📝 更新Transformer文档，优化词表构建部分的描述

- 修改了词表构建的说明，增加了对特殊符号的强调，确保文档内容更清晰易懂。
- 删除了向量查找实现的标题，简化了文档结构，提升可读性。

Author: jiangyangcreate

docs/docs/机器学习/Transformer/Encoder-Decoder结构.md

@@ -15,7 +15,7 @@ title: 🚧Encoder-Decoder结构
 
 分词：首先需要使用某种分词器对输入文本进行分词处理，将其划分为一个个 token。这个过程中英文的单词有时需要下载一个分词表（通常为 tokenizer.json：分词器配置文件，用于文本的分词处理。），单词拆为本身和前缀与后缀，这个词表是人工标注的，这也是为什么英语是大模型首选语言。
 
-构建词表：根据分词结果，统计所有 token 的出现频率，并依据设定的词表大小，选择保留的词汇。通常会保留高频率词汇，同时也会加入一些特殊符号（如垫零符 <PAD>、未知词 <UNK> 等）。通常为 tokenizer_config.json：分词器配置文件，定义了分词器的行为。分好后的词放在 vocab.json：词汇表文件，存储了模型所使用的词汇。
+构建词表：根据分词结果，统计所有 token 的出现频率，并依据设定的词表大小，选择保留的词汇。通常会保留高频率词汇，同时也会加入一些特殊符号（如垫零符 `<PAD>`、未知词 `<UNK>` 等）。通常为 tokenizer_config.json：分词器配置文件，定义了分词器的行为。分好后的词放在 vocab.json：词汇表文件，存储了模型所使用的词汇。
 
 初始化嵌入矩阵：创建一个二维矩阵，行数等于词表大小，列数等于嵌入维度（即每个词向量的维度）。这个矩阵可以随机初始化，也可以通过预训练模型加载。
 
@@ -45,9 +45,7 @@ title: 🚧Encoder-Decoder结构
 - "机器" → [0.32, 0.52, 0.75, 0.22]
 - "学习" → [0.45, 0.68, 0.21, 0.37]
 
-这样，原本的文本序列就被转换为向量序列，这个过程人可以通过肉眼直接看到，机器如何完成？你可以使用for循环加判断，但是有更简单的方式。Hot Encoding（独热编码）和Embedding Lookup（嵌入查找）是实现这一过程的两种方法。
-
-## 向量查找实现
+这样，原本的文本序列就被转换为向量序列，这个过程人可以通过肉眼直接看到，机器如何完成？你可以使用for循环加判断，但是有更简单快速的方式。
 
 ### 独热编码方式