diff --git a/content/TinyTransformer/readme.md b/content/TinyTransformer/readme.md
index 81a161fd..fc36dfe6 100644
--- a/content/TinyTransformer/readme.md
+++ b/content/TinyTransformer/readme.md
@@ -85,12 +85,12 @@ $$v·w = \sum_{i}v_iw_i$$
 根据词向量的定义，语义相似的两个词对应的词向量的点积应该大于0，而语义不相似的词向量点积应该小于0。
 
 那么，我们就可以用点积来计算词之间的相似度。假设我们的 Query 为“fruit”，对应的词向量为 $q$；
-我们的 Key 对应的词向量为 $k = [v_{apple} v_{banana} v_{chair}]$,
+我们所有 Key 对应的词向量堆叠形成的矩阵 $K = [v_{apple} v_{banana} v_{chair}]$,
 则我们可以计算 Query 和每一个键的相似程度：
 
 $$x = qK^T$$
 
-此处的 K 即为将所有 Key 对应的词向量堆叠形成的矩阵。基于矩阵乘法的定义，x 即为 q 与每一个 k 值的点积。
+基于矩阵乘法的定义，x 即为 q 与每一个词向量的点积。
 现在我们得到的 x 即反映了 Query 和每一个 Key 的相似程度，我们再通过一个 Softmax 层将其转化为和为 1 的权重：
 
 $$softmax(x)_i = \frac{e^{x_i}}{\sum_{j}e^{x_j}}$$