diff --git a/arguments/__init__.py b/arguments/__init__.py
index 1e13a55..4238f73 100644
--- a/arguments/__init__.py
+++ b/arguments/__init__.py
@@ -39,7 +39,9 @@ class ParamGroup:
 
     def extract(self, args):
         group = GroupParams()
-        for arg in vars(args).items():
+        # 遍历各参数
+        for arg in vars(args).items():  # 例arg = ('sh_degree', '3')
+            # 若每个参数的名称与ModelParams等类的属性名称相匹配，则将该参数设置到新建的 GroupParams 对象的对应属性上
             if arg[0] in vars(self) or ("_" + arg[0]) in vars(self):
                 setattr(group, arg[0], arg[1])
         return group
@@ -57,8 +59,12 @@ class ModelParams(ParamGroup):
         super().__init__(parser, "Loading Parameters", sentinel)
 
     def extract(self, args):
-        g = super().extract(args)
-        g.source_path = os.path.abspath(g.source_path)
+        '''
+        从args对象中提取出与 ModelParams类中定义的参数相匹配的值,并将它们封装到一个新的 GroupParams 对象中
+        args: 存储着 命令行和main中预设的参数
+        '''
+        g = super().extract(args)   # 返回的GroupParams对象
+        g.source_path = os.path.abspath(g.source_path)  # 更新为绝对路径
         return g
 
 class PipelineParams(ParamGroup):
diff --git a/run_code.txt b/run_code.txt
index 9d47031..d8fc40c 100644
--- a/run_code.txt
+++ b/run_code.txt
@@ -20,7 +20,7 @@ python train.py --source_path ../../Dataset/3DGS_Dataset/xiangjiadang --model_pa
 --convert_cov3D_python：添加此标志以使用 PyTorch 而不是论文提出的pipeline计算 3D协方差 的forward and backward
 
 --debug：如果遇到错误，请启用调试模式。如果光栅化器失败，dump则会创建一个文件，您可以在问题中将其转发给我们，以便我们查看。
---debug_from：调试速度慢。可以指定一个迭代次数（从 0 开始），指定数字之前的迭代会是活动状态
+--debug_from：调试速度慢。可以指定从哪一迭代（>= 0）开始
 
 --iterations：训练的总迭代次数，默认为 30_000
 
diff --git a/train.py b/train.py
index b9d34e6..f619188 100644
--- a/train.py
+++ b/train.py
@@ -24,6 +24,8 @@ from tqdm import tqdm
 from utils.image_utils import psnr
 from argparse import ArgumentParser, Namespace
 from arguments import ModelParams, PipelineParams, OptimizationParams
+
+# 尝试导入 PyTorch 提供的 TensorBoard 记录器 SummaryWriter 类
 try:
     from torch.utils.tensorboard import SummaryWriter
     TENSORBOARD_FOUND = True
@@ -31,7 +33,15 @@ except ImportError:
     TENSORBOARD_FOUND = False
 
 def training(dataset, opt, pipe, testing_iterations, saving_iterations, checkpoint_iterations, checkpoint, debug_from):
+    '''
+    dataset: 只存储与Moedl相关参数的args
+    opt:    优化相关参数
+    pipe:   管道相关参数
+    checkpoint: 已训练模型的路径
+    debug_from: 从哪一个迭代开始debug
+    '''
     first_iter = 0
+    # 创建保存结果的文件夹，并保存模型相关的参数到cfg_args文件；尝试创建tensorboard_writer，记录训练过程
     tb_writer = prepare_output_and_logger(dataset)
 
     gaussians = GaussianModel(dataset.sh_degree)    # 创建初始化高斯模型，用于表示场景中的每个点的3D高斯分布
@@ -144,7 +154,8 @@ def training(dataset, opt, pipe, testing_iterations, saving_iterations, checkpoi
                 print("\n[ITER {}] Saving Checkpoint".format(iteration))
                 torch.save((gaussians.capture(), iteration), scene.model_path + "/chkpnt" + str(iteration) + ".pth")
 
-def prepare_output_and_logger(args):    
+def prepare_output_and_logger(args):
+    # 没有预设模型输出路径，则随机生成一个文件名，存储输出结果
     if not args.model_path:
         if os.getenv('OAR_JOB_ID'):
             unique_str=os.getenv('OAR_JOB_ID')
@@ -152,16 +163,17 @@ def prepare_output_and_logger(args):
             unique_str = str(uuid.uuid4())
         args.model_path = os.path.join("./output/", unique_str[0:10])
         
