最近看LLM，说是transformer是基础，就去看了看。看懂了过程一直没明白为啥用Q K V。看了李宏毅的视频才明白。
先上链接！
李宏毅讲解的transformer：https://www.bilibili.com/video/BV1xF411D7TK
看了很多文章基本都先从机翻为例子开始说。我们也用这个例子来说。
设置情景：给你一句中文，然后翻译成英文。
例子：我有一只猫 -------->>>> I have a cat.
那么首先让机器操作逻辑就是，机器要先能看懂这个输入，对吧。
在LLM里面，这个东西应该叫做token。
我们简单的理解，我/ 有 / 一只 / 猫。句子可以这样断句，然后每一个地方就可以理解为一个token。然后机器肯定看不懂，肯定要转换成机器能看得懂的东西，这里用的是向量。
也就是用一个向量表示‘我’。用一个向量表示‘有’等等。
上面，比较直接解决方式就是，我断句完，分完token直接翻译，也能正确对吧？
那么现在问题来了，也是很多文章都没说这个transformer为啥要这样子搞的（也就是为啥要QKV），李宏毅说了。
有没有一种可能，我在机翻的时候存在一种情况：
假设，我现在要英文转中文.
原句: I book a book. ---------->>>> 我预定了一本书 （可能不地道，但不重要）
这里的第一个book是动词意思是预定，第二个Book是名词，是书的意思。
那么如果单纯用神经网络，或者说普通的翻译，你相同输入肯定会得到相同的输出，所以得改一改。
我们一般看单词怎么看词性呢？一般看位置吧，所以他就考虑我看这个单词顺便看看前面，看看后面。
也就是说构成了一个窗口这样的东西，
新问题出现了窗口多大？ （这篇文章不说，我也不会。）
所以，引入Q K V 。用来看，我这个token 在这个窗口跟其他token之间的关系，从而得出更准确的结果。
后面就不说了，无非就是点乘来去，完了softmax之类的东西，看一看别的文章就好。
初看，若有问题还请指正。