diff --git a/01.fit_a_line/README.cn.md b/01.fit_a_line/README.cn.md
index 992e026b832657518a3127875a3f525bc00ea5bf..718eb004ca93c9ed72f17ff30ac7f9ef810da92c 100644
--- a/01.fit_a_line/README.cn.md
+++ b/01.fit_a_line/README.cn.md
@@ -79,6 +79,13 @@ $$MSE=\frac{1}{n}\sum_{i=1}^{n}{(\hat{Y_i}-Y_i)}^2$$
 - 不同的数值范围会导致不同属性对模型的重要性不同（至少在训练的初始阶段如此），而这个隐含的假设常常是不合理的。这会对优化的过程造成困难，使训练时间大大的加长。
 - 很多的机器学习技巧/模型（例如L1，L2正则项，向量空间模型-Vector Space Model）都基于这样的假设：所有的属性取值都差不多是以0为均值且取值范围相近的。
 
+test!
+
+![BostonHousePricePredictions](./image/predictions.png)
+
+test!
+
+<img src = "image/ranges.png" width=550><br/>
 <p align="center">
     <img src = "image/ranges.png" width=550><br/>
     图2. 各维属性的取值范围
diff --git a/01.fit_a_line/index.cn.html b/01.fit_a_line/index.cn.html
index e7430f56a1cb10f34d67b7f6ad7aa3af9a2d4c67..a09df5e2b68820817f5d1305ec13b7663d604ec2 100644
--- a/01.fit_a_line/index.cn.html
+++ b/01.fit_a_line/index.cn.html
@@ -121,6 +121,13 @@ $$MSE=\frac{1}{n}\sum_{i=1}^{n}{(\hat{Y_i}-Y_i)}^2$$
 - 不同的数值范围会导致不同属性对模型的重要性不同（至少在训练的初始阶段如此），而这个隐含的假设常常是不合理的。这会对优化的过程造成困难，使训练时间大大的加长。
 - 很多的机器学习技巧/模型（例如L1，L2正则项，向量空间模型-Vector Space Model）都基于这样的假设：所有的属性取值都差不多是以0为均值且取值范围相近的。
 
+test!
+
+![BostonHousePricePredictions](./image/predictions.png)
+
+test!
+
+<img src = "image/ranges.png" width=550><br/>
 <p align="center">
     <img src = "image/ranges.png" width=550><br/>
     图2. 各维属性的取值范围