diff --git a/new/handson-1shot-learn-py/3.md b/new/handson-1shot-learn-py/3.md
index 196daa3a299854baa766a7658c31f011ffa124eb..99abe441ec133146cadbf74b1f4964f5c0beb908 100644
--- a/new/handson-1shot-learn-py/3.md
+++ b/new/handson-1shot-learn-py/3.md
@@ -157,7 +157,7 @@ MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此
在 MetaNet 中，学习器的损失梯度是任务的*元信息*。 MetaNet 还有一个重要的问题：它如何使用快速权重和慢速权重进行预测？
-在 MetaNet 中，将慢速权重和快速权重组合在一起，以在神经网络中进行预测，如下图所示。 在这里，  表示元素方式的和：
+在 MetaNet 中，将慢速权重和快速权重组合在一起，以在神经网络中进行预测，如下图所示。 在这里，`⊕`表示元素方式的和：
@@ -167,7 +167,7 @@ MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此
元网络也遵循与匹配网络相似的训练过程。 在此，训练数据分为两种类型：支持集`S = (x'[i], y'[i])`和测试集`U = (x[i], y[i])`。
-请记住，目前，我们有四个网络（  ）和四组要学习的模型参数`(θ, ϕ, w, v)`。 让我们看一下算法的所有步骤：
+请记住，目前，我们有四个网络（`f[θ], g[φ], F[w], G[v])`）和四组要学习的模型参数`(θ, ϕ, w, v)`。 让我们看一下算法的所有步骤：
@@ -175,34 +175,36 @@ MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此
1. 支持集`S`的样本的`K`个随机对。
-对于  ：
+对于`t = 1, ..., K`：
-* 通过嵌入函数  正向传播数据点。
-* 计算交叉熵损失（  ）。
+* 通过嵌入函数`f[θ]`正向传播数据点。
+* 计算交叉熵损失（`L_emb`）。
-2. 通过 LSTM 网络向前传递数据以计算  ：  。
+2. 通过 LSTM 网络向前传递数据以计算`θ⁺`：`θ⁺ = F[w](▽L_emb)`。
3. 接下来，遍历支持集`S`中的示例，并为每个示例计算快速权重。 同时，使用获得的嵌入内容更新外部存储器。
-对于  ：
+对于`i = 1, ..., K`：
-* 将基本学习器  （例如，分类模型）向前传递，并计算损失函数  （例如，交叉熵）。
-* 计算基本学习器梯度  ，并使用它们来计算示例级快速权重  。
-* 将基础学习器  的计算得出的快速权重存储在存储器的`M`部分的`i`位置处。
-* 在嵌入网络中使用  合并快速权重和缓慢权重。
-* 将支持样本转发通过嵌入网络并获得嵌入  。
-* 将  存储在内存`R`的`k`部分的`i`位置。
+* 将基本学习器`g[φ](x[i])`（例如，分类模型）向前传递，并计算损失函数`L_task[i]`（例如，交叉熵）。
+* 计算基本学习器梯度`▽L_task[i]`，并使用它们来计算示例级快速权重`φ⁺[i] = G[v](▽L_task[i])`。
+* 将基础学习器`φ⁺[i]`的计算得出的快速权重存储在存储器的`M`部分的`i`位置处。
+* 在嵌入网络中使用`⊕`合并快速权重和缓慢权重。
+* 将支持样本转发通过嵌入网络并获得嵌入`r'[i] = f[θ,θ⁺](x[i])`。
+* 将`r'[i]`存储在内存`R`的`k`部分的`i`位置。
-4. 最后，是时候使用测试集`U = (x[i], y[i])`构建训练损失了。 从  开始。
+4. 最后，是时候使用测试集`U = (x[i], y[i])`构建训练损失了。 从`L_train = 0`开始。
-对于  ：
+对于`j = 1, ..., L`：
-* 将测试样本转发通过嵌入网络，并获得测试嵌入。
-* 计算支持集的存储嵌入`R`和获得的嵌入  之间的相似度。 您可以使用  来执行此操作。 在此，`R`是指存储在外部存储器中的数据。
-* 现在，通过使用支持集样本（`M`）的快速权重来计算基础学习器的快速权重（  ）。 您可以使用  来执行此操作。 在此，`M`是指存储在外部存储器中的数据。
-* 使用最新的  将测试样本向前传递通过基本学习器，并计算损失函数  。
-* 使用  更新训练损失。
+* 将测试样本转发通过嵌入网络，并获得测试嵌入`r'[i] = f[θ,θ⁺](x[j])`。
+* 计算支持集的存储嵌入`R`和获得的嵌入`r[j]`之间的相似度。 您可以使用`a[j] = cos(R, r[j])`来执行此操作。 在此，`R`是指存储在外部存储器中的数据。
+* 现在，通过使用支持集样本（`M`）的快速权重来计算基础学习器的快速权重（`φ⁺`）。 您可以使用`φ⁺[j] = softmax(a[j])^T M`来执行此操作。 在此，`M`是指存储在外部存储器中的数据。
+* 使用最新的`φ⁺`将测试样本向前传递通过基本学习器，并计算损失函数`L_task[i]`。
+* 使用公式更新训练损失：
-5. 使用  更新所有参数`(θ, ϕ, w, v)`。
+ 
+
+5. 使用`L_train`更新所有参数`(θ, ϕ, w, v)`。
在选择嵌入网络时，元网络使用 LSTM 架构。 如我们所见，匹配网络和 LSTM 元学习器也遵循相同的策略，分别用于提取数据和元信息的上下文嵌入。 这是因为 LSTM 架构倾向于记住历史，这使得元学习器的目标能够跨任务提取重要信息。