diff --git a/docs/quick_start/java_demo.md b/docs/quick_start/java_demo.md
index dd0058c5766..942eb62819d 100644
--- a/docs/quick_start/java_demo.md
+++ b/docs/quick_start/java_demo.md
@@ -1,17 +1,88 @@
 # Java 完整示例
 
-本章节包含2部分内容：(1) [Java 示例程序](java_demo.html#id1)；(2) [Java 应用开发说明](java_demo.html#id8)。
+## 概述
 
-## Java 示例程序
+本教程提供了 Paddle Lite 执行推理的示例程序，通过输入、执行推理、打印推理结果的方式，演示了基于 Java API 接口的推理基本流程，用户能够快速了解 Paddle Lite 执行推理相关 API 的使用。
+本教程以 Android Studio 工程为案例，介绍 Java API 推理流程，工程文件夹为[lite/demo/java/android](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/demo/java/android)。其中和 Java API 相关的代码在[lite/demo/java/android/PaddlePredictor/app/src/main/java/com/baidu/paddle/lite/MainActivity.java](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/demo/java/android/PaddlePredictor/app/src/main/java/com/baidu/paddle/lite/MainActivity.java)文件中。
 
-本章节展示的所有Java 示例代码位于 [demo/java](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/java) 。
+
+使用 Paddle Lite 执行推理主要包括以下步骤：
+
+- 配置 config 信息：创建 MobileConfig ，用于配置模型路径、运行设备环境等相关信息
+
+- 模型加载：通过 `setModelFromFile` 接口配置模型路径。
+
+- 创建 predictor 对象：通过 `PaddlePredictor.createPaddlePredictor` 接口创建 PaddlePredictor 对象，完成模型解析和环境初始化。
+
+- 输入数据：推理之前需要向输入 Tensor 中填充数据。即通过 `predictor.getInput(num)` 接口获取第 `num` 个输入 Tensor ，先做 `resize` 处理，给 Tensor 分配相应的空间；然后通过 `setData` 接口对 Tensor 进行赋值处理。（如果输入数据是图片，则需要进行预处理，再将预处理后的数据赋值给输入 tensor ）
+
+- 执行推理：使用 predictor 对象的成员函数 `run` 进行模型推理
+
+- 输出数据：推理执行结束后，通过 `predictor.getOutput(num)` 接口获取第 `num` 个输出 Tensor。
+
+其流程图如下：
+
+
+<p align=center> <img src = "http://bos.bj.bce-internal.sdns.baidu.com/agroup-bos-bj/bj-2e0a5c97eb8068c5d1254f475962a45462335d39"/></p>
+
+
+## Java 应用开发说明
+
+Java 代码调用 Paddle-Lite 执行预测仅需五步：
+
+(1) 设置 MobileConfig 信息
+
+```java
+MobileConfig config = new MobileConfig();
+config.setModelDir(modelPath);
+config.setPowerMode(PowerMode.LITE_POWER_HIGH);
+config.setThreads(1);
+```
+
+(2) 指定模型文件，创建 PaddlePredictor
+
+```java
+PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
+```
+
+(3) 设置模型输入 (下面以第 i 个输入为 i 为例)
+
+```java
+float[] inputBuffer = new float[10000];
+for (int i = 0; i < 10000; ++i) {
+    inputBuffer[i] = i;
+}
+Tensor input = predictor.getInput(0);
+input.resize({100, 100});
+input.setData(inputBuffer);
+```
+
+如果模型有多个输入，每一个模型输入都需要准确设置 shape 和 data。
+
+(4) 执行预测
+
+```java
+predictor.run();
+```
+
+(5) 获得预测结果
+
+```java
+Tensor output = predictor.getOutput(0);
+```
+详细的 Java API 说明文档位于[Java API](../api_reference/java_api_doc)。更多 Java 应用预测开发可以参考位于位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
+
+
+## Android Studio 工程 Java 示例程序
+
+本章节展示的所有 Android Studio 工程代码位于 [demo/java](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/java) 。下面将要下载的预测库也已经包含了上述 Android Studio 工程。
 
 ### 1. 环境准备
 
-要编译和运行Android Java 示例程序，你需要准备：
+要编译和运行 Android Java 示例程序，你需准备：
 
-1. 一台armv7或armv8架构的安卓手机
-2. 一台装有AndroidStudio的开发机
+1. 一台 armv7 或 armv8 架构的安卓手机
+2. 一台装有 Android Studio 的开发机
 
