diff --git a/docs/tutorials/deep_learning/metrics/perplexity.md b/docs/tutorials/deep_learning/metrics/perplexity.md
index 660d45ea9..6e88c089a 100644
--- a/docs/tutorials/deep_learning/metrics/perplexity.md
+++ b/docs/tutorials/deep_learning/metrics/perplexity.md
@@ -38,7 +38,7 @@ p(s) &= p(w_1,w_2,...,w_n) \\ &= \prod_{i=1}^n p(w_i|w_1,w_2,...,w_{i-1})
 \end{align}
 $$
 
-在语言模型训练完成之后，如何去评判语言模型的好坏？这时，困惑度就可以发挥作用了。一般来讲，用于评判语言模型的测试集均是合理的、高质量的语料，只要语言模型在测试集上的困惑度越高，则代表语言模型训练地越好，反之亦然。
+在语言模型训练完成之后，如何去评判语言模型的好坏？这时，困惑度就可以发挥作用了。一般来讲，用于评判语言模型的测试集均是合理的、高质量的语料，只要语言模型在测试集上的困惑度越低，则代表语言模型训练地越好，反之亦然。
 
 在了解了语句概率的计算后，则对于语句$s=w_1, w_2, w_3, ..., w_n$​​，其困惑度可以这样来定义：