起初，当老师开始讲解 Transformer 中至关重要的 Q（查询）、K（键）、V（值）计算环节时，抽象的概念和复杂的公式，如同一团迷雾，让我完全摸不着头脑。为了帮助我彻底理解这一关键知识点，老师结合精心绘制的示意图和详细的公式推导，进行了深入浅出的讲解。老师首先从最基础的概念入手，形象地解释了 Q、K、V 的含义和作用，让我对它们有了初步的认识。随后，老师借助生动的图形，一步一步展示了 Q、K、V 的计算过程，将抽象的数学运算直观地呈现出来。老师从最基础的概念入手，形象地阐释了 Q、K、V 的含义与作用，让我对它们有了初步认知：查询（Q）向量的作用是寻找信息，键（K）向量用来确定信息的位置，值（V）向量则携带实际的信息内容。在讲解过程中，老师不断提问，引导我思考每一个步骤的原理，让我积极参与到学习中。每当我提出疑问时，老师都会耐心解答，用不同的方式反复阐述，直到我完全理解为止。

在老师的悉心指导下，我逐渐拨开了笼罩在 Q、K、V 计算上的迷雾，清晰地掌握了其计算流程和原理。这一突破让我备受鼓舞，也让我对后续的学习充满了信心。

随着学习的深入，我开始接触到序列到序列模型以及自注意力机制。在预习自注意力机制时，我曾遇到不少疑惑，而通过系统的学习，这些疑惑也迎刃而解。我深刻认识到自注意力机制在捕捉序列数据中长距离依赖关系方面的强大能力，它赋予了 Transformer 独特的优势。

最后，老师对 Transformer 的整体架构进行了详细讲解，包括多头注意力机制、前馈神经网络（FFN）以及带掩码的多头注意力机制。其中，多头注意力机制通过多个不同的头并行计算注意力，能够捕捉到更丰富的特征信息；前馈神经网络则对注意力机制输出的结果进行进一步变换和处理；带掩码的多头注意力机制在处理特定任务时，可防止模型获取到未来信息，确保模型的合理性和有效性。在这个过程中，我对 Transformer 的理解从零散的知识点逐渐构建成一个完整的知识体系。我明白到这些组件相互协作，共同实现了Transformer 在处理自然语言任务时的卓越性能。

之后又讲了一些关于大模型的知识，ollama还有chatbox方便我们下一个阶段的学习

下面是计算过程：

1. Q=XWQ，K=XWK，V=XWV

2. A=dk​​QKT​

3. A^=Softmax(A)

4. O=A^V