diff --git a/source/ImageAI_Custom_Image_Prediction.md b/source/ImageAI_Custom_Image_Prediction.md
index 61f6918..30995e1 100644
--- a/source/ImageAI_Custom_Image_Prediction.md
+++ b/source/ImageAI_Custom_Image_Prediction.md
@@ -4,12 +4,12 @@
 
 * * *
 
-ImageAI提供4种不同的算法和模型，使你可以使用您自定义的模型执行自定义图像预测。您将能够使用**ImageAI**已训练的模型和相应的model_class JSON文件来预测您已训练模型的自定义对象。在这个例子中，我们将使用在**IdenProf**上进行20次实验训练的模型，**IdenProf**是统一专业人员的数据集，在测试数据集上达到65.17％的准确度（您可以使用自己训练的模型并生成JSON文件。此"CLASS"主要的目的是使你可以使用自己定制的模型。）下载以下链接中的ResNet模型和JSON文件：
-**- [ResNet](https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0.1/resnet_model_ex-020_acc-0.651714.h5)**（文件大小= 90.4MB）
+**ImageAI** 提供4种不同的算法和模型，使你可以用您自定义的模型执行图像预测。您将使用 **ImageAI** 已训练的模型和相应的 JSON 文件来预测自定义对象。在这个例子中，我们将使用在**IdenProf**上进行20次实验训练出的模型，**IdenProf**是一个专业人员的数据集，在测试数据集上达到65.17％的准确度（您可以使用自己训练的模型并生成JSON文件。此"CLASS"主要的目的是使你可以使用自己训练的模型。）通过以下链接下载ResNet模型和JSON文件：
+**- [ResNet](https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0.1/resnet_model_ex-020_acc-0.651714.h5)（文件大小= 90.4MB）**
 **- [IdenProf model_class.json file](https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0.1/model_class.json)**
-很好！下载此模型文件和JSON文件后，启动一个新的python项目，然后将模型文件和JSON文件复制到python文件（.py文件）所在的项目文件夹中。下载下面的图像，或者在您的计算机上拍摄任何包含以下任何专业人员（厨师，医生，工程师 ，农民，消防员，法官，机械师，飞行员，警察和服务员）的图像，并将其复制到您的python项目文件夹中。然后创建一个python文件并为其命名; 以下是一个例子**FirstCustomPrediction.py**。然后将下面的代码写入python文件：
+很好！下载模型文件和JSON文件后，启动一个新的python项目，然后将模型文件和JSON文件复制到python文件（.py文件）所在的项目文件夹中。下载下面的图像，或者在您的计算机上拍摄任何包含以下专业人员（厨师，医生，工程师 ，农民，消防员，法官，机械师，飞行员，警察和服务员）的图像，并将其复制到您的python项目文件夹中。然后创建一个python文件并为其命名; 例如**FirstCustomPrediction.py**。然后将下面的代码写入python文件中：
 
-### **FirstCustomPrediction.py**
+### FirstCustomPrediction.py
 
 ```
 from imageai.Prediction.Custom import CustomImagePrediction
@@ -23,12 +23,10 @@ prediction.setModelPath(os.path.join(execution_path, "resnet_model_ex-020_acc-0.
 prediction.setJsonPath(os.path.join(execution_path, "model_class.json"))
 prediction.loadModel(num_objects=10)
 
-
 predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "4.jpg"), result_count=5)
 
-
 for eachPrediction, eachProbability in zip(predictions, probabilities):
-print(eachPrediction + " : " + eachProbability)
+    print(eachPrediction + " : " + eachProbability)
 ```
 
 示例结果：
@@ -43,20 +41,19 @@ police : 2.6663416996598244
 pilot : 2.239348366856575
 ```
 
-上面的代码如下：
-
+让我们对示例代码进行解读：
 ```
 from imageai.Prediction.Custom import CustomImagePrediction
 import os
 ```
 
-上面的代码导入**ImageAI**库以进行自定义图像预测和python **os**类。
+上面的代码导入了**ImageAI**库的`CustomImagePrediction`类和Python `os`类。
 
 ```
 execution_path = os.getcwd()
 ```
 
-上面的行获取包含python文件（在本例中为FirstCustomPrediction.py）的文件夹的路径。
+上面的代码获取包含python文件的文件夹路径（在本例中python文件为FirstCustomPrediction.py）
 
