diff --git a/tutorial/autofinetune.md b/tutorial/autofinetune.md
index a42cd8c41908d337784a2dcd2380a310f376db27..e44318e9b5268d99d504cb5e4a46ed32323f4958 100644
--- a/tutorial/autofinetune.md
+++ b/tutorial/autofinetune.md
@@ -2,7 +2,7 @@
 
 ## 一、简介
 
-目前深度学习模型参数可分类两类：**模型参数(Model Parameters) ** 与 **超参数(Hyper Parameters) **，前者是模型通过大量的样本数据进行训练学习得到的参数数据；后者则需要通过人工经验或者不断尝试找到最佳设置（如学习率、dropout_rate、batch_size等），以提高模型训练的效果。如果想得到一个效果好的深度学习神经网络模型，超参的设置非常关键。因为模型参数空间大，目前超参调整都是通过手动，依赖人工经验或者不断尝试，且不同模型、样本数据和场景下不尽相同，所以需要大量尝试，时间成本和资源成本非常浪费。PaddleHub Auto Fine-tune可以实现自动调整超参数。
+目前深度学习模型参数可分类两类：*模型参数 (Model Parameters)* 与 *超参数 (Hyper Parameters)*，前者是模型通过大量的样本数据进行训练学习得到的参数数据；后者则需要通过人工经验或者不断尝试找到最佳设置（如学习率、dropout_rate、batch_size等），以提高模型训练的效果。如果想得到一个效果好的深度学习神经网络模型，超参的设置非常关键。因为模型参数空间大，目前超参调整都是通过手动，依赖人工经验或者不断尝试，且不同模型、样本数据和场景下不尽相同，所以需要大量尝试，时间成本和资源成本非常浪费。PaddleHub Auto Fine-tune可以实现自动调整超参数。
 
 PaddleHub Auto Fine-tune提供两种超参优化策略：