Update doc

doc/Offical_Docs/10-0_Terminology.md

+# 名词术语解释

doc/Offical_Docs/11-0_Contributors.md

+# 开发者贡献
+
+
+如果您想为Paddle Serving贡献代码，请参考 [Contribution Guidelines(English)](doc/Contribute_EN.md)
+
+- 感谢 [@loveululu](https://github.com/loveululu) 提供 Cube python API
+- 感谢 [@EtachGu](https://github.com/EtachGu) 更新 docker 使用命令
+- 感谢 [@BeyondYourself](https://github.com/BeyondYourself) 提供grpc教程，更新FAQ教程，整理文件目录。
+- 感谢 [@mcl-stone](https://github.com/mcl-stone) 提供faster rcnn benchmark脚本
+- 感谢 [@cg82616424](https://github.com/cg82616424) 提供unet benchmark脚本和修改部分注释错误
+- 感谢 [@cuicheng01](https://github.com/cuicheng01) 提供PaddleClas的11个模型
+- 感谢 [@Jiaqi Liu](https://github.com/LiuChiachi) 新增list[str]类型输入的预测支持
+- 感谢 [@Bin Lu](https://github.com/Intsigstephon) 提供PP-Shitu C++模型示例

doc/Offical_Docs/3-1_QuickStart_Cpp_Resnet_CN.md

+# C++ Serving 快速部署案例
+
+## 模型介绍
+残差网络（ResNet)于2015年被提出，摘得 ImageNet 榜单5项第一，成绩大幅领先第二名，是 CNN 图像史上的一个里程碑。
+
+从经验上看，网络结构层数越多，有利于复杂特征的提取，从理论上讲会取得更好的结果。但是，随着网络层数的增加，准确率会趋于饱和甚至会下降，称为退化问题（Degradation problem）。其根本原因是深层网络出现梯度消失或者梯度爆炸的问题。残差网络利用短路机制加入了残差单元，解决了退化问题。
+
+ResNet 网络是参考了 VGG19 网络，加入残差单元，ResNet50 有50层网络。
+
+## 部署步骤
+
+前提条件是你已完成[环境安装]()步骤，并已验证环境安装成功，此处不在赘述。
+
+克隆 Serving 仓库后，进入 `examples/C++/PaddleClas/resnet_50_vd` 目录下，已提供程序、配置和性能测试脚本。
+```
+git clone https://github.com/PaddlePaddle/Serving
+```
+
+按以下5个步骤操作即可实现模型部署。
+- 一.获取模型
+- 二.保存 Serving 部署的模型参数
+- 三.启动服务
+- 四.启动客户端
+
+**一.获取模型**
+
+下载 `ResNet50_vd` 的 推理模型
+```
+wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/inference/ResNet50_vd_infer.tar && tar xf ResNet50_vd_infer.tar
+
+```
+
+**二.保存 Serving 部署的模型参数**
+
+用 `paddle_serving_client` 把下载的推理模型转换成易于 Serving 部署的模型格式，完整信息请参考 [保存用于 Serving 部署的模型参数](./5-1_Save_Model_Params_CN.md)。
+
+```
+python3 -m paddle_serving_client.convert --dirname ./ResNet50_vd_infer/ \
+                                         --model_filename inference.pdmodel  \
+                                         --params_filename inference.pdiparams \
+                                         --serving_server ./ResNet50_vd_serving/ \
+                                         --serving_client ./ResNet50_vd_client/
+```
+
+保存参数后，会在当前文件夹多出 `ResNet50_vd_serving` 和 `ResNet50_vd_client` 的文件夹：
+```
+├── daisy.jpg
+├── http_client.py
+├── imagenet.label
+├── ResNet50_vd_client
+│   ├── serving_client_conf.prototxt
+│   └── serving_client_conf.stream.prototxt
+├── ResNet50_vd_infer
+│   ├── inference.pdiparams
+│   ├── inference.pdiparams.info
+│   └── inference.pdmodel
+├── ResNet50_vd_serving
+│   ├── fluid_time_file
+│   ├── inference.pdiparams
+│   ├── inference.pdmodel
+│   ├── serving_server_conf.prototxt
+│   └── serving_server_conf.stream.prototxt
+├── rpc_client.py
+```
+
+**三.启动服务**
+
+C++ Serving 服务可以指定一个网络端口同时接收 HTTP、gRPC 和 bRPC 请求。命令参数 `--model` 指定模型路径，`--gpu_ids` 指定 GPU 卡，`--port` 指定端口。
+
+```
+python3 -m paddle_serving_server.serve --model ResNet50_vd_serving --gpu_ids 0 --port 9394
+```
+
+**四.启动客户端**
+
+PYTHON 程序 `http_client.py` 封装了 HTTP 请求客户端，运行以下命令：
+
+```
+python3 http_client.py
+```
+
+PYTHON 程序 `rpc_client.py` 封装了 gRPC 请求客户端，运行以下命令：
+
+```
+python3 rpc_client.py
+```
+
+成功运行后，模型预测的结果会打印如下：
+
+```
+prediction: daisy, probability: 0.9341399073600769
+```