update doc

docs/gui/first_meet.md

@@ -0,0 +1,20 @@
+# PaddleX可视化客户端
+
+感谢使用PaddleX可视化客户端，通过本客户端，您可以实现图像分类、目标检测、实例分割和语义分割四大视觉任务模型的训练，裁剪及量化，以及模型在移动端/服务端的发布。
+
+## 可视化客户端使用
+
+- [PaddleX可视化客户端使用](./introduce.md)
+- [PaddleX模型部署](https://github.com/PaddlePaddle/PaddleX#5-%E6%A8%A1%E5%9E%8B%E9%83%A8%E7%BD%B2)
+
+## Python API使用
+除可视化客户端，PaddleX还提供了更灵活的API方式进行模型训练、裁剪、量化，以及一系列的模型效果分析接口，欢迎有需求的开发者使用。
+
+- [10分钟上手API训练模型](../quick_start.md)
+- [更多模型训练示例](https://github.com/PaddlePaddle/PaddleX#3-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E8%AF%84%E4%BC%B0%E9%A2%84%E6%B5%8B)
+
+## 支持PaddleX
+
+当前GitHub Repo即为PaddleX的开源项目地址，**欢迎大家star（本页面右上角哦）支持PaddleX的开发者！**
+
+个人开发者或企业用户有相关需求及建议，欢迎在此Github上提ISSUE，或邮件至paddlex@baidu.com。

docs/gui/introduce.md

@@ -0,0 +1,40 @@
+# 介绍
+
+PaddleX可视化客户端基于PaddleX开发的可视化深度学习模型训练套件，目前支持训练视觉领域的图像分类、目标检测、实例分割和语义分割四大任务，同时支持模型裁剪、模型量化两种方式压缩模型。开发者以点选、键入的方式快速体验深度学习模型开发的全流程。可以作为您提升深度学习模型开发效率的工具。
+
+PaddleX GUI 当前提供Windows，Mac，Ubuntu三种版本一键绿色安装的方式。请至飞桨官网：https://www.paddlepaddle.org.cn/paddle/paddleX 下载您需要的版本。
+
+## 功能
+PaddleX可视化客户端是PaddleX API的衍生品，它在集成API功能的基础上，额外提供了可视化分析、评估等附加功能，致力于为开发者带来极致顺畅的开发体验。其拥有以下独特的功能：
+
+### 全流程打通
+
+PaddleX GUI覆盖深度学习模型开发必经的 **数据处理** 、 **超参配置** 、 **模型训练及优化** 、 **模型发布** 全流程，无需开发一行代码，即可得到高性能深度学习推理模型。
+
+### 数据集智能分析
+
+详细的数据结构说明，并提供 **数据标签自动校验** 。支持 **可视化数据预览** 、 **数据分布图表展示** 、 **一键数据集切分** 等实用功能
+
+### 自动超参推荐
+
+集成飞桨团队长时间产业实践经验，根据用户选择的模型类别、骨架网络等，提供多种针对性优化的 **预训练模型** ，并 **提供推荐超参配置** ，可 **一键开启多种优化策略**
+
+### 可视化模型评估
+
+集成 **可视化分析工具：VisualDL** , 以线性图表的形式展示acc、lr等关键参数在训练过程中的变化趋势。提供 **混淆矩阵** 等实用方法，帮助快速定位问题，加速调参。模型评估报告一键导出，方便项目复盘分析。
+
+### 模型裁剪及量化
+
+一键启动模型裁剪、量化，在不同阶段为开发者提供模型优化的策略，满足不同环境对模型性能的需求。
+
+### 预训练模型管理
+
+可对历史训练模型进行保存及管理，未进行裁剪的模型可以保存为预训练模型，在后续任务中使用。
+
+### 可视化模型测试
+
+客户端直接展示模型预测效果，无需上线即可进行效果评估
+
+### 模型多端部署
+
+点选式选择模型发布平台、格式，一键导出预测模型，并匹配完善的模型预测部署说明文档，贴心助力产业端到端项目落地

docs/python_deploy.md

@@ -11,16 +11,15 @@ PaddleX已经集成了基于Python的高性能预测接口，在安装PaddleX后
 接下来的预测部署将使用PaddleX python高性能预测接口，接口说明可参考[paddlex.deploy](./apis/deploy.md)
 
 
-* 单张图片预测
+* 图片预测
 
 ```python
 import paddlex as pdx
 predictor = pdx.deploy.Predictor('./inference_model')
 result = predictor.predict(img_file='test.img')
-
 ```
 
-* 单张图片预测、并评估预测速度
+* 图片预测、并评估预测速度
 
 **关于预测速度的说明**：加载模型后，前几张图片的预测速度会较慢，这是因为运行启动时涉及到内存显存初始化等步骤，通常在预测20-30张图片后模型的预测速度达到稳定。**如果需要评估预测速度，可通过指定预热轮数warmup_iters完成预热**。**为获得更加精准的预测速度，可指定repeats重复预测后取时间平均值**。
 
@@ -30,14 +29,4 @@ predictor = pdx.deploy.Predictor('./inference_model')
 result = predictor.predict(img_file='test.img',
                            warmup_iters=100,
                            repeats=100)
-
-```
-
-* 批量图片预测
-
-```python
-import paddlex as pdx
-predictor = pdx.deploy.Predictor('./inference_model')
-image_list = ['test1.jpg', 'test2.jpg']
-result = predictor.batch_predict(img_file=image_list)
 ```