diff --git a/README.md b/README.md
index 1c8a334..2379678 100644
--- a/README.md
+++ b/README.md
@@ -14,7 +14,7 @@
 	算子优化和图优化：通过算子优化、图优化、加速库等方式，提高预测速度；
 	集束搜索、班监督等训练和交易策略优化：通过集束搜索、班监督等方式，优化训练和交易策略，提高预测效果。
 
-数据获取：本方案中我们主要使用纯数字数据，来源为Tushare大数据开放社区(www.tushare.pro)，数据获取的核心流程为登录社区，注册token，并使用相关接口API。
+数据获取：本方案中我们主要使用纯数字数据，来源为Tushare大数据开放社区，数据获取的核心流程为登录社区，注册token，并使用相关接口API。
     图片
     
 模型：Informer
@@ -31,7 +31,7 @@ CPU 为 IntelⓇ i3 － 8100，GPU 为 NVIDIA GTX 1660 SUPEＲ，内存为16GB
 开发环境为 MindSpore 3.10、Cuda 10．1、Cudnn 7．6。
 使用 Adam 优化器对网络进行优化，使用固定步长衰减进行学习率的调整，实验中的学习率设为 0.001，step_size 取为 2，gamma 取 0.95，批处理大小设为 16，衰减系数设为0.0005，动量设为 0.9。深度学习框架采用MindSpore，编程语言为Python 3.7版本，同时使用了NumPy、Pandas、Matplotlib等库和依赖。
 
-实验数据集：本实验使用的数据主要来源于Tushare大数据开放社（www.tushare.pro），这是一个提供金融市场数据的在线数据平台，包含了股票、指数、交易数据等大规模金融数据。此外，还使用了社交媒体数据以及国内外公开的金融数据。在数据预处理阶段，进行了数据清洗，以处理可能存在的缺失值和异常值。此外，从原始数据中提取了相关特征，如价格、成交量、新闻情感分析等，并将数据集划分为训练集、验证集和测试集。损失函数使用均方误差（MSE），训练迭代次数为100个迭代轮次。采用学习率衰减策略来逐渐减小学习率，以提高训练的稳定性。实验评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等，用于评估模型对股票价格的预测性能。数据集划分为70%的训练集、15%的验证集和15%的测试集，以支持模型的训练和评估。为确保实验的可重复性，固定了随机种子，并采取了相同的随机初始化策略。数据获取通过Tushare大数据开放社获取了历史股票价格数据，社交媒体数据通过Web抓取，国内外公开的金融数据由相应的数据提供商提供。这些详细的实验条件信息将有助于其他研究人员理解和重现本研究，确保实验结果的可信度和可复现性。
+实验数据集：本实验使用的数据主要来源于Tushare大数据开放社，这是一个提供金融市场数据的在线数据平台，包含了股票、指数、交易数据等大规模金融数据。此外，还使用了社交媒体数据以及国内外公开的金融数据。在数据预处理阶段，进行了数据清洗，以处理可能存在的缺失值和异常值。此外，从原始数据中提取了相关特征，如价格、成交量、新闻情感分析等，并将数据集划分为训练集、验证集和测试集。损失函数使用均方误差（MSE），训练迭代次数为100个迭代轮次。采用学习率衰减策略来逐渐减小学习率，以提高训练的稳定性。实验评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等，用于评估模型对股票价格的预测性能。数据集划分为70%的训练集、15%的验证集和15%的测试集，以支持模型的训练和评估。为确保实验的可重复性，固定了随机种子，并采取了相同的随机初始化策略。数据获取通过Tushare大数据开放社获取了历史股票价格数据，社交媒体数据通过Web抓取，国内外公开的金融数据由相应的数据提供商提供。这些详细的实验条件信息将有助于其他研究人员理解和重现本研究，确保实验结果的可信度和可复现性。
 
 训练：图片