diff --git a/Task3 模型建立之CNN+LSTM.ipynb b/Task3 模型建立之CNN+LSTM.ipynb
index e091184..a1587db 100644
--- a/Task3 模型建立之CNN+LSTM.ipynb	
+++ b/Task3 模型建立之CNN+LSTM.ipynb	
@@ -373,11 +373,11 @@
    "source": [
     "在Task2中我们发现，赛题中给出的数据量非常少，如何增加数据量呢？对于时序数据，一种常用的做法就是滑窗。\n",
     "\n",
-    "由于每条数据在时间上有重叠，我们取数据的前12个月拼接起来，就得到了长度为（数据条数×12个月）的序列数据，如图1所示：\n",
+    "由于每条数据在时间上有重叠，我们取数据的前12个月拼接起来，就得到了长度为（数据条数×12个月）的序列数据，如Task3-图1所示：\n",
     "\n",
-    "<img style=\"float: center;\" src=\"Task3-图1.jpg\" width=\"70%\">\n",
+    "<img style=\"float: center;\" src=\"Task3-图1.png\" width=\"70%\">\n",
     "\n",
-    "然后我们以每个月为起始月，接下来的12个月作为模型输入X，后24个月的Nino3.4指数作为预测目标Y构建训练样本，如图2所示：\n",
+    "然后我们以每个月为起始月，接下来的12个月作为模型输入X，后24个月的Nino3.4指数作为预测目标Y构建训练样本，如Task3-图2所示：\n",
     "<img style=\"float: center;\" src=\"Task3-图2.png\" width=\"70%\">\n",
     "\n",
     "需要注意的是，CMIP数据提供了不同的拟合模式，只有在同种模式下各个年份的数据在时间上是连续的，因此同种模式的数据才能在时间上拼接起来，除去最后11个月不能构成训练样本外，滑窗最终能获得的训练样本数量可以按以下方式计算得到：\n",