diff --git a/人人都能看懂的Transformer/第一章——Transformer网络架构.md b/人人都能看懂的Transformer/第一章——Transformer网络架构.md
index 1cc5a3a..4e2bca3 100644
--- a/人人都能看懂的Transformer/第一章——Transformer网络架构.md
+++ b/人人都能看懂的Transformer/第一章——Transformer网络架构.md
@@ -74,7 +74,7 @@
> 你可能好奇，为什么LLM with me明明是3个词会有4个索引，后面会详细解答，并提供代码。另外位置编码不会向1,2,3这么简单的叠加，后面也会详解。
>
-> 768是嵌入向量的维度，这是GPT-2模型的一个特定参数。每个嵌入向量的维度是模型设计时确定的，并且在整个模型中保持一致。
+> 768是嵌入向量的维度，这是GPT-2模型（其中一个版本）的一个特定参数。每个嵌入向量的维度是模型设计时确定的，并且在整个模型中保持一致。
@@ -86,7 +86,7 @@
<img src="../assets/image-20240421212923027.png" alt="语义关系学习" width="550" />
-向量传入后，通过语义关系学习（一系列计算，点积/内积的方法），得出一个矩阵，维度是4 × 4的矩阵。矩阵里的每个值都是数字，数字代表了文字对应其它文字的语义关系，越高表示与其它文字的关系越近，越小则表示越疏远。
+向量传入后，通过语义关系学习（一系列计算，点积/内积的方法），得出一个矩阵，维度是4 × 4的矩阵。矩阵里的每个值都是数字，数字代表了文字对应其它文字的关注程度，越高表示与其它文字的关注度越高，反正则越小。
> 为什么数字越大表示关系越近，现在可以简单理解，就是每个词的查询向量（Q）会与序列中所有单词的键（K）向量进行点积运算，得到一个分数，这个分数经过softmax函数处理后，就变成了注意力权重。即每个词都有跟全部词的向量结果，越大表示语义关系越紧密，权重越低则表示关系越疏远。
>
@@ -100,7 +100,7 @@
>
> WHY：前面我们讲到，矩阵里的数字越大，表示跟其它词的语义关系越紧密，如果两个大值相加，很可能就造成大的值特别大，小的值特别小。所以要统一到一个维度，特别是深度学习场景里，由于深度学习是矩阵乘法， 所以大值或者小值都会被无限放大，导致模型不稳定。
-将语义关系学习里输出的矩阵，加上残差（输入语义关系学习）前的向量，再进行值的统一缩放，大部分情况下是缩放到[-1,1]区间。
+将语义关系学习里输出的矩阵，加上残差（输入语义关系学习）前的向量，再进行值的统一缩放，使得它们的均值为0，方差为1。大部分情况下是缩放到[-1,1]区间。
<img src="../assets/image-20240424171227926.png" alt="数值缩放" width="550" />
@@ -126,7 +126,7 @@ Add & Norm的过程可以理解为相同位置元素相加，再做层归一化
<img src="../assets/image-20240424204837275.png" alt="前馈神经网络" width="550" />
-当数据输入到神经网络后，经过一系列运算（点积），输出的数据一般是非线形的。而且维度输出的维度与输入的维度是不变的。种设计允许FFN在不改变输入和输出维度的情况下，增加网络的非线性和复杂性，从而使模型能够学习更加复杂的特征表示。
+当数据输入到神经网络后，经过一系列运算（点积），输出的数据一般是非线形的。而且维度输出的维度与输入的维度是不变的。这种设计允许FFN在不改变输入和输出维度的情况下，增加网络的非线性和复杂性，从而使模型能够学习更加复杂的特征表示。
@@ -146,7 +146,7 @@ Add & Norm的过程可以理解为相同位置元素相加，再做层归一化
> 机器人对话场景（如GPT）
-如果训练阶段我们的总文本词汇是3个，最终会训练成3个词的向量队列。预测阶段输入"LLM with me"，那么对于"LLM with me"中的每个标记，线性层将输出一个长度为3的向量。如果训练阶段的总文本词汇是10,000个，最终会训练成10,000个词的向量队列，那么输出的则是10,000的向量（可以理解为概率）。预测下一个字，就是找出向量矩阵中概率最高的对应的文字。如"LLM with me"的下一个词的概率，一般展示如下：
+如果训练阶段我们的总文本词汇是3个，最终会得到一个有3个分数的词汇表。预测阶段输入"LLM with me"，那么对于"LLM with me"中的每个标记，线性层将输出一个长度为3的向量。如果训练阶段的总文本词汇是10,000个，最终会训练成10,000个词的向量队列，那么输出的则是10,000的向量（可以理解为概率）。预测下一个字，就是找出向量矩阵中概率最高的对应的文字。如"LLM with me"的下一个词的概率，一般展示如下：
```
{
@@ -169,7 +169,7 @@ Add & Norm的过程可以理解为相同位置元素相加，再做层归一化
<img src="../assets/image-20240503172341945.png" alt="image-20240503172341945" width="300" />
-可以简单理解为，将前面线形层输出的值，转化成0-1的概率分布区间进行输出。
+可以简单理解为，将前面线形层输出的值，转化成0-1区间的概率分布，进行输出。