-    # Set up output folder
+    # 创建输出文件夹
     print("Output folder: {}".format(args.model_path))
     os.makedirs(args.model_path, exist_ok = True)
+    # 保存模型的配置参数
     with open(os.path.join(args.model_path, "cfg_args"), 'w') as cfg_log_f:
         cfg_log_f.write(str(Namespace(**vars(args))))
 
-    # Create Tensorboard writer
+    # 创建Tensorboard writer
     tb_writer = None
     if TENSORBOARD_FOUND:
-        tb_writer = SummaryWriter(args.model_path)
+        tb_writer = SummaryWriter(args.model_path)  # 创建一个 SummaryWriter 对象,向 TensorBoard 记录训练过程中的各种指标
     else:
         print("Tensorboard not available: not logging progress")
     return tb_writer
@@ -207,31 +219,37 @@ if __name__ == "__main__":
     # Set up command line argument parser
     parser = ArgumentParser(description="Training script parameters")
 
-    lp = ModelParams(parser)    # 模型 相关参数
-    op = OptimizationParams(parser) # 优化 相关参数
-    pp = PipelineParams(parser) # 渲染 相关参数
+    model_prams = ModelParams(parser)    # 定义存储 模型 相关参数的arg对象
+    optim_prams = OptimizationParams(parser) # 定义存储 优化 相关参数的arg对象
+    pipeline_prams = PipelineParams(parser) # 定义存储 渲染 相关参数的arg对象
 
     parser.add_argument('--ip', type=str, default="127.0.0.1")
     parser.add_argument('--port', type=int, default=6009)
-    parser.add_argument('--debug_from', type=int, default=-1)
-    parser.add_argument('--detect_anomaly', action='store_true', default=False)
+    parser.add_argument('--debug_from', type=int, default=-1)   # 指定从哪一迭代（>= 0）开始debug
+    parser.add_argument('--detect_anomaly', action='store_true', default=False) # action='store_true' 如果命令行中包含了这个参数,它的值将被设置为 True
     parser.add_argument("--test_iterations", nargs="+", type=int, default=[7_000, 30_000])
     parser.add_argument("--save_iterations", nargs="+", type=int, default=[7_000, 30_000])
     parser.add_argument("--quiet", action="store_true")
     parser.add_argument("--checkpoint_iterations", nargs="+", type=int, default=[])
     parser.add_argument("--start_checkpoint", type=str, default = None)
+
+    # 从命令行参数中解析出所有的参数值,并与上面的设置的参数一起存储到 Namespace 对象中，即args
     args = parser.parse_args(sys.argv[1:])
+
     args.save_iterations.append(args.iterations)
     
     print("Optimizing " + args.model_path)
 
-    # Initialize system state (RNG)
+    # 初始化系统的随机状态,以确保实验结果可复现 (RNG)
     safe_state(args.quiet)
 
-    # Start GUI server, configure and run training
+    # 启动GUI 服务器, 监听指定的 IP 地址和端口，观察训练进度和调试问题
     network_gui.init(args.ip, args.port)
-    torch.autograd.set_detect_anomaly(args.detect_anomaly)
-    training(lp.extract(args), op.extract(args), pp.extract(args), args.test_iterations, args.save_iterations, args.checkpoint_iterations, args.start_checkpoint, args.debug_from)
+
+    torch.autograd.set_detect_anomaly(args.detect_anomaly)  # 设置pytorch是否检测梯度异常
+
+    # model_prams.extract(args)：将args中的属性，即命令行和预设的参数中 与 ModelParams类中定义的参数相匹配的值，并将它们封装到一个新的 GroupParams 对象中
+    training(model_prams.extract(args), optim_prams.extract(args), pipeline_prams.extract(args), args.test_iterations, args.save_iterations, args.checkpoint_iterations, args.start_checkpoint, args.debug_from)
 
     # All done
     print("\nTraining complete.")
diff --git a/utils/general_utils.py b/utils/general_utils.py
index 5bdfa4c..37231fe 100644
--- a/utils/general_utils.py
+++ b/utils/general_utils.py
@@ -161,9 +161,11 @@ def safe_state(silent):
         def flush(self):
             old_f.flush()
 
+    # 若args.quiet 为 True，不写入任何文本到标准输出管道
     sys.stdout = F(silent)
 
+    # 设置随机种子，使得结果可复现
     random.seed(0)
     np.random.seed(0)
     torch.manual_seed(0)
-    torch.cuda.set_device(torch.device("cuda:0"))
+    torch.cuda.set_device(torch.device("cuda:0"))   # torch 默认的 CUDA 设备为 cuda:0
\ No newline at end of file