diff --git a/人人都能看懂的Transformer/第四章——语义关系学习.md b/人人都能看懂的Transformer/第四章——语义关系学习.md
index faa94e0..fff03bf 100644
--- a/人人都能看懂的Transformer/第四章——语义关系学习.md
+++ b/人人都能看懂的Transformer/第四章——语义关系学习.md
@@ -22,4 +22,75 @@ QKV会结果一个线形层，也就是X会变成3份，分别去乘以不同的
-### 为什么是矩阵相乘
\ No newline at end of file
+### 什么是矩阵相乘
+
+一个值是标量（Scalar），一组值是向量（Vector），多组值是矩阵（Matrix）
+
+
+
+矩阵也就是多维的向量，矩阵是可以多种维度的，如3列2行（上面图的），亦或者2行3列。
+
+矩阵相乘（又叫点积相乘）如下：
+
+
+
+~~~markdown
+"点积" 是把 对称的元素相乘，然后把结果加起来：
+(1, 2, 3) • (7, 9, 11) = 1×7 + 2×9 + 3×11 = 58
+~~~
+
+要更加深入了解计算的，可以跳转到这个网址[数学乐](https://www.shuxuele.com/algebra/matrix-multiplying.html)
+
+这里顺便补充下， 我们平时说的线形变换，其实就是一种特殊的矩阵相乘，即，矩阵乘以一个向量
+
+
+
+最终输出的是[3,1]的矩阵，即一个向量`[16 4 7]`。
+
+
+
+### 为什么是矩阵相乘-几何解释
+
+假设我们有两个矩阵：A [1 2] 和 B [3 3]两个矩阵，画到象限表，如下图
+
+
+
+我们说A和B相似，如何判断相似，就看它们离的近不近，或者两个向量的夹角a比较小。并且我们肉眼看，A和C离的相对更远。
+
+在线性代数中，如何判断两个顶点是否相似，可以用余弦相似度来计算（定理）。余弦相似度 = 两个矩阵相乘 除以 两条线的长度。结果越大（分子）表示相似度越高，这里我们只需要关注矩阵的值即可，因为分母（线的长度）变长，对应着矩阵的值也会增加，所以矩阵相乘的结果增幅永远大于分母的增幅。
+
+公式变换：
+$$
+cos(\theta) = \frac{A矩阵*B矩阵}{A长度*B长度}
+$$
+等同于
+$$
+A矩阵*B矩阵=B长度*A长度*cos(\theta)
+$$
+我们做一个浅绿色的垂线，它就变成一个直角三角形。在数学三角函数中，cos的邻边等于cos(θ)乘以斜边。也就是A的长度乘以cos(θ)，等于黑色的线（B上的黑色线）
+
+
+
+也就是公式等同于，也就是红色乘以黑色的部分
+$$
+A矩阵*B矩阵=B长度*(A在B上的投影)
+$$
+也就是寻找两个向量的相似度，也就是看其中一个向量在另一个向量上的投影长度大小，也就是A越长 等同于 投影长度越长 等同于 两者越靠近（越相似），B是不变的。
+
+如果是C做垂线B，可能就是负数了。如果是三维平面或者四维屏幕，则是如下增加多条线
+
+
+
+现在我们知道矩阵相乘能代表相似度的高低，回到实际中，过程图如下
+
+
+
+上面我放的文字，实际传给机器的时候是数值。
+
+
+
+通过矩阵相乘，即`LLM`和`me`的相似度是23，最终它们都会被投射到多维平面上。
+
+
+
+当然时间向量的值一般是[-1,+1]区间的，而不是整数型，这里是一个简单的示例。而且还会经过不断的训练循环，来不断的调整每个文本的多维表达数值分别是多少，也就是LLM初始值假设是[1,2,3]，可能训练的下一轮是[-1,3,1]下一轮又是[3,1,2]，直到最终训练结束。
\ No newline at end of file