diff --git a/fluid/DeepQNetwork/README_cn.md b/fluid/DeepQNetwork/README_cn.md
index dcbd8e9e6f8fdc370bcf82254effbf10e4450a69..68a65bffe8fab79ce563fefc894dd035c1572065 100644
--- a/fluid/DeepQNetwork/README_cn.md
+++ b/fluid/DeepQNetwork/README_cn.md
@@ -1,5 +1,6 @@
 ## 基于PaddlePaddle的Fluid版本复现DQN, DoubleDQN, DuelingDQN三个模型
-基于PaddlePaddle下一代API Fluid复现了深度强化学习领域的DQN模型，在经典的Atari 游戏上复现了论文同等水平的指标，模型接收游戏的图像作为输入，采用端到端的模型直接预测下一步要执行的控制信号，本仓库一共包含以下3类模型。
+
+基于PaddlePaddle下一代API Fluid复现了深度强化学习领域的DQN模型，在经典的Atari 游戏上复现了论文同等水平的指标，模型接收游戏的图像作为输入，采用端到端的模型直接预测下一步要执行的控制信号，本仓库一共包含以下3类模型：
 + DQN模型：
 [Human-level Control Through Deep Reinforcement Learning](http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html)
 + DoubleDQN模型：
@@ -8,13 +9,20 @@
 [Dueling Network Architectures for Deep Reinforcement Learning](http://proceedings.mlr.press/v48/wangf16.html)
 
 ## 模型效果：Atari游戏表现
-### [Atari游戏介绍](https://gym.openai.com/envs/#atari)
+
+### Atari游戏介绍
+
+请点击[这里](https://gym.openai.com/envs/#atari)了解Atari游戏。
 
 ### Pong游戏训练结果
 三个模型在训练过程中随着训练步数的变化，能得到的平均游戏奖励如下图所示（大概3小时每1百万步）：
-![DQN result](assets/dqn.png)
+
+<div align="center">
+<img src="assets/dqn.png" width="600" height="300" alt="DQN result"></img>
+</div>
 
 ## 使用教程
+
 ### 依赖:
 + python2.7
 + gym
@@ -24,6 +32,7 @@
 + ale_python_interface
 
 ### 下载依赖：
+
 + 安装PaddlePaddle：
     建议通过PaddlePaddle源码进行编译安装  
 + 下载其它依赖：
@@ -31,9 +40,10 @@
     pip install -r requirement.txt
     pip install gym[atari]
     ```
-    安装ale_python_interface可以参考：https://github.com/mgbellemare/Arcade-Learning-Environment
+    安装ale_python_interface可以参考[这里](https://github.com/mgbellemare/Arcade-Learning-Environment)
 
 ### 训练模型：
+
 ```
 # 使用GPU训练Pong游戏（默认使用DQN模型）
 python train.py --rom ./rom_files/pong.bin --use_cuda
@@ -45,9 +55,10 @@ python train.py --rom ./rom_files/pong.bin --use_cuda --alg DoubleDQN
 python train.py --rom ./rom_files/pong.bin --use_cuda --alg DuelingDQN
 ```
 
-训练更多游戏，可以下载游戏rom从[这里](https://github.com/openai/atari-py/tree/master/atari_py/atari_roms)
+训练更多游戏，可以从[这里](https://github.com/openai/atari-py/tree/master/atari_py/atari_roms)下载游戏rom
 
 ### 测试模型：
+
 ```
 # Play the game with saved model and calculate the average rewards
 # 使用训练过程中保存的最好模型玩游戏，以及计算平均奖励（rewards）
@@ -56,4 +67,5 @@ python play.py --rom ./rom_files/pong.bin --use_cuda --model_path ./saved_model/
 # 以可视化的形式来玩游戏
 python play.py --rom ./rom_files/pong.bin --use_cuda --model_path ./saved_model/DQN-pong --viz 0.01
 ```
+
 [这里](https://pan.baidu.com/s/1gIsbNw5V7tMeb74ojx-TMA)是Pong和Breakout游戏训练好的模型，可以直接用来测试。