diff --git a/01.fit_a_line/README.cn.md b/01.fit_a_line/README.cn.md
index b028c2fde00f7d06a8fdfb4cf85b6a8a6dab7fc0..2bf57d7959e75de3d8ab8f7428499f8c9732f54d 100644
--- a/01.fit_a_line/README.cn.md
+++ b/01.fit_a_line/README.cn.md
@@ -37,6 +37,12 @@ $$MSE=\frac{1}{n}\sum_{i=1}^{n}{(\hat{Y_i}-Y_i)}^2$$
 
 即对于一个大小为$n$的测试集，$MSE$是$n$个数据预测结果误差平方的均值。
 
+对损失函数进行优化所采用的方法一般为梯度下降法。梯度下降法是一种一阶最优化算法。如果$f(x)$在点$x_n$有定义且可微，则认为$f(x)$在点$x_n$沿着梯度的负方向$-▽f(x_n)$下降的是最快的。反复调节$x$，使得$f(x)$接近最小值或者极小值，调节的方式为：
+
+$$x_n+1=x_n-λ▽f(x), n≧0$$
+
+其中λ代表学习率。这种调节的方法称为梯度下降法。
+
 ### 训练过程
 
 定义好模型结构之后，我们要通过以下几个步骤进行模型训练
@@ -131,30 +137,50 @@ test_reader = paddle.batch(
         batch_size=BATCH_SIZE)
 ```
 
+如果想直接从txt文件中读取数据的话，可以参考以下代码。
+
+```python
+filename = 'housing.data'
+feature_name = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE',
+               'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'convert']
+feature_num = len(feature_name)
+data = numpy.fromfile(filename, sep=' ') # 读取原始数据
+data = data.reshape(data.shape[0] // feature_num, feature_num)
+maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]
+
+for i in six.moves.range(feature_num-1):
+    data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])
+
+ratio = 0.8 # 训练集和验证集的划分比例
+offset = int(data.shape[0]*ratio)
+train_data = data[:offset]
+test_data = data[offset:]
+```
+
 ### 配置训练程序
 训练程序的目的是定义一个训练模型的网络结构。对于线性回归来讲，它就是一个从输入到输出的简单的全连接层。更加复杂的结果，比如卷积神经网络，递归神经网络等会在随后的章节中介绍。训练程序必须返回`平均损失`作为第一个返回值，因为它会被后面反向传播算法所用到。
 
 ```python
-x = fluid.layers.data(name='x', shape=[13], dtype='float32')
-y = fluid.layers.data(name='y', shape=[1], dtype='float32')
-y_predict = fluid.layers.fc(input=x, size=1, act=None)
+x = fluid.layers.data(name='x', shape=[13], dtype='float32') # 定义输入的形状和数据类型
+y = fluid.layers.data(name='y', shape=[1], dtype='float32') # 定义输出的形状和数据类型
+y_predict = fluid.layers.fc(input=x, size=1, act=None) # 连接输入和输出的全连接层
 
-main_program = fluid.default_main_program()
-startup_program = fluid.default_startup_program()
+main_program = fluid.[default_main_program](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#default-main-program)()
+startup_program = fluid.[default_startup_program](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#default-startup-program)()
 
-cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-avg_loss = fluid.layers.mean(cost)
+cost = fluid.layers.square_error_cost(input=y_predict, label=y) # 利用标签数据和输出的预测数据估计方差
+avg_loss = fluid.layers.mean(cost) # 对方差求均值，得到平均损失
 ```
 
 ### Optimizer Function 配置
 
-在下面的 `SGD optimizer`，`learning_rate` 是训练的速度，与网络的训练收敛速度有关系。
+在下面的 `SGD optimizer`，`learning_rate` 是学习率，与网络的训练收敛速度有关系。
 
 ```python
 sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
 sgd_optimizer.minimize(avg_loss)
 
-#clone a test_program
+#克隆main_program得到test_program，有些operator在训练和测试之间的操作是不同的，例如batch_norm，使用参数for_test来区分该程序是用来训练还是用来测试，该api不会删除任何操作符,请在backward和optimization之前使用。
 test_program = main_program.clone(for_test=True)
 ```
 
@@ -163,26 +189,15 @@ test_program = main_program.clone(for_test=True)
 
 ```python
 use_cuda = False
-place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
+place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() # 指明executor的执行场所
 
