diff --git a/260421-2509165039.py b/260421-2509165039.py
index 880080d..ba50795 100644
--- a/260421-2509165039.py
+++ b/260421-2509165039.py
@@ -1,4 +1,4 @@
-# 题目1 在Python中，用两种方式表示"Hello"：
+# 题目1 在Python中，用两种方式表示"Hello":
 # 1.用 ord() 函数打印每个字符的ASCII码
 text = "Hello"
 for char in text:
@@ -12,14 +12,14 @@ print(f"验证结果:{char_65 == 'A'}")
 
 
 # 题目2
-# 图像矩阵：图像的语义（如“猫”“车”）可通过像素的空间关系
-# （如边缘、纹理）用数学模型（如卷积神经网络）提取，计算
+# 图像矩阵：图像的语义(如“猫”“车”)可通过像素的空间关系
+# (如边缘、纹理)用数学模型(如卷积神经网络)提取，计算
 # 机能通过模式识别自动学习这些特征。
-# 文本数据：文本的语义是上下文依赖的（如“苹果”可指水果或
-# 公司），且存在歧义（如“bank”可指银行或河岸）、隐喻（如
-# “时间就是金钱”）等复杂现象。计算机难以像人类一样理解这
-# 些抽象语义，需借助复杂的自然语言处理（NLP）技术（如词向
-# 量、Transformer）模拟，但仍存在局限。
+# 文本数据：文本的语义是上下文依赖的(如“苹果”可指水果或
+# 公司)，且存在歧义(如“bank”可指银行或河岸)、隐喻(如
+# “时间就是金钱”)等复杂现象。计算机难以像人类一样理解这
+# 些抽象语义，需借助复杂的自然语言处理(NLP)技术(如词向
+# 量、Transformer)模拟，但仍存在局限。
 
 
 
@@ -30,12 +30,12 @@ B = [1,2]
 A_plus_B = [a + b for a,b in zip(A,B)]
 print(f"A + B = {A_plus_B}")
 
-# 2.计算 2 × A 的结果:
+# 2.计算 2 * A 的结果:
 scalar = 2
 two_A = [scalar * a for a in A]
 print(f"2 * A = {two_A}")
 
-# 3.计算 A 的长度（模）:
+# 3.计算 A 的长度(模):
 import math
 A_magnitutude = math.sqrt(sum(a**2 for a in A))
 print(f"A的长度(模)是:{A_magnitutude}")
@@ -43,7 +43,7 @@ print(f"A的长度(模)是:{A_magnitutude}")
 
 
 # 题目4
-# 1.计算它们的点积 A · B:
+# 1.计算它们的点积 A * B:
 A = [1,2,3]
 B = [4,5,6]
 dot_product = sum(a * b for a,b in zip(A,B))
@@ -65,8 +65,8 @@ print(f"A和B的余弦相似度是:{cosine_similarity:.4f}")
 # \|B\| = \sqrt{0^2 + 1^2} = 1
 # \text{cosine similarity} = \frac{0}{1 \times 1} = 0
 
-# 原因：
-# 余弦相似度衡量的是两个向量方向的相似性（夹角余弦值）。
+# 原因:
+# 余弦相似度衡量的是两个向量方向的相似性(夹角余弦值)。
 # A = [1, 0]是x轴正方向的单位向量，B = [0, 1]是y轴正方向的单位向
-# 量，它们的夹角为90°（垂直），而\cos(90°) = 0。因此，余弦相似度
+# 量，它们的夹角为90°(垂直)，而\cos(90°)= 0。因此，余弦相似度
 # 为0，说明它们方向完全无关。
\ No newline at end of file