diff --git a/02.03 回归分析(学生版).ipynb b/02.03 回归分析(学生版).ipynb
index 47edbca..639c0ea 100644
--- a/02.03 回归分析(学生版).ipynb
+++ b/02.03 回归分析(学生版).ipynb
@@ -267,7 +267,7 @@
     "\n",
     "梯度下降背后的思想是：开始时我们随机选择一个参数的组合$(\\theta_{0},\\theta_{1},......,\\theta_{n})$ ，计算代价函数，然后我们寻找下一个能让代价函数值下降最多的参数组合。我们持续这么做直到抵达一个局部最小值，因为我们并没有尝试完所有的参数组合，所以不能确定我们得到的局部最小值是否便是全局最小值，选择不同的初始参数组合，可能会找到不同的局部最小值。 \n",
     " \n",
-    " <img src='https://i.loli.net/2018/11/30/5c00c262c5885.png' width=500 >"
+    " <img src=\"http://imgbed.momodel.cn//20200115014102.png\" width=500>"
    ]
   },
   {
@@ -276,7 +276,7 @@
    "source": [
     "梯度下降算法的公式为：\n",
     "\n",
-    "<img src='https://i.loli.net/2018/11/30/5c00c5fe7ce53.png' width=350 >\n",
+    "<img src=\"http://imgbed.momodel.cn//20200115014016.png\" width=350>\n",
     " \n",
     "其中 J 是代价函数，$\\theta_{0},\\theta_{1}$ 是待求参数， α 是学习率，它决定了我们沿着能让代价函数下降程度最大的方向向下迈出的步子有多大。 "
    ]
diff --git a/02.03 回归分析.ipynb b/02.03 回归分析.ipynb
index 827e862..35630da 100644
--- a/02.03 回归分析.ipynb
+++ b/02.03 回归分析.ipynb
@@ -173,6 +173,7 @@
     "y_predict = a * x_predict + b\n",
     "\n",
     "# 绘图\n",
+    "plt.rcParams['figure.dpi'] = 150\n",
     "fig = plt.figure()\n",
     "plt.xlabel(\"Year\")\n",
     "plt.ylabel(\"Co2\")\n",
@@ -244,18 +245,9 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 1,
-   "metadata": {},
-   "outputs": [
-    {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "[[1.53438095]]\n",
-      "[-2698.87714286]\n"
-     ]
-    }
-   ],
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
    "source": [
     "# 导入工具包\n",
     "import numpy as np\n",
@@ -290,7 +282,7 @@
     "\n",
     "梯度下降背后的思想是：开始时我们随机选择一个参数的组合$(\\theta_{0},\\theta_{1},......,\\theta_{n})$ ，计算代价函数，然后我们寻找下一个能让代价函数值下降最多的参数组合。我们持续这么做直到抵达一个局部最小值，因为我们并没有尝试完所有的参数组合，所以不能确定我们得到的局部最小值是否便是全局最小值，选择不同的初始参数组合，可能会找到不同的局部最小值。 \n",
     " \n",
-    " <img src='https://i.loli.net/2018/11/30/5c00c262c5885.png' width=500 >"
+    " <img src=\"http://imgbed.momodel.cn//20200115014102.png\" width=500>"
    ]
   },
   {
@@ -299,7 +291,7 @@
    "source": [
     "梯度下降算法的公式为：\n",
     "\n",
-    "<img src='https://i.loli.net/2018/11/30/5c00c5fe7ce53.png' width=350 >\n",
+    "<img src=\"http://imgbed.momodel.cn//20200115014016.png\" width=350>\n",
     " \n",
     "其中 J 是代价函数，$\\theta_{0},\\theta_{1}$ 是待求参数， α 是学习率，它决定了我们沿着能让代价函数下降程度最大的方向向下迈出的步子有多大。 "
    ]
diff --git a/02.04 贝叶斯分析(学生版).ipynb b/02.04 贝叶斯分析(学生版).ipynb
index 8870184..5af8fc2 100644
--- a/02.04 贝叶斯分析(学生版).ipynb
+++ b/02.04 贝叶斯分析(学生版).ipynb
@@ -293,6 +293,9 @@
    "metadata": {},
    "outputs": [],
    "source": [
+    "!mkdir -p ~/.keras/datasets\n",
+    "!cp ./mnist.npz ~/.keras/datasets/mnist.npz\n",
+    "\n",
     "import warnings\n",
     "warnings.filterwarnings(\"ignore\")\n",
     "import numpy as np\n",
diff --git a/02.04 贝叶斯分析.ipynb b/02.04 贝叶斯分析.ipynb
index 17569c6..f75c292 100644
--- a/02.04 贝叶斯分析.ipynb
+++ b/02.04 贝叶斯分析.ipynb
@@ -293,6 +293,9 @@
    "metadata": {},
    "outputs": [],
    "source": [
+    "!mkdir -p ~/.keras/datasets\n",
+    "!cp ./mnist.npz ~/.keras/datasets/mnist.npz\n",
+    "\n",
     "import warnings\n",
     "warnings.filterwarnings(\"ignore\")\n",
     "import numpy as np\n",
diff --git a/model.h5 b/model.h5
new file mode 100644
index 0000000..dfd9a58
Binary files /dev/null and b/model.h5 differ