+###executor可以接受传入的program，并根据feed map(输入映射表)和fetch list(结果获取表)向program中添加数据输入算子和结果获取算子。使用close()关闭该executor，调用run(...)执行program,更多使用详情请参考[fluid.executor](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#permalink-15-executor)
 exe = fluid.Executor(place)
 
 ```
 
-除此之外，还可以通过画图，来展现`训练进程`：
-
-```python
-# Plot data
-from paddle.utils.plot import Ploter
-
-train_prompt = "Train cost"
-test_prompt = "Test cost"
-plot_prompt = Ploter(train_prompt, test_prompt)
-
-```
-
 ### 创建训练过程
-训练需要有一个训练程序和一些必要参数，并构建了一个获取训练过程中测试误差的函数。
+训练需要有一个训练程序和一些必要参数，并构建了一个获取训练过程中测试误差的函数。必要参数有executor,program,reader,feeder,fetch_list，executor表示之前创建的执行器，program表示执行器所执行的program，是之前创建的program，如果该项参数没有给定的话则默认使用defalut_main_program，reader表示读取到的数据，feeder表示前向输入的变量，fetch_list表示用户想得到的变量或者命名的结果。
 
 ```python
 num_epochs = 100
@@ -195,15 +210,34 @@ def train_test(executor, program, reader, feeder, fetch_list):
         outs = executor.run(program=program,
                             feed=feeder.feed(data_test),
                             fetch_list=fetch_list)
-        accumulated = [x_c[0] + x_c[1][0] for x_c in zip(accumulated, outs)]
-        count += 1
-    return [x_d / count for x_d in accumulated]
+        accumulated = [x_c[0] + x_c[1][0] for x_c in zip(accumulated, outs)] # 累加测试过程中的损失值
+        count += 1 # 累加测试集中的样本数量
+    return [x_d / count for x_d in accumulated] # 计算平均损失
+
+```
+可以直接输出损失值来观察`训练进程`:
+
+```python
+train_prompt = "train cost"
+test_prompt = "test cost"
+print("%s', out %f" % (train_prompt, out))
+print("%s', out %f" % (test_prompt, out))
+
+```
+
+除此之外，还可以通过画图，来展现`训练进程`：
+
+```python
+# plot data
+from paddle.utils.plot import ploter
+
+plot_prompt = ploter(train_prompt, test_prompt)
 
 ```
 
 ### 训练主循环
-PaddlePaddle提供了读取数据者发生器机制来读取训练数据。读取数据者会一次提供多列数据，因此我们需要一个Python的list来定义读取顺序。我们构建一个循环来进行训练，直到训练结果足够好或者循环次数足够多。
-如果训练顺利，可以把训练参数保存到`params_dirname`。
+
+首先给出需要存储的目录名，并初始化一个执行器。
 
 ```python
 %matplotlib inline
@@ -215,8 +249,12 @@ naive_exe.run(startup_program)
 step = 0
 
 exe_test = fluid.Executor(place)
+```
 
-# main train loop.
+paddlepaddle提供了reader机制来读取训练数据。reader会一次提供多列数据，因此我们需要一个python的列表来定义读取顺序。我们构建一个循环来进行训练，直到训练结果足够好或者循环次数足够多。
+如果训练迭代次数满足参数保存的迭代次数，可以把训练参数保存到`params_dirname`。
+其次设置训练主循环
+```python
 for pass_id in range(num_epochs):
     for data_train in train_reader():
         avg_loss_value, = exe.run(main_program,
@@ -234,17 +272,19 @@ for pass_id in range(num_epochs):
             plot_prompt.append(test_prompt, step, test_metics[0])
             plot_prompt.plot()
             # If the accuracy is good enough, we can stop the training.
-            if test_metics[0] < 10.0:
+            if test_metics[0] < 10.0: # 如果准确率达到要求，则停止训练
                 break
 
         step += 1
 
         if math.isnan(float(avg_loss_value[0])):
             sys.exit("got NaN loss, training failed.")
-    if params_dirname is not None:
-        # We can save the trained parameters for the inferences later
-        fluid.io.save_inference_model(params_dirname, ['x'],
-                                      [y_predict], exe)
+```
+
+保存训练参数到之前给定的路径中
+```python
+if params_dirname is not None:
+    fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
 ```
 
 ## 预测
@@ -264,30 +304,35 @@ inference_scope = fluid.core.Scope()
 ```python
 with fluid.scope_guard(inference_scope):
     [inference_program, feed_target_names,
-     fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
+     fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe) # 载入预训练模型
     batch_size = 10
 
     infer_reader = paddle.batch(
-        paddle.dataset.uci_housing.test(), batch_size=batch_size)
+        paddle.dataset.uci_housing.test(), batch_size=batch_size) # 准备测试集
 
