diff --git a/Book/3.实现注意力机制.md b/Book/3.实现注意力机制.md
index 0255f90..acd129f 100644
--- a/Book/3.实现注意力机制.md
+++ b/Book/3.实现注意力机制.md
@@ -304,3 +304,37 @@ Sum: tensor(1.)
> + **概率解释**：Softmax 输出可以解释为“模型对每个类别的信心”，使得输出直观可理解。
> + **与交叉熵的结合**：Softmax 与交叉熵损失函数结合效果特别好，可以直接将模型预测的概率分布与真实标签比较，从而更快收敛，效果更好。
+现在我们已经计算出了归一化的注意力权重，接下来可以执行图 3.10 所示的最后一步：通过将嵌入后的输入 token x(i) 与相应的注意力权重相乘，再将所得向量求和，来计算上下文向量 z(2)。
+
+
+
+如图 3.10 所示，上下文向量 z(2) 是通过所有输入向量的加权和计算得到的。这一过程涉及将每个输入向量与其对应的注意力权重相乘：
+
+```python
+query = inputs[1] # 2nd input token is the query
+context_vec_2 = torch.zeros(query.shape)
+for i,x_i in enumerate(inputs):
+ context_vec_2 += attn_weights_2[i]*x_i
+print(context_vec_2)
+```
+
+结算结果如下：
+
+```
+tensor([0.4419, 0.6515, 0.5683])
+```
+
+在接下来的部分，我们将把串行计算上下文向量的过程优化为并行计算所有输入token的上下文向量。
+
+
+
+### 3.2 为所有输入的 token 计算注意力权重
+
+在前一节中，我们计算了第二个输入元素的注意力权重和上下文向量，如图 3.11 中的高亮行所示。现在，我们将扩展该计算，以对所有输入计算注意力权重和上下文向量。
+
+
+
+我们沿用之前的三个步骤（如图 3.12 所示），只是对代码做了一些修改，以计算所有的上下文向量，而不仅仅是第二个上下文向量 z(2)。
+
+
+
diff --git a/Image/chapter3/figure3.10.png b/Image/chapter3/figure3.10.png
new file mode 100644
index 0000000..201a367
Binary files /dev/null and b/Image/chapter3/figure3.10.png differ
diff --git a/Image/chapter3/figure3.11.png b/Image/chapter3/figure3.11.png
new file mode 100644
index 0000000..0320abd
Binary files /dev/null and b/Image/chapter3/figure3.11.png differ
diff --git a/Image/image3.12.png b/Image/image3.12.png
new file mode 100644
index 0000000..d37e415
Binary files /dev/null and b/Image/image3.12.png differ
diff --git a/Image/image3.9.png b/Image/image3.9.png
deleted file mode 100644
index 78612d6..0000000
Binary files a/Image/image3.9.png and /dev/null differ