diff --git a/README.zh.md b/README.zh.md
index f16a5bd6607e62a31b3b9850c465547a44269dbd..04af0c2cc31f3f1889145633cd6e3e752ba03a69 100644
--- a/README.zh.md
+++ b/README.zh.md
@@ -56,46 +56,90 @@ Apex及Apex-patch的卸载只需执行命令：
 
 ## 自动混合精度（AMP）
 
-使用apex.amp进行混合精度训练：
-```
-model = torch.nn.Linear(D_in, D_out).npu()
-optimzier = torch.optim.SGD(model.parameters(), lr=1e-3)
-
-model, optimizer = amp.initialize(model, optimizer, opt_level='O1')
-...
-with amp.scale_loss(loss, optimizer) as scaled_loss:
-  scaled_loss.backward()
-...
+导入apex包，使用apex.amp.initialize方法包装模型和优化器并指定opt_level为'O1'，并使用apex.amp.scale_loss方法包装损失值和优化器对损失进行动态缩放，实现混合精度训练：
+```diff
+    import torch
++   import apex  # 导入apex包
+    
+    
+    epoch = 10  # 训练轮次
+    loss_function = torch.nn.MSELoss()  # 损失函数
+    input_data = [torch.rand(16, device='npu') for i in range(10)]  # 构造简易模型输入
+    dataset = [(data, 0.5 * torch.sum(data).unsqueeze(0)) for data in input_data]  # 构造简易数据集
+    model = torch.nn.Linear(in_features=16, out_features=1, device='npu')  # 构造简易模型
+    optimizer = torch.optim.SGD(params=model.parameters(), lr=1e-3)  # 创建优化器
++   # 使用apex.amp.initialize方法包装模型和优化器进行混合精度训练，opt_level取'O0'时，表示使用FP32训练，opt_level取'O1'或'O2'时，表示使用混合精度训练
++   model, optimizer = apex.amp.initialize(models=model, optimizers=optimizer, opt_level='O1')
+    for i in range(epoch):
+        for x, target in dataset:
+            optimizer.zero_grad()
+            output = model(x)
+            loss = loss_function(output, target)
+-           loss.backward()
++           # 使用apex.amp.scale_loss方法包装损失值和优化器进行动态损失缩放
++           with apex.amp.scale_loss(loss, optimizer) as scaled_loss:
++               scaled_loss.backward()
+            optimizer.step()
 ```
 
 详细使用方式请请参考[Apex官方文档](https://nvidia.github.io/apex/amp.html)。
 
 ## 使用融合梯度进行scale/unscale优化加速
 
-在amp.initialize()中将参数combine_grad设置为True，如：
-```
-model = torch.nn.Linear(D_in, D_out).npu()
-optimzier = torch.optim.SGD(model.parameters(), lr=1e-3)
-
-model, optimizer = amp.initialize(model, optimizer, opt_level='O1', combine_grad=True)  # 增加combine_grad参数
-...
-with amp.scale_loss(loss, optimizer) as scaled_loss:
-  scaled_loss.backward()
-...
+导入apex包，使用apex.amp.initialize方法包装模型和优化器并将参数combine_grad设置为True，示例如下：
+```diff
+    import torch
++   import apex  # 导入apex包
+    
+    
+    epoch = 10  # 训练轮次
+    loss_function = torch.nn.MSELoss()  # 损失函数
+    input_data = [torch.rand(16, device='npu') for i in range(10)]  # 构造简易模型输入
+    dataset = [(data, 0.5 * torch.sum(data).unsqueeze(0)) for data in input_data]  # 构造简易数据集
+    model = torch.nn.Linear(in_features=16, out_features=1, device='npu')  # 构造简易模型
+    optimizer = torch.optim.SGD(params=model.parameters(), lr=1e-3)  # 创建优化器
++   # 使用apex.amp.initialize方法包装模型和优化器进行混合精度训练，opt_level='O1'表示使用混合精度训练，combine_grad=True表示开启融合梯度
++   model, optimizer = apex.amp.initialize(models=model, optimizers=optimizer, opt_level='O1', combine_grad=True)
+    for i in range(epoch):
+        for x, target in dataset:
+            optimizer.zero_grad()
+            output = model(x)
+            loss = loss_function(output, target)
+-           loss.backward()
++           # 使用apex.amp.scale_loss方法包装损失值和优化器进行动态损失缩放
++           with apex.amp.scale_loss(loss, optimizer) as scaled_loss:
++               scaled_loss.backward()
+            optimizer.step()
 ```
 
 ## 使用融合优化器优化加速
 
-将torch原生优化器torch.optim.xxx替换为apex.optimizers.xxx, 其中xxx为融合优化器名称，apex-patch支持的优化器见*特性介绍*。
-```
-model = torch.nn.Linear(D_in, D_out).npu()
-optimzier = apex.optimizers.NpuFusedSGD(model.parameters(), lr=1e-3) # 使用apex.optimizers.NpuFusedSGD
-
-model, optimizer = amp.initialize(model, optimizer, opt_level='O1', combine_grad=True)
-...
-with amp.scale_loss(loss, optimizer) as scaled_loss:
-  scaled_loss.backward()
-...
+导入apex包，使用apex.amp.initialize方法包装模型和优化器并将参数combine_grad设置为True，并将torch原生优化器torch.optim.xxx替换为apex.optimizers.xxx, 其中xxx为融合优化器名称，示例如下所示，apex-patch支持的优化器见*特性介绍*。
+```diff
+    import torch
++   import apex  # 导入apex包
+    
+    
+    epoch = 10  # 训练轮次
+    loss_function = torch.nn.MSELoss()  # 损失函数
+    input_data = [torch.rand(16, device='npu') for i in range(10)]  # 构造简易模型输入
+    dataset = [(data, 0.5 * torch.sum(data).unsqueeze(0)) for data in input_data]  # 构造简易数据集
+    model = torch.nn.Linear(in_features=16, out_features=1, device='npu')  # 构造简易模型
+-   optimizer = torch.optim.SGD(params=model.parameters(), lr=1e-3)  # 创建优化器
++   # 使用apex.optimizers.NpuFusedSGD替换torch.optim.SGD
++   optimizer = apex.optimizers.NpuFusedSGD(model.parameters(), lr=1e-3) 
++   # 使用apex.amp.initialize方法包装模型和优化器进行混合精度训练，opt_level='O1'表示使用混合精度训练，combine_grad=True表示开启融合梯度
++   model, optimizer = apex.amp.initialize(models=model, optimizers=optimizer, opt_level='O1', combine_grad=True)
+    for i in range(epoch):
+        for x, target in dataset:
+            optimizer.zero_grad()
+            output = model(x)
+            loss = loss_function(output, target)
+-           loss.backward()
++           # 使用apex.amp.scale_loss方法包装损失值和优化器进行动态损失缩放
++           with apex.amp.scale_loss(loss, optimizer) as scaled_loss:
++               scaled_loss.backward()
+            optimizer.step()
 ```
 
 # 特性介绍