     infer_data = next(infer_reader())
     infer_feat = numpy.array(
-        [data[0] for data in infer_data]).astype("float32")
+        [data[0] for data in infer_data]).astype("float32") # 提取测试集中的数据
     infer_label = numpy.array(
-        [data[1] for data in infer_data]).astype("float32")
+        [data[1] for data in infer_data]).astype("float32") # 提取测试集中的标签
 
     assert feed_target_names[0] == 'x'
     results = infer_exe.run(inference_program,
                             feed={feed_target_names[0]: numpy.array(infer_feat)},
-                            fetch_list=fetch_targets)
+                            fetch_list=fetch_targets) # 进行预测
+```
+
+打印预测结果和标签并可视化结果
+```python
+ print("infer results: (House Price)")
+ for idx, val in enumerate(results[0]):
+     print("%d: %.2f" % (idx, val)) # 打印预测结果
 
-    print("infer results: (House Price)")
-    for idx, val in enumerate(results[0]):
-        print("%d: %.2f" % (idx, val))
+ print("\nground truth:")
+ for idx, val in enumerate(infer_label):
+     print("%d: %.2f" % (idx, val)) # 打印标签值
 
-    print("\nground truth:")
-    for idx, val in enumerate(infer_label):
-        print("%d: %.2f" % (idx, val))
+save_result(results[0], infer_label) # 保存图片，该函数实现在train.py中
 ```
 
 ## 总结
diff --git a/01.fit_a_line/image/prediction_gt.png b/01.fit_a_line/image/prediction_gt.png
new file mode 100644
index 0000000000000000000000000000000000000000..72f46c750d119004f16fbc79f583883fc37da22e
Binary files /dev/null and b/01.fit_a_line/image/prediction_gt.png differ
diff --git a/01.fit_a_line/index.cn.html b/01.fit_a_line/index.cn.html
index 5b234e40869cc7e63e339700dfd0b840bf3acd09..9fc61c9f1eccd66ecbc8f8a5d874b959255e6156 100644
--- a/01.fit_a_line/index.cn.html
+++ b/01.fit_a_line/index.cn.html
@@ -79,6 +79,12 @@ $$MSE=\frac{1}{n}\sum_{i=1}^{n}{(\hat{Y_i}-Y_i)}^2$$
 
 即对于一个大小为$n$的测试集，$MSE$是$n$个数据预测结果误差平方的均值。
 
+对损失函数进行优化所采用的方法一般为梯度下降法。梯度下降法是一种一阶最优化算法。如果$f(x)$在点$x_n$有定义且可微，则认为$f(x)$在点$x_n$沿着梯度的负方向$-▽f(x_n)$下降的是最快的。反复调节$x$，使得$f(x)$接近最小值或者极小值，调节的方式为：
+
+$$x_n+1=x_n-λ▽f(x), n≧0$$
+
+其中λ代表学习率。这种调节的方法称为梯度下降法。
+
 ### 训练过程
 
 定义好模型结构之后，我们要通过以下几个步骤进行模型训练
@@ -173,30 +179,50 @@ test_reader = paddle.batch(
         batch_size=BATCH_SIZE)
 ```
 
+如果想直接从txt文件中读取数据的话，可以参考以下代码。
+
+```python
+filename = 'housing.data'
+feature_name = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE',
+               'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'convert']
+feature_num = len(feature_name)
+data = numpy.fromfile(filename, sep=' ') # 读取原始数据
+data = data.reshape(data.shape[0] // feature_num, feature_num)
+maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]
+
+for i in six.moves.range(feature_num-1):
+    data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])
+
+ratio = 0.8 # 训练集和验证集的划分比例
+offset = int(data.shape[0]*ratio)
+train_data = data[:offset]
+test_data = data[offset:]
+```
+
 ### 配置训练程序
 训练程序的目的是定义一个训练模型的网络结构。对于线性回归来讲，它就是一个从输入到输出的简单的全连接层。更加复杂的结果，比如卷积神经网络，递归神经网络等会在随后的章节中介绍。训练程序必须返回`平均损失`作为第一个返回值，因为它会被后面反向传播算法所用到。
 
 ```python
-x = fluid.layers.data(name='x', shape=[13], dtype='float32')
-y = fluid.layers.data(name='y', shape=[1], dtype='float32')
-y_predict = fluid.layers.fc(input=x, size=1, act=None)
+x = fluid.layers.data(name='x', shape=[13], dtype='float32') # 定义输入的形状和数据类型
+y = fluid.layers.data(name='y', shape=[1], dtype='float32') # 定义输出的形状和数据类型
+y_predict = fluid.layers.fc(input=x, size=1, act=None) # 连接输入和输出的全连接层
 
-main_program = fluid.default_main_program()
-startup_program = fluid.default_startup_program()
+main_program = fluid.[default_main_program](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#default-main-program)()
+startup_program = fluid.[default_startup_program](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#default-startup-program)()
 
-cost = fluid.layers.square_error_cost(input=y_predict, label=y)
-avg_loss = fluid.layers.mean(cost)
+cost = fluid.layers.square_error_cost(input=y_predict, label=y) # 利用标签数据和输出的预测数据估计方差
+avg_loss = fluid.layers.mean(cost) # 对方差求均值，得到平均损失
 ```
 
