diff --git a/contrib/chapter_generative_adversarial_networks/GAN.md b/contrib/chapter_generative_adversarial_networks/GAN.md
index 9501b5d0d..81cfeb076 100644
--- a/contrib/chapter_generative_adversarial_networks/GAN.md
+++ b/contrib/chapter_generative_adversarial_networks/GAN.md
@@ -1,11 +1,11 @@
-# 生成对抗网路 GAN #
+# 生成对抗网络 GAN #
 
 
 这几年深度学习的流行除了卷积神经网络（Convolutional Neural Networks）外，再来有意思的就是生成对抗网路GAN（Generative Adversarial Network），由Ian Goodfellow在2014年提出GAN概念的[[1]](https://arxiv.org/abs/1406.2661)，我们甚至可以用两个不同的**成语**来描述机器学习的两个重要分支判断模型以及生成模型：
 
 
 #### 化繁为简(判断模型)：
-在电脑视觉里面的分类问题中，我们想要让电脑知道这张图片是鸟，我们会收集许多关于鸟的资料，例如不同种类的鸟..等，并透过卷积神经网络（Convolutional Neural Networks）让电脑来训练、学习，之后电脑就会分辨出这张图片是不是 “鸟”。
+在电脑视觉里面的分类问题中，我们想要让电脑知道这张图片是鸟，我们会收集许多关于鸟的资料，例如不同种类的鸟..等，并通过卷积神经网络（Convolutional Neural Networks）让电脑来训练、学习，之后电脑就会分辨出这张图片是不是 “鸟”。
 
 **电脑会看了许许多多关于鸟的图片，并归纳出一些规则，来分辨这张图片是不是鸟。**
 
@@ -20,19 +20,19 @@
 
 
 #### 无中生有(生成模型)：
-人类可以听到一些关键字，脑海产生对应关键字的图像，所以我们是不是也能让电脑听到关于**猫**这个字，他就会产生猫的影像呢？答案是可以的，透过生成模型我们可以让电脑产生相对应的图像。
+人类可以听到一些关键字，脑海产生对应关键字的图像，所以我们是不是也能让电脑听到关于**猫**这个字，他就会产生猫的影像呢？答案是肯定的，透过生成模型我们可以让电脑产生相对应的图像。
 
-**可能电脑没有看过我家的小猫长怎样，可是既然是猫，所以他应该要有4只脚，一身毛茸茸的毛发......等。**
+**可能电脑没有看过我家的小猫长啥样，可是既然是猫，所以他应该要有4只脚，一身毛茸茸的毛发......等。**
 
 ![](../img/generate_cat.PNG)
 
 
 
-## 生层对抗网路是什么
-上面的例子示范出我们可以让电脑生成我们感兴趣的图像，可是我们到底要怎么知道这些生成出来的图像是猫而不是老虎呢？所以Ian Goodfellow就提出了除了生成外我们还要给你一个对抗网路。
+## 生成对抗网络是什么
+上面的例子示范出我们可以让电脑生成我们感兴趣的图像，可是我们到底要怎么知道这些生成出来的图像是猫而不是老虎呢？所以Ian Goodfellow就提出了除了生成外我们还要给你一个对抗网络。
 
-**什么是对抗网路？**
-对抗网路换句话说就是想要知道你生成的图像到底像不像猫?如果这个网路在古代就出现的话，指鹿为马这句成语大概就不会传下来了吧...**也难怪Yann LeCun曾说：“生成对抗网路是机器学习这十年来最有趣的主意”**
+**什么是对抗网络？**
+对抗网络换句话说就是想要知道你生成的图像到底像不像猫?如果这个网络在古代就出现的话，指鹿为马这句成语大概就不会传下来了吧...**也难怪Yann LeCun曾说：“生成对抗网络是机器学习这十年来最有趣的主意”**
 
 
 原论文也有提出一个有趣的例子，有一个小偷(生成器)要努力印刷出可以骗过警察(判断器)的钞票，而警察(判断器)也要努力学习尽管小偷(生成器)的印刷技术越来越高明，他也要分辨得出来。
@@ -49,7 +49,7 @@
 
