diff --git a/tutorials/source_zh_cn/quick_start.ipynb b/tutorials/source_zh_cn/quick_start.ipynb
index 49b072e3be4959f3e7a5e9b3c1a1449bff6e4568..97350b5acf1dfde847f628bfaca6ae1ee139fa9a 100644
--- a/tutorials/source_zh_cn/quick_start.ipynb
+++ b/tutorials/source_zh_cn/quick_start.ipynb
@@ -12,7 +12,7 @@
     "\n",
     "## 配置运行信息\n",
     "\n",
-    "MindSpore通过`context.set_context`来配置运行需要的信息，譬如运行模式、后端信息、硬件等信息。\n",
+    "MindSpore通过`context.set_context`来配置运行需要的信息，如运行模式、后端信息、硬件等信息。\n",
     "\n",
     "导入`context`模块，配置运行需要的信息。"
    ]
@@ -21,8 +21,7 @@
    "cell_type": "code",
    "execution_count": 1,
    "metadata": {},
-   "outputs": [
-   ],
+   "outputs": [],
    "source": [
     "import os\n",
     "import argparse\n",
@@ -50,7 +49,7 @@
     "\n",
     "我们示例中用到的MNIST数据集是由10类28∗28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。\n",
     "\n",
-    "你可以从[MNIST数据集下载页面](http://yann.lecun.com/exdb/mnist/)下载，并按下方目录结构放置，或直接运行如下命令完成下载和放置："
+    "你可以从[MNIST数据集下载页面](http://yann.lecun.com/exdb/mnist/)下载，并按下方目录结构放置，如运行环境为Linux，还可以直接运行如下命令完成下载和放置："
    ]
   },
   {
@@ -360,8 +359,7 @@
    "cell_type": "code",
    "execution_count": 12,
    "metadata": {},
-   "outputs": [
-   ],
+   "outputs": [],
    "source": [
     "train_epoch = 1\n",
     "mnist_path = \"./datasets/MNIST_Data\"\n",
@@ -384,7 +382,7 @@
     "\n",
     "其中，\n",
     "\n",
-    "`lenet.py`：为你根据教程编写的脚本文件。\n",
+    "`lenet.py`：可以把前面的代码都粘贴到lenet.py中（不包含“下载数据集”的代码）。一般情况下，可将import部分移到代码头部，类、函数和方法的定义放在之后，最后在main方法中将前面的操作串起来即可。\n",
     "\n",
     "`--device_target=CPU`：指定运行硬件平台，参数为`CPU`、`GPU`或者`Ascend`，根据你的实际运行硬件平台来指定。\n",
     "\n",
@@ -411,8 +409,7 @@
    "cell_type": "code",
    "execution_count": 13,
    "metadata": {},
-   "outputs": [
-   ],
+   "outputs": [],
    "source": [
     "from mindspore.train.serialization import load_checkpoint, load_param_into_net\n",
     "# 加载已经保存的用于测试的模型\n",
@@ -488,4 +485,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 4
-}
+}
\ No newline at end of file