diff --git a/tutorials/source_zh_cn/advanced/train/metric.ipynb b/tutorials/source_zh_cn/advanced/train/metric.ipynb
index bbc5b3b8fb01e3145115eac596bc09f39f89c068..d1ff2f167347040188ade7a505d91308c44a762e 100644
--- a/tutorials/source_zh_cn/advanced/train/metric.ipynb
+++ b/tutorials/source_zh_cn/advanced/train/metric.ipynb
@@ -10,7 +10,7 @@
     "\n",
     "当训练任务结束，常常需要评价函数（Metrics）来评估模型的好坏。不同的训练任务往往需要不同的Metrics函数。例如，对于二分类问题，常用的评价指标有precision（准确率）、recall（召回率）等，而对于多分类任务，可使用宏平均（Macro）和微平均（Micro）来评估。\n",
     "\n",
-    "MindSpore提供了大部分常见任务的评价函数，如`nn.Accuracy`、`nn.Pecision`、`nn.MAE`和`nn.MSE`等，由于MindSpore提供的评价函数无法满足所有任务的需求，很多情况下用户需要针对具体的任务自定义Metrics来评估训练的模型。\n",
+    "MindSpore提供了大部分常见任务的评价函数，如`nn.Accuracy`、`nn.Precision`、`nn.MAE`和`nn.MSE`等，由于MindSpore提供的评价函数无法满足所有任务的需求，很多情况下用户需要针对具体的任务自定义Metrics来评估训练的模型。\n",
     "\n",
     "本章主要介绍如何自定义Metrics以及如何在`nn.Model`中使用Metrics。\n",
     "\n",
diff --git a/tutorials/source_zh_cn/advanced/train/model.ipynb b/tutorials/source_zh_cn/advanced/train/model.ipynb
index ba3b25ba85bc8c66b76dc324badeb4ff0e68016c..be14a9fddffe796eb57f31f086e846e8e81bf458 100644
--- a/tutorials/source_zh_cn/advanced/train/model.ipynb
+++ b/tutorials/source_zh_cn/advanced/train/model.ipynb
@@ -26,7 +26,7 @@
     "- `loss_fn`：所使用的损失函数。\n",
     "- `optimizer`：所使用的优化器。\n",
     "- `metrics`：用于模型评估的评价函数。\n",
-    "- `eval_network`：模型评估所使用的网络，未定义情况下，`Model`会使用`networ`和`loss_fn`进行封装。\n",
+    "- `eval_network`：模型评估所使用的网络，未定义情况下，`Model`会使用`network`和`loss_fn`进行封装。\n",
     "\n",
     "`Model`提供了以下接口用于模型训练、评估和推理：\n",
     "\n",