diff --git a/subtitles/zh-CN/10_instantiate-a-transformers-model-(pytorch).srt b/subtitles/zh-CN/10_instantiate-a-transformers-model-(pytorch).srt
index f058fdebf..94f1fcf6b 100644
--- a/subtitles/zh-CN/10_instantiate-a-transformers-model-(pytorch).srt
+++ b/subtitles/zh-CN/10_instantiate-a-transformers-model-(pytorch).srt
@@ -10,107 +10,109 @@
 
 3
 00:00:08,483 --> 00:00:11,790
-在本视频中，我们将了解如何创建用户模型
+在本视频中，我们会带您了解如何
 In this video, we'll look at how we can create a user model
 
 4
 00:00:11,790 --> 00:00:13,290
-来自变形金刚图书馆。
+用 Transformers 库创建用户模型。
 from the Transformers library.
 
 5
 00:00:14,310 --> 00:00:17,100
-正如我们之前看到的 AutoModel 类允许
+正如我们之前看到的，AutoModel 类允许
 As we have seen before the AutoModel class allows
 
 6
 00:00:17,100 --> 00:00:19,140
-你实例化一个预训练模型
+您从 Hugging Face Hub 的任何检查点
 you to instantiate a pretrained model
 
 7
 00:00:19,140 --> 00:00:21,513
-从 Hugging Face Hub 上的任何检查站。
+去实例化一个预训练的模型。
 from any checkpoint on the Hugging Face Hub.
 
 8
 00:00:22,350 --> 00:00:23,910
-它会选择正确的模型类
+AutoModel 类会从开源库中挑选合适的模型类
 It'll pick the right model class
 
 9
 00:00:23,910 --> 00:00:26,654
-从库中实例化适当的体系结构
+去实例化对应的架构
 from the library to instantiate the proper architecture
 
 10
 00:00:26,654 --> 00:00:29,793
-和大量的权重作为内部的预训练模型。
+和权重负载来作为预训练模型。
 and loads of weights as the pretrained model inside.
 
 11
 00:00:30,690 --> 00:00:33,810
-正如我们所见，当给定一个 BERT 检查点时
+正如我们所见，当给定一个 BERT 检查点时，
 As we can see, when given a BERT checkpoint
 
 12
 00:00:33,810 --> 00:00:38,043
-我们最终得到一个 BertModel，类似地，对于 GPT-2 或 BART。
-we end up with a BertModel and similarly, for GPT-2 or BART.
+我们最终会得到一个 BertModel ，类似地，模型 GPT-2 或 BERT 也可以这么做。
+
+we end up with a BertModel and similarly, for GPT-2 or BERT.
+
 
 13
 00:00:40,020 --> 00:00:42,360
-在幕后，这个 API 可以取名字
+背后的信息是，这个 API 可以接受 
 Behind the scenes,this API can take the name
 
 14
 00:00:42,360 --> 00:00:44,250
-集线器上的检查点
+Hub 上一个检查点的名字
 of a checkpoint on the Hub
 
 15
 00:00:44,250 --> 00:00:46,980
-在这种情况下，它将下载并缓存配置
+在这种情况下，它将下载和缓存配置文件
 in which case it will download and cache the configuration
 
 16
 00:00:46,980 --> 00:00:48,843
-文件以及模型权重文件。
+以及模型权重文件。
 file as well as a model weights file.
 
 17
 00:00:49,698 --> 00:00:52,710
-你还可以指定本地文件夹的路径
+您也可以指定一个本地文件夹的路径，
 You can also specify the path to a local folder
 
 18
 00:00:52,710 --> 00:00:55,290
-包含一个有效的配置文件和一个
+这个文件夹包含一个有效的配置文件和
 that contains a valid configuration file and a
 
 19
 00:00:55,290 --> 00:00:56,390
-权重文件的模型。
+一个权重模型文件。
 model of weights file.
 
