diff --git a/fit_a_line/README.md b/fit_a_line/README.md
index f3fb4ff7a2ade7dad493673b4f352de3fe59d7df..74808950b8afcc5f25e0a606a06cdd2be2621f4d 100644
--- a/fit_a_line/README.md
+++ b/fit_a_line/README.md
@@ -13,7 +13,7 @@ $$y_i = \omega_1x_{i1} + \omega_2x_{i2} + \ldots + \omega_dx_{id} + b,  i=1,\ldo
 ## 效果展示
 我们使用从[UCI Housing Data Set](https://archive.ics.uci.edu/ml/datasets/Housing)获得的波士顿房价数据集进行模型的训练和预测。下面的散点图展示了使用模型对部分房屋价格进行的预测。其中，每个点的横坐标表示同一类房屋真实价格的中位数，纵坐标表示线性回归模型根据特征预测的结果，当二者值完全相等的时候就会落在虚线上。所以模型预测得越准确，则点离虚线越近。
 <p align="center">
-	<img src = "image/predictions.png"><br/>
+	<img src = "image/predictions.png" width=400><br/>
 	图1. 预测值 V.S. 真实值
 </p>
 
@@ -83,7 +83,7 @@ cd data && python prepare_data.py
 - 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。
 
 <p align="center">
-	<img src = "image/ranges.png"><br/>
+	<img src = "image/ranges.png" width=550><br/>
 	图2. 各维属性的取值范围
 </p>