diff --git a/chapter_convolutional-neural-networks/padding-and-strides.md b/chapter_convolutional-neural-networks/padding-and-strides.md
index 4aabad455d120045a8d6cd9a350d9ca3c01283c0..7b9edcc4a65135e3a7bd42b28f366143ad7ae36b 100644
--- a/chapter_convolutional-neural-networks/padding-and-strides.md
+++ b/chapter_convolutional-neural-networks/padding-and-strides.md
@@ -52,7 +52,7 @@ comp_conv2d(conv2d, X).shape
 
 ## 步幅
 
-在上一节里我们介绍了输出元素是如何计算而来。我们使用一个和卷积核有相同高宽的窗口，从输入的左上角开始，每次往左滑动一列或者往下滑动一行逐一计算输出。我们将每次滑动的行数和列数称之为步幅。
+在上一节里我们介绍了输出元素是如何计算而来。我们使用一个和卷积核有相同高宽的窗口，从输入的左上角开始，每次往右滑动一列或者往下滑动一行逐一计算输出。我们将每次滑动的行数和列数称之为步幅。
 
 目前我们看到的例子里，在高和宽两个方向上步幅均为1。自然我们可以使用更大步幅。图5.3展示了在高上使用步幅3，在宽上使用步幅2的情况。可以看到，计算第一列第二个元素时，窗口向下滑动了三行。而在计算输出的第一行第二个元素时窗口向右滑动了两列，再向右滑动两列时只剩一列输入元素从而填不满窗口，我们将其结果舍弃。