diff --git a/tutorials/source_zh_cn/advanced/compute_graph.ipynb b/tutorials/source_zh_cn/advanced/compute_graph.ipynb
index 657eeb2643b1df7d7b6755d5fdb2463f77efb63c..3a7ba7ec6e0b034d368bd3557ac556ad558789f2 100644
--- a/tutorials/source_zh_cn/advanced/compute_graph.ipynb
+++ b/tutorials/source_zh_cn/advanced/compute_graph.ipynb
@@ -33,9 +33,9 @@
     "\n",
     "在MindSpore中，动态图模式又被称为PyNative模式。由于动态图的解释执行特性，在脚本开发和网络流程调试过程中，推荐使用动态图模式进行调试。\n",
     "\n",
-    "> MindSpore默认计算图模式为Pynative模式。\n",
+    "> MindSpore默认计算图模式为PyNative模式。\n",
     "\n",
-    "如需要手动控制框架采用Pynative模式，可以通过以下代码进行配置："
+    "如需要手动控制框架采用PyNative模式，可以通过以下代码进行配置："
    ]
   },
   {
@@ -55,7 +55,7 @@
    "id": "4fd50adf-c2b6-4355-8f1d-7457c8b4de41",
    "metadata": {},
    "source": [
-    "在Pynative模式下，所有计算节点对应的底层算子均采用单Kernel执行的方式，因此可以任意进行计算结果的打印和调试，如："
+    "在PyNative模式下，所有计算节点对应的底层算子均采用单Kernel执行的方式，因此可以任意进行计算结果的打印和调试，如："
    ]
   },
   {
@@ -210,7 +210,7 @@
    "source": [
     "### 静态图控制流\n",
     "\n",
-    "在Pynative模式下，MindSpore完全支持Python原生语法的流程控制语句。Graph模式下，MindSpore在编译时做了性能优化，因此，在定义网络时使用流程控制语句时会有部分特殊约束，其他部分仍和Python原生语法保持一致。详情可参考[流程控制语句](https://mindspore.cn/tutorials/experts/zh-CN/master/network/control_flow.html)。"
+    "在PyNative模式下，MindSpore完全支持Python原生语法的流程控制语句。Graph模式下，MindSpore在编译时做了性能优化，因此，在定义网络时使用流程控制语句时会有部分特殊约束，其他部分仍和Python原生语法保持一致。详情可参考[流程控制语句](https://mindspore.cn/tutorials/experts/zh-CN/master/network/control_flow.html)。"
    ]
   },
   {
@@ -226,7 +226,7 @@
    "id": "432f1bd1-4b9f-4024-a37f-9c8c74625db9",
    "metadata": {},
    "source": [
-    "通常情况下，由于动态图的灵活性，我们会选择使用Pynative模式来进行自由的神经网络构建，以实现模型的创新和优化。但是当需要进行性能加速时，我们需要对神经网络部分或整体进行加速。此时，直接切换为Graph模式是一种简单选择，但是由于静态图对语法和控制流等限制，使得我们无法从动态图无感知地切换至静态图。\n",
+    "通常情况下，由于动态图的灵活性，我们会选择使用PyNative模式来进行自由的神经网络构建，以实现模型的创新和优化。但是当需要进行性能加速时，我们需要对神经网络部分或整体进行加速。此时，直接切换为Graph模式是一种简单选择，但是由于静态图对语法和控制流等限制，使得我们无法从动态图无感知地切换至静态图。\n",
     "\n",
     "为此，MindSpore提供了`jit`装饰器，可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图，通过图优化等技术提高运行速度。此时我们可以简单的对想要进行性能优化的模块进行图编译加速，而模型其他部分，仍旧使用解释执行方式，不丢失动态图的灵活性。"
    ]