 ### 2. 下载预编译的预测库
 
@@ -21,12 +92,12 @@
 
 | Arch  |with_extra|arm_stl|with_cv|下载|
 |:-------:|:-----:|:-----:|:-----:|:-------:|
-|armv8|OFF|c++_static|OFF|[v2.8](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.8/inference_lite_lib.android.armv8.gcc.c++_static.tar.gz)|
+|armv8|OFF|c++_static|OFF|[v2.9](https://github.com/PaddlePaddle/Paddle-Lite/releases/download/v2.9/inference_lite_lib.android.armv8.gcc.c++_static.tar.gz)|
 
 **解压后内容结构如下：**
 
 ```shell
-inference_lite_lib.android.armv8    Paddle-Lite 预测库
+inference_lite_lib.android.armv8.gcc.c++_static    Paddle-Lite 预测库
 ├── cxx                                 C++ 预测库
 │   ├── include                             C++ 预测库头文件
 │   └── lib                                 C++ 预测库文件
@@ -47,27 +118,29 @@ inference_lite_lib.android.armv8    Paddle-Lite 预测库
 
 #### 自动化脚本方法
 
-在Java Andriod Demo文件夹下，我们准备了一个脚本`prepare_demo.bash`，输入手机架构参数例如`arm64-v8a`，即可自动打包所有预测部署所需文件。
+在下载下来的预测库的`demo/java/android`文件夹下，为了让您更快上手，我们准备了一个脚本`prepare_demo.bash`，输入手机架构参数例如`arm64-v8a`，即可自动准备好所有预测部署所需的文件。
 
-```
-cd inference_lite_lib.android.armv8/demo/java/android
+```shell
+cd inference_lite_lib.android.armv8.gcc.c++_static/demo/java/android
 bash prepare_demo.bash arm8
 ```
 
-以上命令自动进行了以下三步操作：
+以上命令自动进行以下三步操作：
 
-1. 拷贝JNI动态链接库`libpaddle_lite_jni.so`到`PaddlePredictor/app/src/main/jniLibs/arm64-v8a/`
-2. 拷贝JAR包`PaddlePredictor.jar` 到 `PaddlePredictor/app/libs/`
+1. 拷贝 JNI 动态链接库`libpaddle_lite_jni.so`到`PaddlePredictor/app/src/main/jniLibs/arm64-v8a/`
+2. 拷贝 JAR 包`PaddlePredictor.jar` 到 `PaddlePredictor/app/libs/`
 3. 自动下载并解压所有模型文件，拷贝到`PaddlePredictor/app/src/main/assets/`
 