 20
 00:00:57,600 --> 00:00:59,479
-要实例化预训练模型，
+为了实例化预训练的模型，
 To instantiate the pretrained model,
 
 21
 00:00:59,479 --> 00:01:01,950
-AutoModel API 将首先打开配置
+AutoModel API 会先打开配置文件
 the AutoModel API will first open the configuration
 
 22
 00:01:01,950 --> 00:01:05,403
-文件来查看应该使用的配置类。
+查看应该使用的配置类。
 file to look at a configuration class that should be used.
 
 23
 00:01:06,420 --> 00:01:08,580
-配置类取决于类型
+配置类取决于模型的类型，
 The configuration class depends on the type
 
 24
@@ -120,67 +122,67 @@ of the model BERT, GPT-2 or BART for instance.
 
 25
 00:01:13,680 --> 00:01:15,930
-一旦它有一个合适的配置类，
+一旦有了一个合适的配置类，
 Once it has a proper configuration class,
 
 26
 00:01:15,930 --> 00:01:18,390
-它可以实例化该配置
+就可以将这个配置实例化，
 it can instantiate that configuration
 
 27
 00:01:18,390 --> 00:01:21,900
-这是了解如何创建模型的蓝图。
+实例化后的配置包含一张关于如何创建模型的蓝图。
 which is a blueprint to know how to create the model.
 
 28
 00:01:21,900 --> 00:01:24,240
-它还使用这个配置类来
+它还使用这个配置类
 It also uses this configuration class to
 
 29
 00:01:24,240 --> 00:01:27,150
-找到合适的模型类，然后合并
+去寻找合适的模型类，然后将找到的模型类
 find the proper model class, which is then combined
 
 30
 00:01:27,150 --> 00:01:29,823
-使用加载的配置加载模型。
+和加载后的配置结合在一起来加载模型。
 with the loaded configuration to load the model.
 
 31
 00:01:30,904 --> 00:01:33,210
-该模型还不是预训练模型
+这个模型还不是一个预训练模型，
 This model is not yet a pretrained model
 
 32
 00:01:33,210 --> 00:01:35,883
-因为它刚刚用随机权重初始化。
+因为它刚刚用随机权重完成了初始化。
 as it has just been initialized with random weights.
 
 33
 00:01:36,840 --> 00:01:39,810
-最后一步是从模型文件加载权重
+最后一步是在这个模型内加载
 The last step is to load the weight from the model file
 
 34
 00:01:39,810 --> 00:01:40,923
-在这个模型里面。
+模型文件中的权重。
 inside this model.
 
 35
 00:01:42,330 --> 00:01:44,250
-轻松加载模型的配置
+为了方便从任何检查点
 To easily load the configuration of a model
 
 36
 00:01:44,250 --> 00:01:46,410
-从任何检查点或文件夹包含
+或包含配置文件的文件夹中
 from any checkpoint or folder containing
 
 37
 00:01:46,410 --> 00:01:48,210
-配置文件。
+加载模型的配置。
 the configuration file.
 
 38
@@ -195,52 +197,52 @@ Like the AutoModel class,
 
 40
 00:01:52,693 --> 00:01:55,693
-它将从库中选择正确的配置类。
+它将从代码库中挑选合适的配置类。
 it will pick the right configuration class from the library.
 
 41
 00:01:57,060 --> 00:01:59,220
-我们也可以使用特定的类对应
+我们也可以使用一个特定的类来对应
 We can also use a specific class corresponding
 
 42
 00:01:59,220 --> 00:02:01,470
-到一个检查站，但我们需要改变
+一个检查点，但每次我们想
 to a checkpoint, but we will need to change
 
 43
 00:02:01,470 --> 00:02:03,000
-每次我们想尝试的代码
+尝试不同的模型架构时，
 the code each time we want to try
 
 44
 00:02:03,000 --> 00:02:04,550
-不同的模型架构。
+我们都需要改变代码。
 a different model architecture.
 
