diff --git a/chapter_programming_interface/ml_workflow.md b/chapter_programming_interface/ml_workflow.md
index 3d71c77..f87ea1d 100644
--- a/chapter_programming_interface/ml_workflow.md
+++ b/chapter_programming_interface/ml_workflow.md
@@ -14,7 +14,7 @@
     algorithms）来计算梯度（Gradient），完成对模型参数的更新。
 
 -   **训练过程：**
-    给定一个数据集，模型，损失函数和优化器，用户需要训练API来定一个循环（Loop）从而将数据集中的数据按照小批量（mini-batch）的方式读取出来，反复计算梯度来更新模型。这个反复的过程称为训练。
+    给定一个数据集，模型，损失函数和优化器，用户需要训练API来定义一个循环（Loop）从而将数据集中的数据按照小批量（mini-batch）的方式读取出来，反复计算梯度来更新模型。这个反复的过程称为训练。
 
 -   **测试和调试：**
     训练过程中，用户需要测试API来对当前模型的精度进行评估。当精度达到目标后，训练结束。这一过程中，用户往往需要调试API来完成对模型的性能和正确性进行验证。
@@ -25,8 +25,9 @@
 
 ### 环境配置
 
+下面以MindSpore框架实现多层感知机为例，了解完整的机器学习工作流。代码运行环境为MindSpore1.5.2，Ubuntu16.04，CUDA10.1。
 在构建机器学习工作流程前，MindSpore需要通过context.set_context来配置运行需要的信息，如运行模式、后端信息、硬件等信息。
-导入context模块，配置运行需要的信息。以下代码运行环境为Ubuntu16.04，CUDA10.1，MindSpore1.5.2。
+以下代码导入context模块，配置运行需要的信息。
 
 ```python
 import os
@@ -89,7 +90,8 @@ def create_dataset(data_path, batch_size=32, repeat_size=1,
 ### 模型定义
 
 使用MindSpore定义神经网络需要继承mindspore.nn.Cell，神经网络的各层需要预先在\_\_init\_\_方法中定义，然后重载\_\_construct\_\_方法实现神经网络的前向传播过程。
-因为输入大小被处理成$32 \times 32$的图片，需要用Flatten将数据压平为一维向量后给全连接层，全连接层输入大小为$32 \times 32$，预测$0 \sim 9$中的哪个数字所以最后输出大小为10，下面定义了一个三层的全连接层。
+因为输入大小被处理成$32 \times 32$的图片，所以需要用Flatten将数据压平为一维向量后给全连接层。
+全连接层的输入大小为$32 \times 32$，输出是预测属于$0 \sim 9$中的哪个数字，因此输出大小为10，下面定义了一个三层的全连接层。
 ```python
 # 导入需要用到的模块
 import mindspore.nn as nn
diff --git a/chapter_programming_interface/neural_network_layer.md b/chapter_programming_interface/neural_network_layer.md
index 14fa32d..82c5b15 100644
--- a/chapter_programming_interface/neural_network_layer.md
+++ b/chapter_programming_interface/neural_network_layer.md
@@ -76,10 +76,10 @@ fc3_weights = variable(random(size=(64, 10)))
 all_weights = [conv1_filters, conv2_filters, fc1_weights, fc2_weights, fc3_weights]
 
 # 构建卷积模型的连接过程
-output = convolution(input, conv1_filters, stride=1, padding=0)
-output = pooling(output, kernel_size=3, stride=1, padding=0, mode='max')
-output = convolution(output, conv2_filters, stride=1, padding=0)
-output = pooling(output, kernel_size=3, stride=1, padding=0, mode='max')
+output = convolution(input, conv1_filters, stride=1, padding='same')
+output = pooling(output, kernel_size=3, stride=2, padding='same', mode='max')
+output = convolution(output, conv2_filters, stride=1, padding='same')
+output = pooling(output, kernel_size=3, stride=2, padding='same', mode='max')
 output=flatten(output)
 output = fully_connected(output, fc1_weights)
 output = fully_connected(output, fc2_weights)