update reademe

Author: ziyoujiyi

tools/inference/README.md

@@ -2,5 +2,6 @@
 - cpp：c++ 预测代码
 - java：java 预测代码
 - python：python 预测代码
+- go: go 预测代码
 - data：预测所使用的样本数据
 - model：预测所使用的模型文件

tools/inference/cpp/README.md

@@ -3,7 +3,7 @@
 <h2>代码目录</h2>
 
 ```
-inference_c++2.0         
+cpp         
 |-- main.cpp # 工程 main 文件    
 |-- src   # cpp 文件  
 |-- include   # h 文件  
@@ -19,9 +19,12 @@ inference_c++2.0
 ```
 <h2>准备工作</h2>
 
-1. 下载 PaddlePaddle C++ 预测库：[C++ 预测库下载地址](https://paddleinference.paddlepaddle.org.cn/user_guides/download_lib.html)，下载后解压到 tools/inference_c++2.0/ 目录下  
+1. 下载 PaddlePaddle C++ 预测库：[C++ 预测库下载地址](https://paddleinference.paddlepaddle.org.cn/user_guides/download_lib.html)，下载后解压到 tools/inference/cpp 目录下  
 2. 引入百度 brpc 库 [brpc 源码地址](https://github.com/apache/incubator-brpc)，下载后编译，编译输出文件放入 paddle_inference 目录下
 3. 训练保存好的模型和参数文件、推理样本文件
+<h2>paddlerec 中引入 cube 的背景</h2>
+
+成熟的推荐系统的排序算法通常都有规模相当大的 embedding 表，这些 embedding 表通常无法在单台机器上存放，因此通常的做法是 embedding 拆解存放在外部 KV 服务上。预测时，大规模稀疏参数不需要存放在本地，而是直接去远端查询，避免了本地 lookup_table 操作。
 <h2>cube kv 功能流程</h2>
 
 1. 准备 Sequence File [样例seqfile](https://paddle-serving.bj.bcebos.com/others/part-000-00000 )  

tools/inference/java/README.md

@@ -1,2 +1,4 @@
+# 背景
+java 推理库使用的是 [deepjavalibrary](https://github.com/deepjavalibrary/djl)
 # 运行命令
 sh run.sh

tools/inference/model/README.md

@@ -0,0 +1,4 @@
+# 目录说明
+1. rec_inference.pdmodel、rec_inference.pdiparams：完整的模型和参数文件
+2. pruned_inference.pdmodel、pruned_inference.pdiparams：使用 cube 服务时所使用的裁剪后的模型和参数文件，相比 1，少了 lookup_table 层。
+3. rec_inference.zip：java 推理所使用的模型和参数文件压缩包