 45
 00:02:06,030 --> 00:02:07,860
-正如我们之前所说，配置
+正如我们刚才所说的，一个模型的配置就是
 As we said before, the configuration
 
 46
 00:02:07,860 --> 00:02:10,350
-模型的蓝图包含所有
+一张蓝图，这张蓝图包括了
 of a model is a blueprint that contains all the
 
 47
 00:02:10,350 --> 00:02:13,830
-创建模型架构所需的信息。
+创建模型架构所需的所有信息。
 information necessary to create the model architecture.
 
 48
 00:02:13,830 --> 00:02:15,990
-例如，关联的 BERT 模型
+例如，关联到 bert-base-cased 检查点的
 For instance, the BERT model associated
 
 49
 00:02:15,990 --> 00:02:19,980
-bert-base-cased 检查点有 12 层，
+BERT 模型有 12 层,
 with the bert-base-cased checkpoint has 12 layers,
 
 50
@@ -255,52 +257,52 @@ Once we have the configuration,
 
 52
 00:02:29,910 --> 00:02:31,950
-我们可以创建一个具有相同架构的模型
+我们就可以创建一个和检查点有着同样架构的模型，
 we can create a model that does the same architecture
 
 53
 00:02:31,950 --> 00:02:35,280
-作为我们的检查点，但是是随机初始化的。
+但是模型是随机初始化的。
 as our checkpoint, but is randomly initialized.
 
 54
 00:02:35,280 --> 00:02:36,660
-然后我们可以从头开始训练它。
+然后我们可以从头开始训练它，
 We can then train it from scratch.
 
 55
 00:02:36,660 --> 00:02:38,010
-像任何生物 PyTorch 模块一样
+就像任何 bio PyTorch 模块一样
 Like any bio PyTorch module
 
 56
 00:02:39,497 --> 00:02:40,380
-我们也可以改变任何部分
+我们也可以通过使用关键字参数
 We can also change any part
 
 57
 00:02:40,380 --> 00:02:43,200
-通过使用关键字参数的配置。
+来改变配置的任何部分。
 of the configuration by using keyword arguments.
 
 58
 00:02:43,200 --> 00:02:46,138
-第二段代码实例化
+第二段代码实例化了
 The second snippet of code instantiates
 
 59
 00:02:46,138 --> 00:02:48,360
-随机初始化的 BERT 模型
+一个随机初始化的 BERT 模型，
 a randomly initialized BERT model
 
 60
 00:02:48,360 --> 00:02:50,403
-有 10 层而不是 12 层。
+这个模型有 10 层而非 12 层。
 with 10 layers instead of 12.
 
 61
 00:02:51,409 --> 00:02:55,051
-训练或微调后保存模型非常容易。
+一个模型被训练或微调后，想要保存这个模型是很容易的。
 Saving a model once it's trained or fine-tuned is very easy.
 
 62
@@ -310,31 +312,31 @@ We just have to use a safe pretrained method.
 
 63
 00:02:58,500 --> 00:03:01,417
-此处模型将保存在名为
+这里模型将保存在当前工作目录下
 Here the model will be saved in a folder named
 
 64
 00:03:01,417 --> 00:03:04,473
-当前工作目录中的 “my-bert-model”。
+一个名为 "my-bert-model" 的文件夹中。
 "my-bert-model" inside the current working directory.
 
 65
 00:03:05,400 --> 00:03:08,255
-然后可以使用表单重新加载这样的模型
+然后，已保存的模型可以使用
 Such a model can then be reloaded using the form
 
 66
 00:03:08,255 --> 00:03:09,596
-预训练方法。
+from_pretrained 函数重新加载进来。
 pretrained method.
 
 67
 00:03:09,596 --> 00:03:11,250
-了解如何轻松处理此模型
+如果您要学习如何轻松地应用这个模型，
 To learn how to easily approach this model
 
 68
 00:03:11,250 --> 00:03:13,473
-为此，请查看对视频的推送。
+请查看课程中的相关视频。
 to that, check out the push to a video.