 ### Optimizer Function 配置
 
-在下面的 `SGD optimizer`，`learning_rate` 是训练的速度，与网络的训练收敛速度有关系。
+在下面的 `SGD optimizer`，`learning_rate` 是学习率，与网络的训练收敛速度有关系。
 
 ```python
 sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
 sgd_optimizer.minimize(avg_loss)
 
-#clone a test_program
+#克隆main_program得到test_program，有些operator在训练和测试之间的操作是不同的，例如batch_norm，使用参数for_test来区分该程序是用来训练还是用来测试，该api不会删除任何操作符,请在backward和optimization之前使用。
 test_program = main_program.clone(for_test=True)
 ```
 
@@ -205,26 +231,15 @@ test_program = main_program.clone(for_test=True)
 
 ```python
 use_cuda = False
-place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
+place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() # 指明executor的执行场所
 
+###executor可以接受传入的program，并根据feed map(输入映射表)和fetch list(结果获取表)向program中添加数据输入算子和结果获取算子。使用close()关闭该executor，调用run(...)执行program,更多使用详情请参考[fluid.executor](http://www.paddlepaddle.org/documentation/docs/zh/develop/api_cn/fluid_cn.html#permalink-15-executor)
 exe = fluid.Executor(place)
 
 ```
 
-除此之外，还可以通过画图，来展现`训练进程`：
-
-```python
-# Plot data
-from paddle.utils.plot import Ploter
-
-train_prompt = "Train cost"
-test_prompt = "Test cost"
-plot_prompt = Ploter(train_prompt, test_prompt)
-
-```
-
 ### 创建训练过程
-训练需要有一个训练程序和一些必要参数，并构建了一个获取训练过程中测试误差的函数。
+训练需要有一个训练程序和一些必要参数，并构建了一个获取训练过程中测试误差的函数。必要参数有executor,program,reader,feeder,fetch_list，executor表示之前创建的执行器，program表示执行器所执行的program，是之前创建的program，如果该项参数没有给定的话则默认使用defalut_main_program，reader表示读取到的数据，feeder表示前向输入的变量，fetch_list表示用户想得到的变量或者命名的结果。
 
 ```python
 num_epochs = 100
@@ -237,15 +252,34 @@ def train_test(executor, program, reader, feeder, fetch_list):
         outs = executor.run(program=program,
                             feed=feeder.feed(data_test),
                             fetch_list=fetch_list)
-        accumulated = [x_c[0] + x_c[1][0] for x_c in zip(accumulated, outs)]
-        count += 1
-    return [x_d / count for x_d in accumulated]
+        accumulated = [x_c[0] + x_c[1][0] for x_c in zip(accumulated, outs)] # 累加测试过程中的损失值
+        count += 1 # 累加测试集中的样本数量
+    return [x_d / count for x_d in accumulated] # 计算平均损失
+
+```
+可以直接输出损失值来观察`训练进程`:
+
+```python
+train_prompt = "train cost"
+test_prompt = "test cost"
+print("%s', out %f" % (train_prompt, out))
+print("%s', out %f" % (test_prompt, out))
+
+```
+
+除此之外，还可以通过画图，来展现`训练进程`：
+
+```python
+# plot data
+from paddle.utils.plot import ploter
+
+plot_prompt = ploter(train_prompt, test_prompt)
 
