diff --git a/05Framework/01Foundation/02Fundamentals.md b/05Framework/01Foundation/02Fundamentals.md
index a34dc0db..6d584d3d 100644
--- a/05Framework/01Foundation/02Fundamentals.md
+++ b/05Framework/01Foundation/02Fundamentals.md
@@ -78,7 +78,7 @@ $$ loss(w)=f(w)-g $$
 
 按照高中数学的基本概念，假设神经网络是一个复合函数（高维函数），那么对这个复合函数求导，用的是链式法则。举个简单的例子，考虑函数 $z=f(x,y)$，其中 $x=g(t),t=h(t)$ ，其中 $g(t), h(t)$ 是可微函数，那么对函数 $z$ 关于 $t$ 求导，函数会顺着链式向外逐层进行求导。
 
-$$ \frac{\mathrm{d} x}{\mathrm{d} t} = \frac{\partial z}{\partial x}  \frac{\mathrm{d} x}{\mathrm{d} t} + \frac{\partial z}{\partial y}  \frac{\mathrm{d} y}{\mathrm{d} t} $$
+$$ \frac{\mathrm{d} z}{\mathrm{d} t} = \frac{\partial z}{\partial x}  \frac{\mathrm{d} x}{\mathrm{d} t} + \frac{\partial z}{\partial y}  \frac{\mathrm{d} y}{\mathrm{d} t} $$
 
 既然有了链式求导法则，而神经网络其实就是个庞大的复合函数，直接求导不就解决问题了吗？反向到底起了什么作用？下面来看几组公式。
 
diff --git a/05Framework/02AutoDiff/03GradMode.md b/05Framework/02AutoDiff/03GradMode.md
index bd80e9bb..a19b8226 100644
--- a/05Framework/02AutoDiff/03GradMode.md
+++ b/05Framework/02AutoDiff/03GradMode.md
@@ -85,7 +85,7 @@ $$
 转化成如上 DAG（有向无环图）结构之后，我们可以很容易分步计算函数的值，并求取它每一步的导数值，然后，我们把 $df/dx_1$ 求导过程利用链式法则表示成如下的形式：
 
 $$
-\dfrac{df}{dx_1}= \dfrac{dv_{-1}}{dx_1} \cdot (\dfrac{dv_{1}}{dv_{-1}} \cdot \dfrac{dv_{4}}{dv_{1}} + \dfrac{dv_{2}}{dv_{-1}} \cdot \dfrac{dv_{4}}{dx_{2}}) \cdot \dfrac{dv_{5}}{dv_{4}} \cdot \dfrac{df}{dv_{5}}
+\dfrac{df}{dx_1}= \dfrac{dv_{-1}}{dx_1} \cdot (\dfrac{dv_{1}}{dv_{-1}} \cdot \dfrac{dv_{4}}{dv_{1}} + \dfrac{dv_{2}}{dv_{-1}} \cdot \dfrac{dv_{4}}{dv_{2}}) \cdot \dfrac{dv_{5}}{dv_{4}} \cdot \dfrac{df}{dv_{5}}
 $$
 
 > 整个求导可以被拆成一系列微分算子的组合。