 
 
-如此一来这样这样的训练方法可以让双方学得越来越好，我们可以不要让网路那么的GAN（GANG）让他更PEACE一点，大概是生物课本里面的互益共生。
+如此一来这样这样的训练方法可以让双方学得越来越好，我们可以不要让网络那么的GAN（GANG）让他更PEACE一点，大概是生物课本里面的互益共生。
 
 
 ## 准备资料集
@@ -128,15 +128,15 @@ for i in range(4):
     visualize(img_list[i + 10][0])
 plt.show()
 ```
-## 定义网路架构
-DCGAN的架构核心就是由卷积神经网络（Convolutional Neural Networks）来组成，判断器会经过卷积神经网络不断的缩小特征图的大小，并判断输入的图像是真实图像还是生成的图像。而生成网路会经过upconvolutions，所以特征图会变得越来越大，如此一来可以从低维度的向量变成高维度的的图片。
+## 定义网络架构
+DCGAN的架构核心就是由卷积神经网络（Convolutional Neural Networks）来组成，判断器会经过卷积神经网络不断的缩小特征图的大小，并判断输入的图像是真实图像还是生成的图像。而生成网络会经过upconvolutions，所以特征图会变得越来越大，如此一来可以从低维度的向量变成高维度的的图片。
 
 而在DCGAN这篇论文中又提出**几个重点**：  
 
-1。**取消原有的池化层**，而在判断器中改用跨步卷积，在生成器中使用微步卷积  
+1.**取消原有的池化层**，而在判断器中改用跨步卷积，在生成器中使用微步卷积  
 2.在判断器和生成器中**均使用批量标准化（batch normalization）**  
-3.在判断器**取消全连接層(fully connected)** 以获得更深的网络结构  
-4.在生成器中，除了输出层使用Tanh当激活函数（**这里会用tanh主要是因为我们一开始把图像归一化到[-1,1]之间，如果想要是图像归一化到[0,1]之间可以用(sigmoid)替代**），**其余层均使用RELU激活，在判断器的所有层中均使用LeakyReLu激活**。  
+3.在判断器**取消全连接层(fully connected)** 以获得更深的网络结构  
+4.在生成器中，除了输出层使用Tanh作为激活函数（**这里会用tanh主要是因为我们一开始把图像归一化到[-1,1]之间，如果想要是图像归一化到[0,1]之间可以用(sigmoid)替代**），**其余层均使用RELU激活，在判断器的所有层中均使用LeakyReLu激活**。  
 
 ![](../img/DCGAN.PNG)
 
@@ -191,7 +191,7 @@ with netD.name_scope():
 ```
 
 ## 设定损失函数及优化
-这边利用二元交叉熵当成损失函数，并利用adam演算法来进行优化，我们利用常态分布来初始化网路参数
+这边利用二元交叉熵当成损失函数，并利用adam演算法来进行优化，我们利用常态分布来初始化网络参数
 ```python
  # 损失函数
 loss = gluon.loss.SigmoidBinaryCrossEntropyLoss()
@@ -213,7 +213,7 @@ netD_filename='discriminator.params'
 ```
 
 
-## 训练网路
+## 训练网络
 可以看到我们的生成器慢慢地产生出像脸的影像。  
 **训练分成训练判断器及生成器两个部分**  
 
@@ -322,12 +322,12 @@ plt.show()
 
 ## 小结
 
-- 使用生成对抗网路来生成图像
+- 使用生成对抗网络来生成图像
 
 ## 练习
 
 
-- 生成对抗网路有一个缺点就是输出的影像很模糊，能不能设计好的生成器或判别器来提升生成影像的解析度。  
+- 生成对抗网络有一个缺点就是输出的影像很模糊，能不能设计好的生成器或判别器来提升生成影像的解析度。  
  - 改变损失函数的设计，例如参考wgan或者lsgan的设计。  
  
 ## 参考