diff --git a/text_classification/README.md b/text_classification/README.md
index 4dc6ac1374735225cbe4f9aa2b7973e68a9f449b..67e0dcbfc09414b3ed632f647e84cecf97118b1c 100644
--- a/text_classification/README.md
+++ b/text_classification/README.md
@@ -5,18 +5,18 @@
 本例子的实验在IMDB数据集上进行。IMDB数据集包含了来自IMDb（互联网电影数据库）网站的5万条电影影评，并被标注为正面/负面两种评价。数据集被划分为train和test两部分，各2.5万条数据，正负样本的比例基本为1:1。样本直接以英文原文的形式表示。
 
 ## DNN模型结构
-####DNN的模型结构入下图所示：
+#### DNN的模型结构入下图所示：
 <p align="center">
 <img src="images/dnn_net.png" width = "90%" align="center"/><br/>
 图1. DNN文本分类模型
 </p>
-####可以看到，模型主要分为如下几个部分：  
+#### 可以看到，模型主要分为如下几个部分：  
 - **embedding层**：IMDB的样本由原始的英文单词组成，为了方便模型的训练，必须通过embedding将英文单词转化为固定维度的向量。  
 - **max pooling**：max pooling在时间序列上进行，pooling过程消除了不同语料样本在单词数量多少上的差异，并提炼出词向量中每一下标位置上的最大值。经过pooling后，样本被转化为一条固定维度的向量。  
 - **全连接隐层**：经过max pooling后的向量被送入一个具有两个隐层的DNN模型，隐层之间为全连接结构。  
 - **输出层**：输出层的神经元数量和样本的类别数一致，例如在二分类问题中，输出层会有2个神经元。通过Softmax激活函数，我们保证输出层各神经元的输出之和为1，因此第i个神经元的输出就可以认为是样本属于第i类的预测概率。
 
-####通过Paddle实现该DNN结构的代码如下：
+#### 通过Paddle实现该DNN结构的代码如下：
 ```python
 import paddle.v2 as paddle