML_PATH_DEFAULT`指定的路径。
 
-### 4.3 PaddleX Android SDK介绍
+### 3.3 PaddleX Android SDK介绍
 
-PaddleX Android SDK是PaddleX基于Paddle-Lite开发的安卓端AI推理工具，以PaddleX导出的Yaml配置文件为接口，针对不同的模型实现图片的预处理，后处理，并进行可视化，同时方便开发者集成到业务中。
+PaddleX Android SDK是PaddleX基于Paddle-Lite开发的安卓端AI推理工具，以PaddleX导出的Yaml配置文件为接口，针对不同的模型实现图片的预处理，后处理，并进行可视化，开发者可集成到业务中。
 该SDK自底向上主要包括：Paddle-Lite推理引擎层，Paddle-Lite接口层以及PaddleX业务层。
 
 - Paddle-Lite推理引擎层，是在Android上编译好的二进制包，只涉及到Kernel 的执行，且可以单独部署，以支持极致的轻量级部署。
 - Paddle-Lite接口层，以Java接口封装了底层c++推理库。
 - PaddleX业务层，封装了PaddleX导出模型的预处理，推理和后处理，以及可视化，支持PaddleX导出的检测、分割、分类模型。
-<img width="600" src="./images/paddlex_android_sdk_framework.jpg"/>
 
-#### 4.3.1 SDK安装
+<img width="600" src="../images/paddlex_android_sdk_framework.jpg"/>
+
+#### 3.3.1 SDK安装
 
-首先下载[PaddleX Android SDK](https://bj.bcebos.com/paddlex/deploy/lite/paddlex_lite_11cbd50e.tar.gz)，并拷贝到android工程目录app/libs/下面，然后为app的build.gradle添加依赖：
+首先下载并解压[PaddleX Android SDK](https://bj.bcebos.com/paddlex/deploy/lite/paddlex_lite_11cbd50e.tar.gz)，得到paddlex.aar文件，将拷贝到android工程目录app/libs/下面，然后为app的build.gradle添加依赖：
 
 ```
 dependencies {
@@ -75,7 +92,7 @@ dependencies {
 
 ```
 
-#### 4.3.2 SDK使用用例
+#### 3.3.2 SDK使用用例
 ```
 import com.baidu.paddlex.Predictor;
 import com.baidu.paddlex.config.ConfigParser;
@@ -91,7 +108,7 @@ ConfigParser configParser = new ConfigParser();
 // Visualize
 Visualize visualize = new Visualize();
 // image to predict
-Bitmap predictImage;
+Mat predictMat;
 
 // initialize
 configParser.init(context, model_path, yaml_path, cpu_thread_num, cpu_power_mode);
@@ -100,22 +117,22 @@ predictor.init(context, configParser)
 
 // run model
 if (predictImage != null && predictor.isLoaded()) {
-    predictor.setInputImage(predictImage);
+    predictor.setInputMat(predictMat);
     runModel();
 }
 
 // get result & visualize
 if (configParser.getModelType().equalsIgnoreCase("segmenter")) {
     SegResult segResult = predictor.getSegResult();
-    outputImage = visualize.draw(segResult, predictor.getInputImage(), predictor.getImageBlob());
+    Mat visualizeMat  = visualize.draw(segResult, predictMat, predictor.getImageBlob());
 } else if (configParser.getModelType().equalsIgnoreCase("detector")) {
     DetResult detResult = predictor.getDetResult();
-    outputImage = visualize.draw(detResult, predictor.getInputImage());
+    Mat visualizeMat = visualize.draw(detResult, predictMat);
 } else if (configParser.getModelType().equalsIgnoreCase("classifier")) {
     ClsResult clsResult = predictor.getClsResult();
 }
 ```
-#### 4.3.3 Result成员变量
+#### 3.3.3 Result成员变量
 
 **注意**：Result所有的成员变量以java bean的方式获取。
 
@@ -167,7 +184,7 @@ com.baidu.paddlex.postprocess.SegResult.Mask
 > * **labelData** (long[]): 模型预测置信度最高的label，长度为`H$\times\$W$\times\$1
 > * **labelShape** (long[4]): labelData的shape信息，[1,H,W,1]
 
