diff --git a/train_README-zh.md b/train_README-zh.md
index fbd5ef64..f0f062bb 100644
--- a/train_README-zh.md
+++ b/train_README-zh.md
@@ -19,7 +19,7 @@ __由于文档正在更新中，描述可能有错误。__
 1. 准备 fine tuning 方法的元数据：如说明文字(打标签)等
 
 
-1. 如果只执行一次，学习就可以进行（关于学习，请参阅各个脚本的文档）。如果需要，以后可以随时参考。
+1. 如果只执行一次，学习就可以进行（相关内容，请参阅各个脚本的文档）。如果需要，以后可以随时参考。
 
 
 
@@ -67,18 +67,23 @@ __由于文档正在更新中，描述可能有错误。__
 
 这样一来，每张图片都相当于使用标题“分类标识”（例如“shs dog”）进行训练。
 
-## step 1. identifier和class（分类标识)
- 要确定学习对象的单词标识符(identifier)和所属类(class)。
+## step 1.确定identifier和class
 
-类(class)是指学习对象的一般类型。例如，如果要学习特定犬种，则类别为狗(dog)。对于动漫角色，根据模型的不同，类别可能是男孩(boy)或女孩(girl)，或1男孩(1boy)或1女孩(1girl)。
+要将学习的目标与identifier和属于该目标的class相关联。
 
-标识符(identifier)用于识别和学习目标对象。它可以是任意单词，但根据原论文，好的选择是“在tokenizer处理下成为一个标记的3个字符以下的罕见单词”。
+（虽然有很多称呼，但暂时按照原始论文的说法。）
 
-使用标识符和类别，例如“shs dog”，可以通过模型识别和学习想要学习的目标对象。
+以下是简要说明（请查阅详细信息）。
 
-在图像生成时，如果指定“shs dog”，则可以生成已学习犬种的图像。
+class是学习目标的一般类别。例如，如果要学习特定品种的狗，则class将是“dog”。对于动漫角色，根据模型不同，可能是“boy”或“girl”，也可能是“1boy”或“1girl”。
 
-（以下是我最近使用的标识符的示例：``shs sts scs cpc coc cic msm usu ici lvl cic dii muk ori hru rik koo yos wny``。事实上，最好选择不包含在Danbooru标签中的标识符。）
+identifier是用于识别学习目标并进行学习的单词。可以使用任何单词，但是根据原始论文，“Tokenizer生成的3个或更少字符的罕见单词”是最好的选择。
+
+使用identifier和class，例如，“shs dog”可以将模型训练为从class中识别并学习所需的目标。
+
+在图像生成时，使用“shs dog”将生成所学习狗种的图像。
+
+（作为identifier，我最近使用的一些参考是“shs sts scs cpc coc cic msm usu ici lvl cic dii muk ori hru rik koo yos wny”等。最好是不包含在Danbooru标签中的单词。）
 
 ## step 2. 决定是否使用正则化图像，并生成正则化图像
 
@@ -815,14 +820,16 @@ python merge_dd_tags_to_metadata.py --full_path --in_json meta_cap_dd1.json
 
 如果省略in_json，如果有写入目标元数据文件，将从那里读取并覆盖。
 __※ 通过每次重写 in_json 选项和写入目标，写入单独的元数据文件是安全的。 __
-### 清洁标题和标签
+### 标题和标签清理
 
-至此，字幕和 DeepDanbooru 标签已放在元数据文件中。但是，由于拼写变化（*），带有自动字幕的字幕很微妙，并且标签包括下划线和评级（在 DeepDanbooru 的情况下），因此编辑器的替换功能等。您应该使用它来清理您的字幕和标签。
-※ 例如，如果您正在学习动漫女孩，那么字幕会有女孩/女孩/女人/女人等变体。另外，对于“动漫女孩”之类的东西，简单地使用“女孩”可能更合适。
+到目前为止，标题和DeepDanbooru标签已经被整理到元数据文件中。然而，自动标题生成的标题存在表达差异等微妙问题（※），而标签中可能包含下划线和评级（DeepDanbooru的情况下）。因此，最好使用编辑器的替换功能清理标题和标签。
 
-提供了清理脚本，请根据情况编辑脚本内容使用。
+※例如，如果要学习动漫中的女孩，标题可能会包含girl/girls/woman/women等不同的表达方式。另外，将"anime girl"简单地替换为"girl"可能更合适。
+
+我们提供了用于清理的脚本，请根据情况编辑脚本并使用它。
+
+（不需要指定教师数据文件夹。将清理元数据中的所有数据。）
 
-（不再需要指定教师数据文件夹。元数据中的所有数据将被清除。）
 ```
 python clean_captions_and_tags.py <要读取的元数据文件名> <要写入的元数据文件名>
 ```
@@ -835,14 +842,13 @@ python clean_captions_and_tags.py meta_cap_dd.json meta_clean.json
 
 标题和标签的预处理现已完成。
 
-## latents 提前获取潜能
+## 预先获取 latents
 
-※ 此步骤不是必需的。即使你省略它，你也可以在学习过程中获得潜能的同时学习。
-此外，在学习过程中执行 `random_crop` 或 `color_aug` 时，无法提前获取 latents（因为每次学习时图像都会改变）。如果你不预取，你可以从到目前为止的元数据中学习。
+※ 这一步骤并非必须。即使省略此步骤，也可以在训练过程中获取 latents。但是，如果在训练时执行 `random_crop` 或 `color_aug` 等操作，则无法预先获取 latents（因为每次图像都会改变）。如果不进行预先获取，则可以使用到目前为止的元数据进行训练。
 
-事先获取图像的潜在表示并将其保存到磁盘。这允许快速学习。同时进行bucketing（根据纵横比对训练数据进行分类）。
+提前获取图像的潜在表达并保存到磁盘上。这样可以加速训练过程。同时进行 bucketing（根据宽高比对训练数据进行分类）。
 
-在您的工作文件夹中，键入：
+请在工作文件夹中输入以下内容。
 
 ```
 python prepare_buckets_latents.py --full_path <教师资料夹>