diff --git a/zh/dl1.md b/zh/dl1.md
index d409ad91d6b0e39572601b50d2047f2a30204131..4cf49001370d94300d25d9e1eafc822b10668fc1 100644
--- a/zh/dl1.md
+++ b/zh/dl1.md
@@ -131,9 +131,9 @@ learn.fit (0.01, 3)
 
 ## Fast.ai 库[ [22:24](https://youtu.be/IPBSB1HLNLo%3Ft%3D22m24s) ]
 
-*   该库采用了他们可以找到的所有最佳实践和方法 - 每次出现看起来很有趣的论文时，他们会对其进行测试，如果它适用于各种数据集，并且他们可以弄清楚如何调整它，它会在库中实现。
+*   该库采用了我们可以找到的所有最佳实践和方法 - 每次出现看起来很有趣的论文时，我们会对其进行测试，如果它适用于各种数据集，并且我们可以弄清楚如何调整它，它会在库中实现。
 *   Fast.ai 将所有这些策略的最佳实践打包，并且大部分时间都会找出自动处理事物的最佳方法。
-*   Fast.ai 位于名为 PyTorch 的库之上，这是一个由 Facebook 编写的非常灵活的深度学习，机器学习 GPU 计算库。
+*   Fast.ai 位于名为 PyTorch 的库之上，后者是一个由 Facebook 编写的非常灵活的深度学习，机器学习 GPU 计算库。
 *   大多数人比 PyTorch 更熟悉 TensorFlow，但 Jeremy 现在知道的大多数顶级研究人员已经转向 PyTorch。
 *   Fast.ai 非常灵活，您可以根据需要尽可能多地使用所有这些策略的最佳实践。 在任何时候都很容易使用并编写自己的数据增强，损失函数，网络架构等，我们将在本课程中学习所有内容。
 
diff --git a/zh/dl2.md b/zh/dl2.md
index ab93f6de4eef662690bff2385316b0aebb983936..776fbd66b3f392c36dd48807fbd8dc3d1a5e6b7a 100644
--- a/zh/dl2.md
+++ b/zh/dl2.md
@@ -57,7 +57,7 @@
 ![](../img/1_vsXrd010HEYLVfoe2F-ZiQ.png)
 
 *   我们什么时候应该学习`lr_find` ？  [[23:02](https://youtu.be/JNxcznsrRb8%3Ft%3D23m2s)] 
-在开始时运行一次，也许在把层解冻后（我们稍后会学习）。 当我改变我正在训练的东西或改变我训练它的方式时。 运行它永远不会有任何损害。
+在开始时运行一次，在把层解冻后也许也可以运行一次（我们稍后会学习）。当我改变我正在训练的东西或改变我训练它的方式时，可能都会再运行它一次——总之，运行它永远不会有任何损害，也不会花费太长时间。
 
 ## 回到数据增强 [[24:10](https://youtu.be/JNxcznsrRb8%3Ft%3D24m10s)] 
 
@@ -100,8 +100,8 @@ learn.fit(1e-2, 1)
  [ 2. 0.02189 0.0196 0.99316]
 ```
 
-*   坏消息是准确率没有提高。 训练损失正在减少，但验证损失不是，但我们并没有过拟合。 当训练损失远低于验证损失时，才是过拟合。 换句话说，当你的模型在训练集上做得比在验证集上做得好得多时，这意味着你的模型泛化性较差。
-*   `cycle_len=1`  [[30:17](https://youtu.be/JNxcznsrRb8%3Ft%3D30m17s)] ：这样可以**通过重启（SGDR）**实现**随机梯度下降** 。 基本的想法是，当你以最小的损失越来越接近现场时，你可能想要开始降低学习率（采取较小的步骤），以便到达正确的位置。
+*   坏消息是准确率没有提高。 训练损失正在减少，但验证损失不是，但我们并没有过拟合。 当训练损失远低于验证损失时，才是过拟合。 现在你的模型在训练集上做得比在验证集上做得好得多，这意味着你的模型泛化性较差。
+*   `cycle_len=1`  [[30:17](https://youtu.be/JNxcznsrRb8%3Ft%3D30m17s)] ：这样可以**通过重启实现随机梯度下降 （SGDR）** 。 基本的想法是，当你越来越接近最小损失点时，你可能想要开始降低学习率（采取较小的步长），以便到达正确的位置。
 *   在训练时降低学习率的想法称为**学习率退火** ，这是非常常见的。 最常见和“hacky”的方法是在一段时间内训练具有一定学习速度的模型，当它停止改进时，手动降低学习率（逐步退火）。
 *   一个更好的方法就是选择某种功能形式 - 结果是真正好的功能形式是cosign曲线的一半，它在开始时保持一段时间的高学习率，然后当迭代次数增多时迅速下降。
 
@@ -111,7 +111,7 @@ learn.fit(1e-2, 1)
 
 ![](../img/1_TgAz1qaKu_SzuRmsO-6WGQ.png)
 
-*   重置学习率之间的时期数由`cycle_len`设置，并且这种情况发生的次数称为 _循环次数_ ，并且是我们实际传递的第二个参数`fit()` 。 所以这就是我们的实际学习率：
+*   重置学习率之间的时期数由`cycle_len`设置，并且这种情况发生的次数称为 _循环次数_ ，并且实际上是我们向`fit()`传递的第二个参数 。 所以这就是我们的实际学习率：
 
 ![](../img/1_OKmsY6RR0DirLaLU2cIXtQ.png)