diff --git a/logistic_regression/README.md b/logistic_regression/README.md
index d780e42d20cf9fee782a25d9da2eb8bc3f2262bd..96bb24c29b2e63ccf027b083ae736e9ab50c7bc8 100644
--- a/logistic_regression/README.md
+++ b/logistic_regression/README.md
@@ -62,7 +62,7 @@ Iris数据集是模式识别最著名的数据集之一。数据集包含3类，
 概括统计:
 
 ```
-	         Min  Max   Mean    SD   Class Correlation
+                 Min  Max   Mean    SD   Class Correlation
    sepal length: 4.3  7.9   5.84  0.83    0.7826   
     sepal width: 2.0  4.4   3.05  0.43   -0.4194
    petal length: 1.0  6.9   3.76  1.76    0.9490  (high!)
@@ -185,12 +185,12 @@ plt.ylabel('p')
 对于每个样本$N_i$，模型的计算方式如下：
 
 $$
-Z_i = W * X_i + b \\
+Z_i = W \cdot X_i + b \\
 P_{i} = sigmoid(Z_{i}) = \frac{1}{1 + e^{-Z_{i}}} \\
 loss = -\frac{1}n\sum_i[Y_{i} * ln(P_{i}) + (1 - Y_{i})ln(1 - P_{i})]
 $$
 
-其中，$X_i$是1D Tensor（含4个元素），$Z_i$是1D Tensor（含1个元素），$Y_i$是真实类别（2个类别{0, 1}中的一个），$P_i$是1D Tensor（含1个元素，表示属于类别1的概率，值域为[0, 1]）。
+其中，$X_i$是1D Tensor（含4个元素），$Z_i$是1D Tensor（含1个元素），$Y_i$是真实类别（2个类别{0, 1}中的一个），$P_i$是1D Tensor（含1个元素，表示属于类别1的概率，值域为[0, 1]），$loss$是标量。
 
 
 ```python
@@ -225,7 +225,7 @@ model.train(5, ds_train, callbacks=[LossMonitor(per_print_times=ds_train.get_dat
 然后计算模型在测试集上精度，测试集上的精度达到了1.0左右，即逻辑回归模型学会了区分2类鸢尾花。
 
 ```python
-x = model.predict(ms.Tensor(X_test))
+x = model.predict(ms.Tensor(X_test)).asnumpy()
 pred = np.round(1 / (1 + np.exp(-x)))
 correct = np.equal(pred, Y_test)
 acc = np.mean(correct)