 **注意：** 目前脚本输入手机架构参数仅支持 `arm7 | arm8 | armeabi-v7a | arm64-v8a`。
 
 #### 手动拷贝方法
 
-(1) 把Java JNI动态链接库和Java JAR包拷贝进安卓demo程序文件夹下：
+如果你不想运行上面的脚本，你可以手动进行下面操作。
+
+(1) 把 Java JNI 动态链接库和 Java JAR 包拷贝进安卓 demo 程序文件夹下：
 
 ```shell
-cd inference_lite_lib.android.armv8/demo/java/android
+cd inference_lite_lib.android.armv8.gcc.c++_static/demo/java/android
 # 请替换<架构文件夹>为手机架构名称，例如 arm64-v8a
 cp ../../../java/so/libpaddle_lite_jni.so PaddlePredictor/app/src/main/jniLibs/<架构文件夹>
 cp ../../../java/jar/PaddlePredictor.jar PaddlePredictor/app/libs/
@@ -75,7 +148,7 @@ cp ../../../java/jar/PaddlePredictor.jar PaddlePredictor/app/libs/
 
 (2) 下载模型文件
 
-下载以下5个模型，并解压缩到 `PaddlePredictor/app/src/main/assets` 文件夹中。解压之后，assets文件夹里要包含解压后的五个以`.nb`结尾的模型文件，但不需要保存原压缩`.tar.gz`文件。
+下载以下 5 个模型，并解压缩到 `PaddlePredictor/app/src/main/assets` 文件夹中。解压之后，assets文件夹里要包含解压后的五个以`.nb`结尾的模型文件，但不需要保存原压缩`.tar.gz`文件。
 
 | 模型| 下载地址|
 | :-- | :-- |
@@ -85,15 +158,15 @@ cp ../../../java/jar/PaddlePredictor.jar PaddlePredictor/app/libs/
 | mobilenet_v2_relu_opt.nb|  http://paddle-inference-dist.bj.bcebos.com/mobilenet_v2_relu_opt.nb.tar.gz |
 | resnet50_opt.nb| http://paddle-inference-dist.bj.bcebos.com/resnet50_opt.nb.tar.gz |
 
-注意：模型要求为naive buffer格式，您可以通过 [opt工具](../user_guides/model_optimize_tool) 将Paddle模型转为naive buffer存储格式。
+注意：模型要求为 naive buffer 格式，您可以通过 [opt工具](../user_guides/model_optimize_tool) 将 Paddle 模型转为naive buffer存储格式。
 
 ### 4. 运行预测示例程序
 
-1. 用AndroidStudio打开`inference_lite_lib.android.armv8/demo/java/android/PaddlePredictor`文件夹（需要联网），打开后工程会自动build完成。
-2. 设置手机：手机USB连接电脑，打开`设置 -> 开发者模式 -> USB调试 -> 允许（授权）当前电脑调试手机`，并确认AndroidStudio可以识别接入的手机设备。
-3. 按下AndroidStudio的Run按钮，AndroidStudio会自动编译APP并安装到手机。在手机上打开安装成功的APP，大概会等10秒，然后看到类似以下输出：
+1. 用 Android Studio 打开`inference_lite_lib.android.armv8.gcc.c++_static/demo/java/android/PaddlePredictor`文件夹（需联网），打开后工程会自动 build 完成。
+2. 设置手机：手机 USB 连接电脑，打开`设置 -> 开发者模式 -> USB调试 -> 允许（授权）当前电脑调试手机`，并确认 Android Studio 可识别接入的手机设备。
+3. 按下 Android Studio 的 Run 按钮，Android Studio 会自动编译 APP 并安装到手机。在手机上打开安装成功的 APP ，大概会等 10 秒，然后看到类似以下输出：
 
-```
+```shell
 lite_naive_model output: 50.213173, -28.872887
 expected: 50.2132, -28.8729
 
@@ -110,51 +183,6 @@ mobilenet_v2 test:true
 time: xxx ms
 ```
 
-该 demo 程序跑我们的 5 个模型，第一个模型结果将真正的头两个数字输出，并在第二行附上期望的正确值。你应该要看到他们的误差小于0.001。后面四个模型如果你看到 `test:true` 字样，说明模型输出通过了我们在 demo 程序里对其输出的测试。time 代表该测试花费的时间。
-
-**注意：** 在这一步中，如果遇到Andriod Studio编译/安装失败等问题，请参考[Andriod示例](../demo_guides/android_app_demo.html#android-demo)中部署方法章节的详细步骤和注意事项。
-
-## Java 应用开发说明
-
-Java代码调用Paddle-Lite执行预测库仅需以下五步：
-
-(1) 设置config信息
-
-```java
-MobileConfig config = new MobileConfig();
-config.setModelDir(modelPath);
-config.setPowerMode(PowerMode.LITE_POWER_HIGH);
-config.setThreads(1);
-```
-
-(2) 创建predictor
-
-```java
-PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
-```
-
-(3) 设置模型输入 (下面以全一输入为例)
-
-```java
-float[] inputBuffer = new float[10000];
-for (int i = 0; i < 10000; ++i) {
-    inputBuffer[i] = i;
-}
-Tensor input = predictor.getInput(0);
-input.resize({100, 100});
-input.setData(inputBuffer);
-```
-
-(4) 执行预测
-
-```java
-predictor.run();
-```
-
-(5) 获得预测结果
-
-```java
-Tensor output = predictor.getOutput(0);
-```
+该 demo 程序跑 5 个模型，第一个模型结果将真正的头两个数字输出，并在第二行附上期望的正确值。你应该要看到他们的误差小于 0.001 。后面四个模型如果你看到 `test:true` 字样，说明模型输出通过了我们在 demo 程序里对其输出的测试。time 代表该测试花费的时间。
 
-详细的Java API说明文档位于[Java API](../api_reference/java_api_doc)。更多Java应用预测开发可以参考位于位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
+**注意：** 在这一步中，如果遇到 Andriod Studio 编译/安装失败等问题，请参考[Andriod示例](../demo_guides/android_app_demo.html#android-demo)中部署方法章节的详细步骤和注意事项。
diff --git a/docs/quick_start/python_demo.md b/docs/quick_start/python_demo.md
index 0c64eadc70e..7d61c0bcfdf 100644
--- a/docs/quick_start/python_demo.md
+++ b/docs/quick_start/python_demo.md
@@ -1,155 +1,187 @@
 # Python 完整示例
 
