diff --git a/docs/tf-20-quick-start-guide/01.md b/docs/tf-20-quick-start-guide/01.md
index 611c2a368448a8fcf95fc5e1008a7984c293ffd2..8b516da0ec3233d90979aefe96b0e7e10b90cf55 100644
--- a/docs/tf-20-quick-start-guide/01.md
+++ b/docs/tf-20-quick-start-guide/01.md
@@ -15,9 +15,9 @@ image1 = tf.zeros([7, 28, 28, 3]) #  example-within-batch by height by width by
 
 在本章中，我们将讨论以下内容：
 
-*   审视现代 TensorFlow 生态系统
+*   现代 TensorFlow 生态系统
 *   安装 TensorFlow
-*   内务和急切的操作
+*   急切操作
 *   提供有用的 TensorFlow 操作
 
 # 现代 TensorFlow 生态系统
diff --git a/docs/tf-20-quick-start-guide/02.md b/docs/tf-20-quick-start-guide/02.md
index a3ce86a40d40f2cf095ec1721cd19bfd43bb868e..69bf9863ac7252b97ca3c8f3384d35790ee469d7 100644
--- a/docs/tf-20-quick-start-guide/02.md
+++ b/docs/tf-20-quick-start-guide/02.md
@@ -9,12 +9,12 @@
 在本章中，我们将介绍以下主题：
 
 *   Keras 的采用和优势
-*   Keras 的功能
+*   Keras 的特性
 *   默认的 Keras 配置文件
 *   Keras 后端
-*   硬数据类型
-*   硬模型
-*   硬数据集
+*   Keras 数据类型
+*   Keras 模型
+*   Keras 数据集
 
 # Keras 的采用和优势
 
@@ -31,7 +31,7 @@ Keras 具有许多优点，其中包括：
 *   通过编写自定义构建块很容易扩展
 *   无需导入 Keras，因为它可以作为`tensorflow.keras`获得
 
-# Keras 的功能
+# Keras 的特性
 
 如果您想知道 TensorFlow 随附的 Keras 版本，请使用以下命令：
 
diff --git a/docs/tf-20-quick-start-guide/06.md b/docs/tf-20-quick-start-guide/06.md
index 8ee332e02be966968ae8dd9a6f69bf8423eca1fa..cd31ebef3dd340f5f468eae1674fc41307106203 100644
--- a/docs/tf-20-quick-start-guide/06.md
+++ b/docs/tf-20-quick-start-guide/06.md
@@ -24,7 +24,7 @@
 *   保存，加载和重新测试模型
 *   使用`.h5`格式保存和加载 NumPy 图像数据
 *   加载预训练的模型
-*   使用预先训练的模型
+*   使用预训练的模型
 
 我们将逐步开发和呈现代码片段。 这些代码段通过螺栓连接在一起，[成为存储库中的完整程序](https://github.com/PacktPublishing/Tensorflow-2.0-Quick-Start-Guide)。
 
@@ -301,7 +301,7 @@ hf = h5py.File('y_test.h5', 'r')
 y_test = np.array(hf["QuickDraw"][:])
 ```
 
-# 使用预先训练的模型进行加载和推断
+# 使用预训练的模型进行加载和推断
 
 经过训练的模型`'QDrawModel.h5'`已运行 25 个纪元，并且达到了 90% 以上的测试准确度，已保存在存储库中。 您已经看过此代码； 为方便起见，在此复制。
 
diff --git a/docs/tf-20-quick-start-guide/08.md b/docs/tf-20-quick-start-guide/08.md
index bc3cf4e6145738f06c364047042bb9731c75f156..120e0ee8dcb49e6c780cfb5cf6270c1e59f40211 100644
--- a/docs/tf-20-quick-start-guide/08.md
+++ b/docs/tf-20-quick-start-guide/08.md
@@ -6,14 +6,14 @@
 
 在本章中，我们将研究以下主题：
 
-*   神经网络处理方式
+*   神经网络处理模式
 *   循环架构
 *   RNN 的应用
 *   我们的 RNN 示例的代码
 *   建立并实例化我们的模型
 *   训练和使用我们的模型
 
-# 神经网络处理方式
+# 神经网络处理模式
 
 下图说明了各种神经网络处理模式：
 
diff --git a/docs/tf-20-quick-start-guide/09.md b/docs/tf-20-quick-start-guide/09.md
index d684b33e865871b97f8573a5a1bac3f656d1837c..763c9c40bb16159bd572588f2ad9d2bfd484c8c8 100644
--- a/docs/tf-20-quick-start-guide/09.md
+++ b/docs/tf-20-quick-start-guide/09.md
@@ -18,9 +18,9 @@
 开发估计器模型的过程分为四个步骤：
 
 1.  采集数据并创建数据功能
-2.  创建功能列
+2.  创建特征列
 3.  实例化估计器
-4.  评估模型的性能
+4.  评估模型的表现
 
 我们将在以下代码中举例说明这些步骤。