diff --git a/CGAN.py b/CGAN.py
index b14bff0..6a07b3e 100644
--- a/CGAN.py
+++ b/CGAN.py
@@ -4,6 +4,7 @@ import numpy as np
 from PIL import Image
 import os
 import time
+import sys
 
 jt.flags.use_cuda = 1
 
@@ -158,5 +159,13 @@ def generate(numbers, epoch, filename):
 
 
 if __name__ == '__main__':
-    # train()
-    generate([1, 2, 3, 4, 5, 6, 7, 8, 9, 0], 87, 'result1.png')
+    if len(sys.argv) < 2:
+        print('usage: \npython CGAN.py train\npython CGAN.py eval [output file] [epoch]')
+        exit(1)
+    if sys.argv[1] == 'train':
+        train()
+    elif sys.argv[1] == 'eval':
+        generate([1, 2, 3, 4, 5, 6, 7, 8, 9, 0], int(sys.argv[3]), sys.argv[2])
+    else:
+        print('usage: \npython CGAN.py train\npython CGAN.py eval [output file] [epoch]')
+        exit(1)
diff --git a/README.md b/README.md
index 9e6860a..1474e38 100644
--- a/README.md
+++ b/README.md
@@ -8,30 +8,42 @@
 
 ## 安装
 
-#### 运行环境
+### 运行环境
 
 - Jittor 1.3.4.12
-- Numpy
-- Pillow
+- Numpy 1.22.4
+- Pillow 9.1.1
 
-#### 安装依赖
+### 安装依赖
 执行以下命令安装 python 依赖
 
-```
+```bash
 pip install -r requirements.txt
 ```
 
-#### 预训练模型
+### 预训练模型
+
+预训练模型[下载地址](https://drive.google.com/drive/folders/1qnS1SXwtmR-2H-i8vDxW1W4H5k1E2ENI?usp=sharing)。请将预训练模型放入 `saved/` 文件夹中供代码加载，并不要改变其文件名。
 
-预训练模型[下载地址](https://drive.google.com/drive/folders/1qnS1SXwtmR-2H-i8vDxW1W4H5k1E2ENI?usp=sharing)，可通过 `load` 导入系数。
+## 运行
 
-## 训练
+### 训练
+
+```bash
+python CGAN.py train
+```
+
+运行上述指令即可开始训练，训练使用 Jittor 框架内置的 MNIST 数据集格式，训练过程中每一个 epoch 的模型系数和结果文件将保存在 `saved/` 文件夹下。
 
 `CGAN.py` 中 `train()` 函数为用于训练的函数，调用它即可运行训练。相关参数见文件内。
 
-## 推理
+### 推理
+
+```bash
+python CGAN.py eval result.png 87
+```
 
-将参数放入 `saved` 文件夹内后，可以调用 `generate(numbers, epoch, filename)` 函数生成图像。其中 `numbers` 为要生成的数字数组，`epoch` 为模型训练的代数，预训练模型为 87，`filename` 为生成图像保存路径。
+将预训练模型或自行训练的系数 `pkl` 文件放入 `saved/` 文件夹下，并使用上述指令进行推理。推理命令的格式为 `python CGAN.py [output file] [epoch]`，预训练模型 epoch 数为 87，故给出的上述指令使用的是预训练模型推理。
 
 参见 `CGAN.py` 中的实现。