Update DESIGN_DOC.md

doc/DESIGN_DOC.md

@@ -7,23 +7,34 @@
 - 工业级：为了达到工业级深度学习模型在线部署的要求，
 Paddle Serving提供很多大规模场景需要的部署功能：1）分布式稀疏参数索引功能；2）高并发底层通信能力；3）模型管理、在线A/B流量测试、模型热加载。
 
-- 简单易用：此外，为了让使用Paddle的用户能够以极低的成本部署模型，PaddleServing设计了一套与Paddle训练框架无缝打通的预测部署API，普通模型可以使用一行命令进行服务部署。
+- 简单易用：为了让使用Paddle的用户能够以极低的成本部署模型，PaddleServing设计了一套与Paddle训练框架无缝打通的预测部署API，普通模型可以使用一行命令进行服务部署。
 
 - 功能扩展：当前，Paddle Serving支持C++、Python、Golang的客户端，未来也会面向不同类型的客户新增多种语言的客户端。在Paddle Serving的框架设计方面，尽管当前Paddle Serving以支持Paddle模型的部署为核心功能，
 用户可以很容易嵌入其他的机器学习库部署在线预测。
 
 ## 2. 模块设计与实现
 
-### 2.1 与Paddle无缝衔接
+### 2.1 Python API接口设计
 
-### 2.2 Python API接口设计
+#### 2.1.1 训练模型的保存
+Paddle的模型预测需要重点关注的内容：1）模型的输入变量；2）模型的输出变量；3）模型结构和模型参数。Paddle Serving Python API提供用户可以在训练过程中保存模型的接口，并将Paddle Serving在部署阶段需要保存的配置打包保存，一个示例如下：
+``` python
+import paddle_serving_client.io as serving_io
+serving_io.save_model("serving_model", "client_conf",
+                      {"words": data}, {"prediction": prediction},
+                      fluid.default_main_program())
+```
+ 
 
-### 2.3 底层通信机制
+### 2.2 底层通信机制
 
-### 2.4 核心执行引擎
+### 2.3 核心执行引擎
 
 ## 3. 工业级特性
 
 ### 3.1 分布式稀疏索引
 
 ### 3.2 模型管理、在线A/B流量测试、模型热加载
+
+## 4. 用户类型
+