diff --git a/README.md b/README.md
index 1124c9b..731c087 100644
--- a/README.md
+++ b/README.md
@@ -10,10 +10,13 @@
 
 ## 1. `./cs231n` （Stanford深度学习与计算机视觉基础课程）
 
-- 主要包含自己本地环境下做的2020年作业（也就是没用上GPU...orz），PyTorch和Tensorflow可选作业中，我选了据说更复杂的Tensorflow（仅出于学习目的）；
-- 现阶段基本完成3个assignment（剩下assignment2的`TensorFlow.ipynb`的Part-V）。每个notebook中应该都附带了本地的运行结果，如果发现任何缺漏、疑问或错误希望能指出（可以发issue！），非常感谢！
+- 前言：
 
-- 第一次完成时，代码和注释贪图了**dirty and quick**（orz），以后在整理computation graph、求导式子及向量化过程时会考虑美化；
+  - 主要包含自己本地环境下做的2020年作业（也就是没用上GPU...orz），PyTorch和Tensorflow可选作业中，我选了据说更复杂的Tensorflow（仅出于学习目的）；
+
+  - 基本完成3个assignment（剩下assignment2的`TensorFlow.ipynb`的Part-V）。每个notebook中应该都附带了本地的运行结果，如果发现任何缺漏、疑问或错误希望能指出（可以发issue！），非常感谢！
+
+  - 第一次完成时，代码和注释贪图了**dirty and quick**（orz），后期考虑美化；
 
 - **关于`assignment1`：**
 
@@ -30,13 +33,23 @@
 
   - 之前让我闻之丧胆的RNN和LSTM，实现起来感觉居然是最简单的。
 
-    因为里面的计算主要是element-wise的乘积与简单的线性函数，所以BP过程比较简单（感觉相比Batch Normalization的BP友好不少）。但LSTM的computation graph有点意思（可以在其中瞥到ResNet的gradient high-way），待整理附上；
+    因为里面的计算主要是element-wise的乘积与简单的线性函数，所以BP过程比较简单（感觉相比Batch Normalization的BP友好不少）。但LSTM的Computation Graph有点意思（可以在其中瞥到ResNet的Gradient High-way），**详情参见`notes`**；
 
   - 授课人Justin Johnson（那位帅哥）还有一篇关于Real-time Style Transfer的论文，我感觉这想法挺有好玩：https://arxiv.org/pdf/1603.08155.pdf
 
   - `Generative_Adversarial_Networks_TF.ipynb`中计算目标损失有个**小技巧**：将生成器和判别器的输出视作得分的logits值，免去了耗时的softmax()计算。**我在相应的cell中也阐述了自己的看法，主要说明为什么这样做是等价的**，也在`gan_tf.py`的`generator_loss()`中给出**三种（等价的）由生成器输出计算损失的方法**；
 
-- （手头没有pad做电子笔记，拍照放大又会糊，目前想到扫描上传工序又比较麻烦，所以还不知怎么把手写的东西push上来orz...）
+- **关于`notes`**：
+
+  - 主要包含三个作业中设计的一些比较有意思的Back Propagation的推导。通过整理也让我进一步感受到了Computation Graph的及Local Gradient的强大；
+
+  - emmm，字确实是丑（憋喷了
+  - （身边没有七彩笔，而且每次都要拍照扫描整成pdf上传有点麻烦……突然很想攒个pad）
+
+- 最后：
+
+  - 作业算是基本完工了，大概耗时15天。最重要的是，也算瞥到了深度学习与计算机视觉的门（感觉不算入门，毕竟还没实战应用orz），它们对我不再像以前可以掉包的“黑箱”一样神秘，应该可以尝试逐步跟进前沿技术和算法了。
+  - 我也学到了不少向量化编程和模块化编程（比如model跟solver分开，甚至model中各个layer也分开，需要使用时就像做三明治一样好玩了！）的技巧，让我逐渐有了安排好代码结构及注释结构的意识（关于注释结构，之前一直不是很注意！要小心）。
 
 -