diff --git a/subtitles/zh-CN/58_what-is-domain-adaptation.srt b/subtitles/zh-CN/58_what-is-domain-adaptation.srt
index 7f3757b1e..b623e5bde 100644
--- a/subtitles/zh-CN/58_what-is-domain-adaptation.srt
+++ b/subtitles/zh-CN/58_what-is-domain-adaptation.srt
@@ -15,7 +15,7 @@
 
 4
 00:00:05,910 --> 00:00:07,923
-- 什么是领域适应？
+- 什么是域适配？
 - What is domain adaptation?
 
 5
@@ -25,12 +25,12 @@ When fine-tuning a pre-trained model on a new dataset,
 
 6
 00:00:12,540 --> 00:00:15,480
-我们获得的微调模型将做出预测
+我们适配新的数据集所获得的微调模型
 the fine-tuned model we obtain will make predictions
 
 7
 00:00:15,480 --> 00:00:17,433
-适应这个新数据集。
+将做出预测。
 that are attuned to this new dataset.
 
 8
@@ -40,47 +40,47 @@ When the two models are trained with the same task,
 
 9
 00:00:21,840 --> 00:00:25,320
-然后我们可以比较他们对相同输入的预测。
+我们可以使用相同的输入比较他们的预测结果。
 we can then compare their predictions on the same input.
 
 10
 00:00:25,320 --> 00:00:27,870
-两个模型的预测会有所不同
+两个模型的预测结果
 The predictions of the two models will be different
 
 11
 00:00:27,870 --> 00:00:29,790
-以反映差异的方式
+会以一种方式反映
 in a way that reflects the differences
 
 12
 00:00:29,790 --> 00:00:31,680
-在两个数据集之间，
+两个数据集之间的差别
 between the two datasets,
 
 13
 00:00:31,680 --> 00:00:34,053
-我们称之为领域适应的现象。
+就是我们称之为域适配的现象。
 a phenomenon we call domain adaptation.
 
 14
 00:00:35,310 --> 00:00:38,640
-让我们看一个带有掩码语言建模的例子
+让我们通过带有版本微调
 Let's look at an example with masked language modeling
 
 15
 00:00:38,640 --> 00:00:41,910
-通过比较预训练的 DistilBERT 模型的输出
+比较预训练的 DistilBERT 模型的输出
 by comparing the outputs of the pre-trained DistilBERT model
 
 16
 00:00:41,910 --> 00:00:43,080
-版本微调
+看一个和掩码语言建模相关的例子
 with the version fine-tuned
 
 17
 00:00:43,080 --> 00:00:45,273
-在课程的第 7 章中，链接如下。
+该内容在课程的第 7 章中，链接如下。
 in chapter 7 of the course, linked below.
 
 18
@@ -100,27 +100,27 @@ has its first two predictions linked to cinema.
 
 21
 00:00:54,390 --> 00:00:57,210
-由于它在电影评论数据集上进行了微调，
+由于它是基于电影评论数据集上进行了微调，
 Since it was fine-tuned on a movie reviews dataset,
 
 22
 00:00:57,210 --> 00:00:58,680
-看到是完全正常的
+因此它像这样调整它的推荐结果
 it's perfectly normal to see
 
 23
 00:00:58,680 --> 00:01:01,440
-它像这样调整了它的建议。
+是完全正常的。
 it adapted its suggestions like this.
 
 24
 00:01:01,440 --> 00:01:03,090
-注意它如何保持相同的预测
+注意它作为之后的预训练模型
 Notice how it keeps the same prediction
 
 25
 00:01:03,090 --> 00:01:05,220
-作为之后的预训练模型。
+如何保持相同的预测。
 as the pre-trained model afterward.
 
 26
@@ -130,7 +130,7 @@ Even if the fine-tuned model adapts to the new dataset,
 
 27
 00:01:08,100 --> 00:01:10,450
-它不会忘记预先训练的内容。
+它不会遗失预先训练的内容。
 it's not forgetting what it was pre-trained on.
 
 28
@@ -140,57 +140,57 @@ This is another example on a translation task.
 
 29
 00:01:14,220 --> 00:01:17,310
-最重要的是，我们使用预训练的法语 / 英语模型，
+在上面的代码里，我们使用预训练的法语 / 英语模型，
 On top, we use a pre-trained French/English model,
 
 30
 00:01:17,310 --> 00:01:21,330
-在底部，我们在第 7 章中微调的版本。
+在下面的代码里，是我们在第 7 章中微调的版本。
 and at the bottom, the version we fine-tuned in chapter 7.
 
 31
 00:01:21,330 --> 00:01:23,610
-顶级模型在大量文本上进行了预训练，
+上面的模型在大量文本上进行了预训练，
 The top model is pre-trained on lots of texts,
 
 32
 00:01:23,610 --> 00:01:25,170
-并留下技术英语术语，
+并保留了英文中的技术术语，
 and leaves technical English terms,
 
 33
 00:01:25,170 --> 00:01:28,350
-像插件和电子邮件，翻译不变。
+像 plugin 和 email 这样的单词，是不会被翻译的。
 like plugin and email, unchanged in the translation.
 
 34
 00:01:28,350 --> 00:01:31,350
-两者都被法国人完全理解。
+法国用户都可以很好地理解两者。
 Both are perfectly understood by French people.
 
 35
 00:01:31,350 --> 00:01:33,780
-为微调选择的数据集是一个数据集
+为微调模型选择的数据集是
 The dataset picked for the fine-tuning is a dataset
 
 36
 00:01:33,780 --> 00:01:36,660
-特别注意的技术文本
+一个包含技术文本的数据集  
 of technical texts where special attention was picked
 
 37
 00:01:36,660 --> 00:01:39,150
-用法语翻译一切。
+其中特别将所有内容都翻译为法语。
 on translating everything in French.
 
 38
 00:01:39,150 --> 00:01:42,090
-结果，经过微调的模型选择了那个习惯
+结果，经过微调的模型适应了该特征
 As a result, the fine-tuned model picked that habit
 
 39
 00:01:42,090 --> 00:01:44,193
-并翻译了插件和电子邮件。
+并翻译了 plugin 和 email 两个词。
 and translated both plugin and email.
 
 40