diff --git a/DeepLearning Tutorials/keras_usage/cnn.py b/DeepLearning Tutorials/keras_usage/cnn.py
index 67fecf6..169b500 100644
--- a/DeepLearning Tutorials/keras_usage/cnn.py	
+++ b/DeepLearning Tutorials/keras_usage/cnn.py	
@@ -5,6 +5,11 @@
         THEANO_FLAGS=mode=FAST_RUN,device=gpu,floatX=float32 python cnn.py
     CPU run command:
         python cnn.py
+
+2016.06.06更新：
+这份代码是keras开发初期写的，当时keras还没有现在这么流行，文档也还没那么丰富，所以我当时写了一些简单的教程。
+现在keras的API也发生了一些的变化，建议及推荐直接上keras.io看更加详细的教程。
+
 '''
 #导入各种用到的模块组件
 from __future__ import absolute_import
@@ -19,6 +24,9 @@
 from six.moves import range
 from data import load_data
 import random
+import numpy as np
+
+np.random.seed(1024)  # for reproducibility
 
 
 
@@ -46,7 +54,7 @@
 #border_mode可以是valid或者full，具体看这里说明：http://deeplearning.net/software/theano/library/tensor/nnet/conv.html#theano.tensor.nnet.conv.conv2d
 #激活函数用tanh
 #你还可以在model.add(Activation('tanh'))后加上dropout的技巧: model.add(Dropout(0.5))
-model.add(Convolution2D(4, 5, 5, border_mode='valid',input_shape=data.shape[-3:])) 
+model.add(Convolution2D(4, 5, 5, border_mode='valid',input_shape=(1,28,28))) 
 model.add(Activation('tanh'))
 
 
@@ -82,14 +90,14 @@
 ##############
 #使用SGD + momentum
 #model.compile里的参数loss就是损失函数(目标函数)
-sgd = SGD(l2=0.0,lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
-model.compile(loss='categorical_crossentropy', optimizer=sgd,class_mode="categorical")
+sgd = SGD(lr=0.05, decay=1e-6, momentum=0.9, nesterov=True)
+model.compile(loss='categorical_crossentropy', optimizer=sgd)
 
 
 #调用fit方法，就是一个训练过程. 训练的epoch数设为10，batch_size为100．
 #数据经过随机打乱shuffle=True。verbose=1，训练过程中输出的信息，0、1、2三种方式都可以，无关紧要。show_accuracy=True，训练时每一个epoch都输出accuracy。
 #validation_split=0.2，将20%的数据作为验证集。
-model.fit(data, label, batch_size=100, nb_epoch=10,shuffle=True,verbose=1,show_accuracy=True,validation_split=0.2)
+model.fit(data, label, batch_size=100, nb_epoch=10,shuffle=True,verbose=1,validation_split=0.2)
 
 
 """
@@ -123,4 +131,3 @@
         progbar.add(X_batch.shape[0], values=[("train loss", loss),("accuracy:", accuracy)] )
 
 """
-