diff --git a/docs/1.0/blitz_data_parallel_tutorial.md b/docs/1.0/blitz_data_parallel_tutorial.md
index b9f180f1c923fc3c5b3e44ffba88f1056ed16d8b..45f1e44be25311cc421e96d32924b16c14344c57 100644
--- a/docs/1.0/blitz_data_parallel_tutorial.md
+++ b/docs/1.0/blitz_data_parallel_tutorial.md
@@ -1,7 +1,7 @@
 # 可选：数据并行处理
 
 > 译者：[bat67](https://github.com/bat67)
-> 
+>
 > 最新版会在[译者仓库](https://github.com/bat67/Deep-Learning-with-PyTorch-A-60-Minute-Blitz-cn)首先同步。
 
 在这个教程里，我们将学习如何使用数据并行（`DataParallel`）来使用多GPU。
@@ -58,16 +58,16 @@ device = torch.device("cuda：0" if torch.cuda.is_available() else "cpu")
 要制作一个虚拟（随机）数据集，只需实现`__getitem__`。
 
 ```python
-class RandomDataset(Dataset)：
+class RandomDataset(Dataset):
 
-    def __init__(self, size, length)：
+    def __init__(self, size, length):
         self.len = length
         self.data = torch.randn(length, size)
 
-    def __getitem__(self, index)：
+    def __getitem__(self, index):
         return self.data[index]
 
-    def __len__(self)：
+    def __len__(self):
         return self.len
 
 rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
@@ -81,14 +81,14 @@ rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
 我们在模型内部放置了一条打印语句来检测输入和输出向量的大小。请注意批等级为0时打印的内容。
 
 ```python
-class Model(nn.Module)：
+class Model(nn.Module):
     # Our model
 
-    def __init__(self, input_size, output_size)：
+    def __init__(self, input_size, output_size):
         super(Model, self).__init__()
         self.fc = nn.Linear(input_size, output_size)
 
-    def forward(self, input)：
+    def forward(self, input):
         output = self.fc(input)
         print("\tIn Model： input size", input.size(),
               "output size", output.size())