-Python 支持的平台包括：Windows X86_CPU / macOS X86_CPU / Linux X86_CPU / Linux ARM_CPU (ARM Linux)。
+## 概述
 
-本章节包含2部分内容：(1) [Python 示例程序](python_demo.html#id1)；(2) [Python 应用开发说明](python_demo.html#id6)。
+本教程提供了用 Paddle Lite 执行推理的 Python 示例程序，通过输入、执行推理、打印推理结果的方式，演示了基于 Python API 接口的推理基本流程，用户能够快速了解 Paddle Lite 执行推理相关 API 的使用。本教程以`mobilenetv1_light_api.py`和 `mobilenetv1_full_api.py`为案例，介绍 Python API 推理流程，相关代码放置在[lite/demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python)文件夹中。
 
-## Python 示例程序
+使用 Paddle Lite 执行推理主要包括以下步骤：
 
-本章节展示的所有Python 示例代码位于 [demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python) 。
+- 创建 config 对象：创建 `<class 'paddlelite.lite.MobileConfig'>` 对象 ，用于配置模型路径、运行设备环境等相关信息
 
-### 1. 环境准备
+- 模型加载：通过 `config.set_model_from_file` 接口配置模型路径。
 
-如果是Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台，不需要进行特定环境准备。
+- 创建 predictor 对象：通过 `create_paddle_predictor` 接口创建 `<class 'paddlelite.lite.LightPredictor'>` 对象，完成模型解析和环境初始化。
 
-如果是ARM Linux平台，需要编译PaddleLite，环境配置参考[文档](../source_compile/compile_env)，推荐使用docker。
+- 输入数据：推理之前需要向输入 tensor 中填充数据。即通过 `predictor.get_input(num)` 接口获取第 `num` 个输入 tensor ， 其类型为·`<class 'paddlelite.lite.Tensor'>`，调用 tensor 的`from_numpy`方法给其输入数据。
 
-### 2. 安装python预测库
+- 执行推理：使用 predictor 对象的成员函数 `run` 进行模型推理
 
-PyPI源目前仅提供Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台的pip安装包，执行如下命令。
+- 输出数据：推理执行结束后，通过 `predictor.get_output(num)` 接口获取第 `num` 个输出 tensor。
 
-```shell
-# 当前最新版本是 2.8
-python -m pip install paddlelite==2.8
-```
+其流程图如下：
 
-如果您需要使用AMRLinux平台的Python预测功能，请参考[源码编译(ARMLinux)](../source_compile/compile_linux)编译、安装PaddleLite的python包。
+<p align=center> <img src = "http://bos.bj.bce-internal.sdns.baidu.com/agroup-bos-bj/bj-2e0a5c97eb8068c5d1254f475962a45462335d39"/></p>
 
-### 3. 准备预测部署模型
+## Python 应用开发说明
 
-(1) 模型下载：下载[mobilenet_v1](http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)模型后解压，得到Paddle非combined形式的模型，位于文件夹 `mobilenet_v1` 下。可通过模型可视化工具[Netron](https://lutzroeder.github.io/netron/)打开文件夹下的`__model__`文件，查看模型结构。
+Python代码调用 Paddle-Lite 执行预测库仅需以下五步：
 
+(1) 引入必要的库
 
-```shell
-wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
-tar zxf mobilenet_v1.tar.gz
+```py
+from paddlelite.lite import *
+import numpy as np
 ```
 
-(2) 模型转换：Paddle的原生模型需要经过[opt](../user_guides/model_optimize_tool)工具转化为Paddle-Lite可以支持的naive_buffer格式。
+(2) 指定模型文件，创建 predictor
 
-- Linux X86_CPU 平台：通过pip安装paddlelite，即可获得paddle_lite_opt命令工具
+```py
+# 1. Set config information
+config = MobileConfig()
+# 2. Set the path to the model generated by opt tools
+config.set_model_from_file(args.model_dir)
+# 3. Create predictor by config
+predictor = create_paddle_predictor(config)
+```
 