 ```
 prediction = CustomImagePrediction()
@@ -66,19 +63,19 @@ prediction.setJsonPath(os.path.join(execution_path, "model_class.json"))
 prediction.loadModel(num_objects=10)
 ```
 
-在上面的行中，我们在第一行创建了`CustomImagePrediction()`类的实例，我们然后通过 在第二行中调用`.setModelTypeAsResNet()`来将预测对象的模型类型设置为ResNet  ，在第三行总我们设置模型路径为（**resnet_model_ex-020_acc-0.651714.h5**）文件所在的路径，第四行我们设置JSON文件（** model_class.json**）的路径，第五行我们加载模型和解析模型中可以预测的对象数。
+在上面的代码中，我们在第一行我们对`CustomImagePrediction`类进行了实例化，第二行调用了`.setModelTypeAsResNet()`函数将预测对象的模型类型设置为ResNet，，第三行设置了模型文件（**resnet_model_ex-020_acc-0.651714.h5**）的路径，第四行设置JSON文件（** model_class.json**）的路径，第五行载入模型并设置需要预测的对象数。
 
 ```
 predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "4.jpg"), result_count=5)
 ```
 
-在上面的行中，我们定义了两个变量，它们由`.predictImage()`函数返回，我们在其中解析了图像的路径，并说明了我们想要的预测结果的数量。`result_count=5`(可选值为1到10)。`.predictImage()`函数将返回预测的对象名和相应的百分比概率（**percentage_probabilities**）。
+在上面的代码中，我们定义了两个变量，他们的值将由所调用的函数`predictImage()`返回，其中`predictImage()`函数接受了两个参数，一个是指定要进行图像预测的图像文件路径，另一个参数`result_count`用于设置我们想要预测结果的数量（该参数的值可选1 to 100）。最后，`predictImage()`函数将返回预测的对象名和相应的百分比概率（`percentage_probabilities`）。
 
 ```
 for eachPrediction, eachProbability in zip(predictions, probabilities):
     print(eachPrediction + " : " + eachProbability)
 ```
 
-上面的行获取了**predictions**数组中的每个对象，并从**percentage_probabilities中**获得了相应的百分比概率，最后将两者的结果打印到控制台。
+在上面的代码获取了`predictions`变量中的每个对象名，并从`probabilities`变量中获取相应的百分比概率，最后将两者的结果打印到终端。
 
-**CustomImagePrediction**类还支持**ImagePrediction**类中包含的多个预测，输入类型和预测速度。点击此[链接](/kangvcar/ImageAI/blob/master/imageai/Prediction/README.md)查看所有详细信息。
+**CustomImagePrediction**类还支持**ImagePrediction**类中包含的多图像预测，输入类型和预测速度功能。点击此[链接](https://imageai-cn.readthedocs.io/zh_CN/latest/ImageAI_Image_Prediction.html)查看详细介绍。
\ No newline at end of file
diff --git a/source/ImageAI_Image_Prediction.md b/source/ImageAI_Image_Prediction.md
index 0fcee86..6adc800 100644
--- a/source/ImageAI_Image_Prediction.md
+++ b/source/ImageAI_Image_Prediction.md
@@ -55,9 +55,10 @@ execution_path = os.getcwd()
 prediction = ImagePrediction()
 prediction.setModelTypeAsResNet()
 prediction.setModelPath(os.path.join(execution_path, "resnet50_weights_tf_dim_ordering_tf_kernels.h5"))
+prediction.loadModel()
 ```
 
-在上面的代码中，我们对`ImagePrediction()`类进行了实例化，然后调用了`.setModelTypeAsResNet()`函数将预测对象的模型类型设置为ResNet，并在第三行设置了模型文件（**resnet50_weights_tf_dim_ordering_tf_kernels.h5**）的路径。
+在上面的代码中，我们对`ImagePrediction()`类进行了实例化，第二行调用了`.setModelTypeAsResNet()`函数将预测对象的模型类型设置为ResNet，第三行设置了模型文件（**resnet50_weights_tf_dim_ordering_tf_kernels.h5**）的路径，第四行载入模型。
 
 ```
 predictions, probabilities = prediction.predictImage(os.path.join(execution_path, "1.jpg"), result_count=5 )