-#### 4.3.4 SDK二次开发
+#### 3.3.4 SDK二次开发
 
 - 打开Android Studio新建项目(或加载已有项目)。点击菜单File->New->Import Module，导入工程`/PaddleX/deploy/lite/android/sdk`, Project视图会新增名为sdk的module
 - 在app的build.grade里面添加依赖:
@@ -176,9 +193,5 @@ com.baidu.paddlex.postprocess.SegResult.Mask
       implementation project(':sdk')
   }
  ```
-- 源代码位于/sdk/main/java/下，可进行二次开发。
-- SDK和Paddle-Lite是解耦的关系，如有需求，可手动升级Paddle-Lite的预测库版本:
-> - 参考[Paddle-Lite文档](https://paddle-lite.readthedocs.io/zh/latest/index.html)，编译Android预测库，编译最终产物位于 build.lite.xxx.xxx.xxx 下的 inference_lite_lib.xxx.xxx
-> - 替换jar文件：将生成的build.lite.android.xxx.gcc/inference_lite_lib.android.xxx/java/jar/PaddlePredictor.jar替换sdk中的sdk/libs/PaddlePredictor.jar
-> - 替换arm64-v8a jni库文件：将生成build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/java/so/libpaddle_lite_jni.so库替换sdk中的sdk/src/main/jniLibs/arm64-v8a/libpaddle_lite_jni.so
-> - 替换armeabi-v7a jni库文件：将生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7/java/so/libpaddle_lite_jni.so库替换sdk中的sdk/src/main/jniLibs/armeabi-v7a/libpaddle_lite_jni.so
+
+- 源代码位于sdk/main/java/下，修改源码进行二次开发后，点击菜单栏的Build->Run 'sdk'按钮可编译生成aar，文件位于sdk/build/outputs/aar/路径下。

docs/deploy/paddlelite/slim/compress.md

-## 模型量化
+# 模型压缩
+为了更好地满足端侧部署场景下，低内存带宽、低功耗、低计算资源占用以及低模型存储等需求，PaddleX通过集成PaddleSlim实现模型量化和裁剪，可提升PaddleLite端侧部署性能。
 
+## 模型量化
 ### 原理介绍
-为了满足低内存带宽、低功耗、低计算资源占用以及低模型存储等需求，定点量化被提出。为此我们提供了训练后量化，该量化使用KL散度确定量化比例因子，将FP32模型转成INT8模型，且不需要重新训练，可以快速得到量化模型。
+定点量化使用更少的比特数（如8-bit、3-bit、2-bit等）表示神经网络的权重和激活值，从而加速模型推理速度。PaddleX提供了训练后量化技术，其原理可参见[训练后量化原理](https://paddlepaddle.github.io/PaddleSlim/algo/algo.html#id14)，该量化使用KL散度确定量化比例因子，将FP32模型转成INT8模型，且不需要重新训练，可以快速得到量化模型。
 
 ### 使用PaddleX量化模型
-PaddleX提供了`export_quant_model`接口，让用户以接口的形式完成模型以post_quantization方式量化并导出。点击查看[量化接口使用文档](../apis/slim.md)。
+PaddleX提供了`export_quant_model`接口，让用户以接口的形式完成模型以post_quantization方式量化并导出。点击查看[量化接口使用文档](../../apis/slim.md)。
 
 ### 量化性能对比
 模型量化后的性能对比指标请查阅[PaddleSlim模型库](https://paddlepaddle.github.io/PaddleSlim/model_zoo.html)
 
-
 ## 模型裁剪
 ### 原理介绍
 
-模型裁剪用于减小模型的计算量和体积，可以加快模型部署后的预测速度，是一种减小模型大小和降低模型计算复杂度的常用方式，通过裁剪卷积层中Kernel输出通道的大小及其关联层参数大小来实现，其关联裁剪的原理可参见[PaddleSlim相关文档](https://paddlepaddle.github.io/PaddleSlim/algo/algo.html#id16)。**一般而言，在同等模型精度前提下，数据复杂度越低，模型可以被裁剪的比例就越高**。
+模型裁剪通过裁剪卷积层中Kernel输出通道的大小及其关联层参数大小，来减小模型大小和降低模型计算复杂度，可以加快模型部署后的预测速度，其关联裁剪的原理可参见[PaddleSlim相关文档](https://paddlepaddle.github.io/PaddleSlim/algo/algo.html#id16)。**一般而言，在同等模型精度前提下，数据复杂度越低，模型可以被裁剪的比例就越高**。
 
 ### 裁剪方法
 PaddleX提供了两种方式:
@@ -34,10 +35,10 @@ PaddleX提供了两种方式:
 > 注：各模型内置的裁剪方案分别依据的数据集为： 图像分类——ImageNet数据集、目标检测——PascalVOC数据集、语义分割——CityScape数据集
 
 ### 裁剪实验
-基于上述两种方案，我们在PaddleX上使用样例数据进行了实验，在Tesla P40上实验指标如下所示，
+基于上述两种方案，我们在PaddleX上使用样例数据进行了实验，在Tesla P40上实验指标如下所示，使用方法见[使用教程-模型压缩](../../../../tutorials/compress/README.md)
 
 #### 图像分类
-实验背景：使用MobileNetV2模型，数据集为蔬菜分类示例数据，见[使用教程-模型压缩-图像分类](../../../../tutorials/compress/classification.md)
+实验背景：使用MobileNetV2模型，数据集为蔬菜分类示例数据
 
 | 模型 | 裁剪情况 | 模型大小 | Top1准确率(%) |GPU预测速度 | CPU预测速度 |
 | :-----| :--------| :-------- | :---------- |:---------- |:----------|
@@ -46,8 +47,7 @@ PaddleX提供了两种方式:
 |MobileNetV2 | 方案二(eval_metric_loss=0.10) | 6.0M | 99.58 |5.42ms |29.06ms |
 
 #### 目标检测
-实验背景：使用YOLOv3-MobileNetV1模型，数据集为昆虫检测示例数据，见[使用教程-模型压缩-目标检测](../../../../tutorials/compress/detection.md)
-
+实验背景：使用YOLOv3-MobileNetV1模型，数据集为昆虫检测示例数据
 
 | 模型 | 裁剪情况 | 模型大小 | MAP(%) |GPU预测速度 | CPU预测速度 |
 | :-----| :--------| :-------- | :---------- |:---------- | :---------|
@@ -56,7 +56,7 @@ PaddleX提供了两种方式:
 |YOLOv3-MobileNetV1 | 方案二(eval_metric_loss=0.05) | 29M | 50.27| 9.43ms |360.46ms |
 
 #### 语义分割
-实验背景：使用UNet模型，数据集为视盘分割示例数据, 见[使用教程-模型压缩-语义分割](../../../../tutorials/compress/segmentation.md)
+实验背景：使用UNet模型，数据集为视盘分割示例数据
 
 | 模型 | 裁剪情况 | 模型大小 | mIOU(%) |GPU预测速度 | CPU预测速度 |
 | :-----| :--------| :-------- | :---------- |:---------- | :---------|