diff --git a/chapter_recurrent-modern/gru.md b/chapter_recurrent-modern/gru.md
index 46ab4bd16..93c46afc9 100644
--- a/chapter_recurrent-modern/gru.md
+++ b/chapter_recurrent-modern/gru.md
@@ -71,6 +71,7 @@ $\mathbf{H}_{t-1} \in \mathbb{R}^{n \times h}$
 那么，重置门$\mathbf{R}_t \in \mathbb{R}^{n \times h}$和
 更新门$\mathbf{Z}_t \in \mathbb{R}^{n \times h}$的计算如下所示：
 
+
 $$
 \begin{aligned}
 \mathbf{R}_t = \sigma(\mathbf{X}_t \mathbf{W}_{xr} + \mathbf{H}_{t-1} \mathbf{W}_{hr} + \mathbf{b}_r),\\
diff --git a/chapter_recurrent-neural-networks/rnn-scratch.md b/chapter_recurrent-neural-networks/rnn-scratch.md
index 5d6da152b..8650ebb6d 100644
--- a/chapter_recurrent-neural-networks/rnn-scratch.md
+++ b/chapter_recurrent-neural-networks/rnn-scratch.md
@@ -537,7 +537,7 @@ predict_ch8('time traveller ', 10, net, vocab)
 ## [**梯度裁剪**]
 
 对于长度为$T$的序列，我们在迭代中计算这$T$个时间步上的梯度，
-将会在反向传播过程中产生长度为$\mathcal{O}(T)$的矩阵乘法链。
+将会在反向传播过程中产生长度为$O(T)$的矩阵乘法链。
 如 :numref:`sec_numerical_stability`所述，
 当$T$较大时，它可能导致数值不稳定，
 例如可能导致梯度爆炸或梯度消失。