diff --git a/docs/1.4/6.md b/docs/1.4/6.md
index 7462a07a42c64fe93f8edcd8199f6018f0595f89..514cc5082ce39f550b1ef02a095e3bfc905ac6f0 100644
--- a/docs/1.4/6.md
+++ b/docs/1.4/6.md
@@ -2,21 +2,23 @@
 
 > 原文： [https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html](https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html)
 
-在 [60 分钟闪电战](https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html)中，我们向您展示了如何加载数据，如何通过定义为`nn.Module`子类的模型提供数据，如何在训练数据上训练该模型，以及在测试数据上对其进行测试。 为了了解发生的情况，我们在模型训练期间打印一些统计信息，以了解训练是否在进行中。 但是，我们可以做得更好：PyTorch 与 TensorBoard 集成，该工具旨在可视化神经网络训练运行的结果。 本教程使用 [Fashion-MNIST 数据集](https://github.com/zalandoresearch/fashion-mnist)说明了其某些功能，可以使用 _torchvision.datasets_ 将其读取到 PyTorch 中。
+> 校验者：[yearing1017](https://github.com/yearing1017)
+
+在 [60 分钟闪电战](https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html)中，我们向您展示了如何加载数据，如何向定义为`nn.Module`子类的模型提供数据，如何在训练数据上训练该模型，以及在测试数据上对其进行测试。 为了了解发生的情况，我们在模型训练期间打印一些统计信息，以了解训练是否在进行中。 但是，我们可以做得更好：PyTorch 与 TensorBoard 集成，该工具旨在可视化神经网络训练运行的结果。 本教程使用 [Fashion-MNIST 数据集](https://github.com/zalandoresearch/fashion-mnist)说明了其某些功能，可以使用 _torchvision.datasets_ 将其读取到 PyTorch 中。
 
 在本教程中，我们将学习如何：
 
 > 1.  读取数据并进行适当的转换(与先前的教程几乎相同）。
 > 2.  设置 TensorBoard。
-> 3.  编写 TensorBoard。
+> 3.  写入 TensorBoard。
 > 4.  使用 TensorBoard 检查模型架构。
-> 5.  使用 TensorBoard 来创建我们在上一个教程中创建的可视化的替代版本，并使用替代的代码。
+> 5.  使用 TensorBoard 来创建我们在上一个教程中创建的可视化的替代版本，代码量更少。
 
 具体来说，在第 5 点，我们将看到：
 
 > *   有两种检查训练数据的方法
 > *   在训练模型时如何追踪其性能
-> *   在训练后如何评估模型的性能。
+> *   在训练完成后如何评估模型的性能。
 
 我们将从 [CIFAR-10 教程](https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html)中类似的样板代码开始：
 
@@ -141,7 +143,7 @@ writer.add_image('four_fashion_mnist_images', img_grid)
 
 ```
 
-正在运行
+现在运行
 
 ```
 tensorboard --logdir=runs
@@ -206,11 +208,11 @@ writer.close()
 
 ![intermediate/../../_static/img/tensorboard_projector.png](img/f4990a0920dff7e4647a23cfc1639a8a.jpg)
 
-现在我们已经彻底检查了我们的数据，让我们展示了 TensorBoard 如何从训练开始就可以使跟踪模型的训练和评估更加清晰。
+现在我们已经彻底检查了我们的数据，接下来让我们展示TensorBoard 如何从训练开始就可以使跟踪模型的训练和评估更加清晰。
 
 ## 5.使用 TensorBoard 跟踪模型训练
 
-在前面的示例中，我们仅_每 2000 次迭代打印_该模型的运行损失。 现在，我们将运行损失记录到 TensorBoard 中，并通过`plot_classes_preds`函数查看模型所做的预测。
+在前面的示例中，我们仅每 2000 次迭代打印该模型的运行损失。 现在，我们将运行损失记录到 TensorBoard 中，并通过`plot_classes_preds`函数查看模型所做的预测。
 
 ```
 # helper functions
@@ -297,7 +299,7 @@ print('Finished Training')
 
 ![intermediate/../../_static/img/tensorboard_images.png](img/d5ab1f07cb4a9d9200c2a2d3b238340d.jpg)
 
-在之前的教程中，我们研究了模型训练后的每类准确性； 在这里，我们将使用 TensorBoard 绘制每个类的精确调用曲线(很好的解释[在这里](https://www.scikit-yb.org/en/latest/api/classifier/prcurve.html)）。
+在之前的教程中，我们研究了模型训练后的每类准确性； 在这里，我们将使用 TensorBoard 绘制每个类的精度回召曲线(很好的解释[在这里](https://www.scikit-yb.org/en/latest/api/classifier/prcurve.html)）。
 
 ## 6.使用 TensorBoard 评估经过训练的模型
 
@@ -341,8 +343,8 @@ for i in range(len(classes)):
 
 ```
 
-现在，您将看到一个“ PR Curves”选项卡，其中包含每个类别的精确调用曲线。 继续戳一下； 您会发现在某些类别中，模型的“曲线下面积”接近 100％，而在另一些类别中，该面积更低：
+现在，您将看到一个“ PR Curves”选项卡，其中包含每个类别的精度回召曲线。 继续戳一下； 您会发现在某些类别中，模型的“曲线下面积”接近 100％，而在另一些类别中，该面积更低：
 
 ![intermediate/../../_static/img/tensorboard_pr_curves.png](img/d15de2be2b754f9a4f46418764232b5e.jpg)
 
-这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然，您可以在 Jupyter Notebook 中完成 TensorBoard 所做的所有操作，但是使用 TensorBoard，默认情况下，您还可以获得交互式视觉效果。
\ No newline at end of file
+这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然，您可以在 Jupyter Notebook 中完成 TensorBoard 所做的所有操作，但是使用 TensorBoard，默认情况下，您还可以获得交互式视觉效果。