Fix. 调整表达字眼

人人都能看懂的Transformer/第二章——文字向量化.md

@@ -104,7 +104,7 @@ torch.Size([1, 4, 768])
 
 <img src="../assets/image-20240426174122893.png" alt="image-20240426174122893" style="zoom:50%;" />
 
-可以看到最终维度是转成了768列，4行。也就对应着4个索引，和GPT2的嵌入向量维度768。
+可以看到最终维度是转成了768列，4行。也就对应着4个索引，和GPT2的嵌入向量矩阵的维度768。
 
 注意，上面的模型是已经预训练好了，我们可以进行微调或从头开始训练，那应该怎么做呢？这里我们就涉及从0训练Tokenizer和从0训练Model，下面我们来演示从0开始训练。
 
@@ -222,7 +222,7 @@ torch.Size([1, 3, 768])
 
 > 注意，每次embedding的值不一定是完全一样的，因为每次初始化的权重值都是不一样的，这也是深度学习的一大特点。
 
-由于我们训练的tokenizer只有3个词，所以可以看到索引是3行，embedding的维度还是768，我们前面声明了。最终输出的是[1, 3, 768]维度的向量。
+由于我们训练的tokenizer只有3个词，所以可以看到索引是3行，embedding的维度还是768，我们前面声明了。最终输出的是[1, 3, 768]维度的向量矩阵。
 
 里面又是怎么加工成每个索引的字符对应768个向量呢？为了演示，我这里将对应参数改成小值`n_embd=10, n_layer=1, n_head=1`只用10维