 ```
 
 ### 训练主循环
-PaddlePaddle提供了读取数据者发生器机制来读取训练数据。读取数据者会一次提供多列数据，因此我们需要一个Python的list来定义读取顺序。我们构建一个循环来进行训练，直到训练结果足够好或者循环次数足够多。
-如果训练顺利，可以把训练参数保存到`params_dirname`。
+
+首先给出需要存储的目录名，并初始化一个执行器。
 
 ```python
 %matplotlib inline
@@ -257,8 +291,12 @@ naive_exe.run(startup_program)
 step = 0
 
 exe_test = fluid.Executor(place)
+```
 
-# main train loop.
+paddlepaddle提供了reader机制来读取训练数据。reader会一次提供多列数据，因此我们需要一个python的列表来定义读取顺序。我们构建一个循环来进行训练，直到训练结果足够好或者循环次数足够多。
+如果训练迭代次数满足参数保存的迭代次数，可以把训练参数保存到`params_dirname`。
+其次设置训练主循环
+```python
 for pass_id in range(num_epochs):
     for data_train in train_reader():
         avg_loss_value, = exe.run(main_program,
@@ -276,17 +314,19 @@ for pass_id in range(num_epochs):
             plot_prompt.append(test_prompt, step, test_metics[0])
             plot_prompt.plot()
             # If the accuracy is good enough, we can stop the training.
-            if test_metics[0] < 10.0:
+            if test_metics[0] < 10.0: # 如果准确率达到要求，则停止训练
                 break
 
         step += 1
 
         if math.isnan(float(avg_loss_value[0])):
             sys.exit("got NaN loss, training failed.")
-    if params_dirname is not None:
-        # We can save the trained parameters for the inferences later
-        fluid.io.save_inference_model(params_dirname, ['x'],
-                                      [y_predict], exe)
+```
+
+保存训练参数到之前给定的路径中
+```python
+if params_dirname is not None:
+    fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
 ```
 
 ## 预测
@@ -306,30 +346,35 @@ inference_scope = fluid.core.Scope()
 ```python
 with fluid.scope_guard(inference_scope):
     [inference_program, feed_target_names,
-     fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
+     fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe) # 载入预训练模型
     batch_size = 10
 
     infer_reader = paddle.batch(
-        paddle.dataset.uci_housing.test(), batch_size=batch_size)
+        paddle.dataset.uci_housing.test(), batch_size=batch_size) # 准备测试集
 
     infer_data = next(infer_reader())
     infer_feat = numpy.array(
-        [data[0] for data in infer_data]).astype("float32")
+        [data[0] for data in infer_data]).astype("float32") # 提取测试集中的数据
     infer_label = numpy.array(
-        [data[1] for data in infer_data]).astype("float32")
+        [data[1] for data in infer_data]).astype("float32") # 提取测试集中的标签
 
     assert feed_target_names[0] == 'x'
     results = infer_exe.run(inference_program,
                             feed={feed_target_names[0]: numpy.array(infer_feat)},
-                            fetch_list=fetch_targets)
+                            fetch_list=fetch_targets) # 进行预测
+```
+
+打印预测结果和标签并可视化结果
+```python
+ print("infer results: (House Price)")
+ for idx, val in enumerate(results[0]):
+     print("%d: %.2f" % (idx, val)) # 打印预测结果
 
-    print("infer results: (House Price)")
-    for idx, val in enumerate(results[0]):
-        print("%d: %.2f" % (idx, val))
+ print("\nground truth:")
+ for idx, val in enumerate(infer_label):
+     print("%d: %.2f" % (idx, val)) # 打印标签值
 
-    print("\nground truth:")
-    for idx, val in enumerate(infer_label):
-        print("%d: %.2f" % (idx, val))
+save_result(results[0], infer_label) # 保存图片，该函数实现在train.py中
 ```
 
 ## 总结
diff --git a/01.fit_a_line/train.py b/01.fit_a_line/train.py
index 5b4625e07e4b00045f9689f061816f5212389ba4..0d567fef5974e845fcfb0ec036c0df5cb60741ef 100644
--- a/01.fit_a_line/train.py
+++ b/01.fit_a_line/train.py
@@ -33,6 +33,21 @@ def train_test(executor, program, reader, feeder, fetch_list):
     return [x_d / count for x_d in accumulated]
 
 
+def save_result(points1, points2):
+    import matplotlib
+    matplotlib.use('Agg')
+    import matplotlib.pyplot as plt
+    x1 = [idx for idx in range(len(points1))]
+    y1 = points1
+    y2 = points2
+    l1 = plt.plot(x1, y1, 'r--', label='predictions')
+    l2 = plt.plot(x1, y2, 'g--', label='GT')
+    plt.plot(x1, y1, 'ro-', x1, y2, 'g+-')
+    plt.title('predictions VS GT')
+    plt.legend()
+    plt.savefig('./image/prediction_gt.png')
+
+
 def main():
     batch_size = 20
     train_reader = paddle.batch(
@@ -141,6 +156,8 @@ def main():
         for idx, val in enumerate(infer_label):
             print("%d: %.2f" % (idx, val))
 
+        save_result(results[0], infer_label)
+
 
 if __name__ == '__main__':
     main()