diff --git a/new/handson-1shot-learn-py/4.md b/new/handson-1shot-learn-py/4.md
index 5dd213d0f11686d0428e419f06f22a1aaaddc042..e58f6c0c9e1e18ff8f36fea881b2d37267b91c46 100644
--- a/new/handson-1shot-learn-py/4.md
+++ b/new/handson-1shot-learn-py/4.md
@@ -109,7 +109,7 @@ LSTM 在各种门的帮助下存储信息历史记录，如上图所示。 我
-此处，  是时间步长`t`的参数，  是`t`时的损失梯度，并且  是时间`t`时的学习率。
+此处， `θ[t]`是时间步长`t`的参数，`▽L_t`是`t`时的损失梯度，并且`α[t]`是时间`t`时的学习率。
另一方面，LSTM 单元的单元更新方程看起来像这样：
@@ -119,13 +119,13 @@ LSTM 在各种门的帮助下存储信息历史记录，如上图所示。 我
-从逻辑上考虑这一点，我们只想学习，因为这与估计梯度下降的*学习率*基本相似。 因此，LSTM 元学习器将  定义如下：
+从逻辑上考虑这一点，我们只想学习`i[t]`，因为这与估计梯度下降的*学习率*基本相似。 因此，LSTM 元学习器将`i[t]`定义如下：
本质上，`i[t]`被定义为具有当前梯度，当前损失和先前学习率  的组合的 Sigmoid 函数。
-对于  ，应为 1，但为避免梯度缩小的问题，其定义如下：
+对于`f[t]`，应为 1，但为避免梯度缩小的问题，其定义如下：
@@ -137,7 +137,7 @@ LSTM 在各种门的帮助下存储信息历史记录，如上图所示。 我
在一般的深度学习设置中，要在给定数据集`D`上训练模型，我们将数据集分为三个部分：训练，验证和测试集。 但是在元学习设置中，我们首先将数据集划分为特定于任务的集（例如，猫品种分类和狗品种分类），称为**元集**，例如  。 对于每个`D ∈ D[n]`由  和  组成，因此对于`K`次学习，每个  由`K * N`个示例组成，其中`N`是类数。
-此后，  进一步分为三个部分：。 在这里，目标是使用  训练*学习算法*，该算法可以将任何特定于任务的集合作为训练集  并产生 更好的分类器（学习器）。
+此后，`D_n_train`进一步分为三个部分：`D_meta_train`，`D_meta_val`，`D_meta_test`。 在这里，目标是使用`D_meta_train`训练*学习算法*，该算法可以将任何特定于任务的集合作为训练集`D_train`并产生 更好的分类器（学习器）。
# 算法–伪代码实现
@@ -145,9 +145,9 @@ LSTM 在各种门的帮助下存储信息历史记录，如上图所示。 我
要开始理解 LSTM 元学习器，首先，我们需要了解某些术语：
-* **基础学习器**（`M`）：具有特定任务的主要目标，带有参数  -例如，用于识别猫的分类器
-* **元学习器**（`R`）：LSTM 单元，带有参数，
-* **数据点**（`X, Y`）：从  采样的数据点
+* **基础学习器**（`M`）：具有特定任务的主要目标，带有参数`θ`-例如，用于识别猫的分类器
+* **元学习器**（`R`）：LSTM 单元，带有参数，`θ`
+* **数据点**（`X, Y`）：从`D_meta_train`采样的数据点
* **损失**（`L`）：用于调整主要任务特定目标的损失函数，例如，二进制交叉熵损失
让我们开始逐步学习 LSTM 元学习器算法：
@@ -160,14 +160,14 @@ LSTM 在各种门的帮助下存储信息历史记录，如上图所示。 我
* 对于`t = 1`至`T`步骤，重复以下步骤：
* 从  中随机采样输入输出对  。
* 使用  计算基础学习器（分类模型）的损失。
-* 使用单元格的基本学习器的损失（  ）及其梯度（  ），更新单元格状态（  ） 状态方程。
-* 将基本学习器（分类模型）参数更新为（请参阅 LSTM 元学习器的“架构”部分）。
+* 使用单元格的基本学习器的损失（`L_t`）及其梯度（`▽[θ[t-1]] L_t`），更新单元格状态（`c[t]`） 状态方程。
+* 将基本学习器（分类模型）参数更新为`θ[t] = c[t]`（请参阅 LSTM 元学习器的“架构”部分）。
结束`T`步骤循环。
-* 现在，从  中随机采样输入输出对  。
-* 使用  计算基础学习器（分类模型）的损失。
-* 使用  （请参阅 LSTM 元学习器“架构”部分）更新元学习器（LSTM 单元）参数（  ）。
+* 现在，从`D_test`中随机采样输入输出对`(X_test, Y_test)`。
+* 使用`L_test = L(M(X_test, θ[T]), Y_test)`计算基础学习器（分类模型）的损失。
+* 使用`▽[θ[d-1]] Y_test`（请参阅 LSTM 元学习器“架构”部分）更新元学习器（LSTM 单元）参数（`θ[t]`）。
结束`n`步骤循环。