-  ```shell
-  paddle_lite_opt --model_dir=./mobilenet_v1  \
-                  --optimize_out=mobilenet_v1_opt \
-                  --optimize_out_type=naive_buffer \
-                  --valid_targets=x86
-  ```
-- MAC X86_CPU 平台: paddle_lite_opt工具使用方式同Linux。
+(3) 设置模型输入 (下面以全一输入为例)
 
-- Windows X86_CPU 平台：windows 暂不支持命令行方式直接运行模型转换器，需要编写python脚本
+```py
+input_tensor = predictor.get_input(0)
+input_tensor.from_numpy(np.ones((1, 3, 224, 224)).astype("float32"))
+```
 
-  ```python
-  import paddlelite.lite as lite
+如果模型有多个输入，每一个模型输入都需要准确设置 shape 和 data。
 
-  a=lite.Opt()
-  # 非combined形式
-  a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
+(4) 执行预测
 
-  # conmbined形式，具体模型和参数名称，请根据实际修改
-  # a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
-  # a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
+```py
+predictor.run()
+```
 
-  a.set_optimize_out("mobilenet_v1_opt")
-  a.set_valid_places("x86")
+(5) 获得预测结果并将预测结果转化为numpy数组
 
-  a.run()
-  ```
+```py
+output_tensor = predictor.get_output(0)
+output_data = output_tensor.numpy()
+print(output_data)
+```
 
-- ARMLinux 平台：编写python脚本转换模型
+详细的 Python API 说明文档位于[ Python API ](../api_reference) 文件夹内。
 
-  ```python
-  import paddlelite.lite as lite
 
-  a=lite.Opt()
-  # 非combined形式
-  a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
 
-  # conmbined形式，具体模型和参数名称，请根据实际修改
-  # a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
-  # a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
+## mobilenetv1_light_api.py 和 mobilenetv1_full_api.py 示例程序
 
-  a.set_optimize_out("mobilenet_v1_opt")
-  a.set_valid_places("arm")   # 设置为arm
+Paddle Lite Python 版本支持的平台包括：Windows X86_CPU / macOS X86_CPU / Linux X86_CPU / Linux ARM_CPU (ARM Linux)。
 
-  a.run()
-  ```
 
-以上命令执行成功之后将在同级目录生成名为`mobilenet_v1_opt.nb`的优化后模型文件。
+### 1. 环境准备
 
-### 4. 下载和运行预测示例程序
+如果是Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台，不需要进行特定环境准备。
 
-从[demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python)下载预测示例文件`mobilenetv1_light_api.py`和`mobilenetv1_full_api.py`，并运行Python预测程序。
+如果是ARM Linux平台，需要编译PaddleLite，环境配置参考[文档](../source_compile/compile_env)，推荐使用docker。
 
-```shell
-# light api的输入为优化后模型文件mobilenet_v1_opt.nb
-python mobilenetv1_light_api.py --model_dir=mobilenet_v1_opt.nb
+### 2. 安装python预测库
 
-# full api的输入为优化千的模型文件夹mobilenet_v1
-python mobilenetv1_full_api.py --model_dir=./mobilenet_v1
+PyPI 源目前仅提供 Windows X86_CPU / macOS X86_CPU / Linux X86_CPU 平台的 pip 安装包，执行如下命令。
 
-# 运行成功后，将在控制台输出如下内容
-[1L, 1000L]
-[0.00019130950386170298, 0.0005920541007071733, 0.00011230241216253489, 6.27333574811928e-05, 0.0001275067188544199, 0.0013214796781539917, 3.138116153422743e-05, 6.52207963867113e-05, 4.780858944286592e-05, 0.0002588215284049511]
+```shell
+# 当前最新版本是 2.9
+python -m pip install paddlelite==2.9
 ```
 
-## Python 应用开发说明
+如果您需要使用 AMRLinux 平台的 Python 预测功能，请参考[源码编译(ARMLinux)](../source_compile/compile_linux)编译、安装PaddleLite 的 python 包。
+
+### 3. 准备预测部署模型
 
-Python代码调用Paddle-Lite执行预测库仅需以下六步：
+(1) 模型下载：下载[mobilenet_v1](http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz)模型后解压，得到 Paddle 非 combined 形式的模型，位于文件夹 `mobilenet_v1` 下。可通过模型可视化工具[Netron](https://lutzroeder.github.io/netron/)打开文件夹下的`__model__`文件，查看模型结构。
 
-(1) 设置config信息
-```python
-from paddlelite.lite import *
-import numpy as np
-from PIL import Image
 
