diff --git a/2023.11.22_pytorch_module_class_method/pytorch_module_class_method.py b/2023.11.22_pytorch_module_class_method/pytorch_module_class_method.py
index 138546c..dc5ac72 100644
--- a/2023.11.22_pytorch_module_class_method/pytorch_module_class_method.py
+++ b/2023.11.22_pytorch_module_class_method/pytorch_module_class_method.py
@@ -47,7 +47,7 @@ print()
 import torch
 import matplotlib.pyplot as plt
 
-class LinearRegressionModel(torch.nn.Module):  # 定义模型，继承torch.nn.Module类
+class One_Model(torch.nn.Module):  # 定义模型，继承torch.nn.Module类
     def __init__(self, input_size, hidden_size, output_size):
         super().__init__()  # 调用父类的的初始化内容
         self.hidden_layer = torch.nn.Linear(input_size, hidden_size) # 定义一个隐藏层
@@ -85,7 +85,7 @@ plt.show()  # 显示图像
 input_size = 1
 hidden_size = 50
 output_size = 1
-model = LinearRegressionModel(input_size, hidden_size, output_size)  # 创建模型
+model = One_Model(input_size, hidden_size, output_size)  # 创建模型
 criterion = torch.nn.MSELoss()  # 定义损失函数
 learning_rate = 0.01  # 梯度下降的学习速率
 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)  # 定义优化器。其中.parameters()是torch.nn.Module类中的方法
@@ -121,10 +121,18 @@ plt.ylabel('Loss')
 plt.legend()
 plt.show()
 
+print("\n\n\nModel Parameters:\n")  # 查看参数
+for param in model.parameters():
+    print(param) 
+
+print("\n\n\nGradients:\n")  # 查看梯度
+for param in model.parameters():
+    print(param.grad)
+
 torch.save(model.state_dict(), 'model.pth')  # 使用 torch.save 函数来保存模型。其中，model.state_dict()返回模型的权重字典
 torch.save(model, 'full_model.pth') # 保存整个模型，包括模型的结构和权重
 
-model_2 = LinearRegressionModel(input_size, hidden_size, output_size)  # 创建模型
+model_2 = One_Model(input_size, hidden_size, output_size)  # 创建模型
 model_2.load_state_dict(torch.load('model.pth')) # 加载模型参数
 with torch.no_grad(): 
     predictions_2 = model_2(x_data)