-config = MobileConfig()
-config.set_model_from_file("./mobilenet_v1_opt.nb")
+```shell
+wget http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1.tar.gz
+tar zxf mobilenet_v1.tar.gz
 ```
 
-(2) 创建predictor
+(2) 模型转换：Paddle 原生模型需经[opt](../user_guides/model_optimize_tool)工具转化为Paddle-Lite可以支持的naive_buffer格式。
 
-```python
-predictor = create_paddle_predictor(config)
+- Linux X86_CPU 平台：通过pip安装paddlelite的同时，就已经获得 paddle_lite_opt 可执行文件了
+
+```shell
+paddle_lite_opt --model_dir=./mobilenet_v1  \
+                --optimize_out=mobilenet_v1_opt \
+                --optimize_out_type=naive_buffer \
+                --valid_targets=x86
 ```
+- MAC X86_CPU 平台: paddle_lite_opt工具使用方式同Linux。
 
-(3) 从图片读入数据
+- Windows X86_CPU 平台：暂不支持命令行方式直接运行模型转换器，需编写 python 脚本
 
 ```python
-image = Image.open('./example.jpg')
-# resize the inputed image into shape (224, 224)
-resized_image = image.resize((224, 224), Image.BILINEAR)
-# put it from HWC to NCHW format
-image_data = np.array(resized_image).transpose(2, 0, 1).reshape(1, 3, 224, 224)
-```
+import paddlelite.lite as lite
 
-(4) 设置输入数据
+a=lite.Opt()
+# 非combined形式
+a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
 
-```python
-input_tensor = predictor.get_input(0)
-input_tensor.from_numpy(image_data)
+# conmbined形式，具体模型和参数名称，请根据实际修改
+# a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
+# a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
+
+a.set_optimize_out("mobilenet_v1_opt")
+a.set_valid_places("x86")
+
+a.run()
 ```
 
-(5) 执行预测
+- ARMLinux 平台：编写python脚本转换模型
+
 ```python
-predictor.run()
+import paddlelite.lite as lite
+
+a=lite.Opt()
+# 非combined形式
+a.set_model_dir("D:\\YOU_MODEL_PATH\\mobilenet_v1")
+
+# conmbined形式，具体模型和参数名称，请根据实际修改
+# a.set_model_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__model__")
+# a.set_param_file("D:\\YOU_MODEL_PATH\\mobilenet_v1\\__params__")
+
+a.set_optimize_out("mobilenet_v1_opt")
+a.set_valid_places("x86")   # 设置为x86
+
+a.run()
 ```
 
-(6) 得到输出数据
-```python
-output_tensor = predictor.get_output(0)
-print(output_tensor.shape())
-print(output_tensor.numpy())
+以上命令执行成功之后将在同级目录生成名为`mobilenet_v1_opt.nb`的优化后模型文件。
+
+### 4. 下载和运行预测示例程序
+
+从[demo/python](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/demo/python)下载预测示例文件`mobilenetv1_light_api.py`和`mobilenetv1_full_api.py`，并运行此程序。
+
+```py
+# light api的输入为优化后模型文件mobilenet_v1_opt.nb
+python mobilenetv1_light_api.py --model_dir=mobilenet_v1_opt.nb
+# 运行成功后，将在控制台输出类似如下内容
+[[1.91309489e-04 5.92054741e-04 1.12302143e-04 6.27333211e-05
+  1.27506457e-04 1.32147770e-03 3.13812016e-05 6.52206727e-05
+  4.78084912e-05 2.58819520e-04 1.53155532e-03 1.12548303e-04
+  ...
+  ...
+]]
 ```
 
-详细的Python API说明文档位于[Python API](../api_reference/python_api_doc)。更多Python应用预测开发可以参考位于位于[Paddle-Lite-Demo](https://github.com/PaddlePaddle/Paddle-Lite-Demo)的工程示例代码。
+```py
+# full api的输入为未使用paddle_lite_opt工具优化前的模型文件夹mobilenet_v1
+python mobilenetv1_full_api.py --model_dir=./mobilenet_v1
+
+# 运行成功后，将在控制台输出类似如下内容
+Loading topology data from ./mobilenet_v1/__model__
+Loading non-combined params data from ./mobilenet_v1
+1. Model is successfully loaded!
+[[1.91309489e-04 5.92054741e-04 1.12302143e-04 6.27333211e-05
+  1.27506457e-04 1.32147770e-03 3.13812016e-05 6.52206727e-05
+  ...
+  ...
+]]
+```