Multiplicación de matrices con matmul y @
Los productos punto que hay detrás de cada capa
Multiplicación de matrices con matmul y @ es una lección gratuita de Deep Learning Academy en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Deep Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Deep Learning Academy incluye 4 lecciones en total.
Más allá de elementwise
Multiplicar tensores con el asterisco es una operación elementwise. La multiplicación de matrices es diferente: combina filas y columnas en sumas ponderadas.
Productos escalares en bloque
Cada entrada de salida de una multiplicación de matrices es un producto escalar: una fila de la matriz izquierda emparejada con una columna de la matriz derecha.
Las dimensiones internas deben coincidir
Para multiplicar las formas (m, k) y (k, n), la k interna debe coincidir. El resultado es (m, n): las dimensiones externas permanecen y la interna se suma.
El operador @
Python proporciona un símbolo específico y claro para la multiplicación de matrices. El operador @ multiplica dos tensores como matrices, sin necesidad de bucles.
c = a @ btorch.matmul hace lo mismo
torch.matmul es la versión escrita de @. Produce el mismo resultado y resulta útil cuando prefiere llamar a una función con nombre en su código.
c = torch.matmul(a, b)Preste atención a las formas
Una matriz (2, 3) multiplicada por una (3, 4) produce una (2, 4). Lea las formas de izquierda a derecha: la 3 interna se cancela y queda el par exterior.
a = torch.randn(2, 3)
b = torch.randn(3, 4)
c = a @ b # shape (2, 4)El asterisco no es @
No las confunda: a * b es una operación elementwise y necesita formas coincidentes, mientras que a @ b es una multiplicación de matrices y necesita dimensiones internas coincidentes.
Matriz por vector
Al multiplicar una matriz por un vector unidimensional se obtiene un vector. Cada número de salida es el producto escalar de una fila de la matriz con ese vector.
y = W @ x # W is (n, m), x is (m,), y is (n,)matmul por lotes
matmul gestiona lotes: proporcione las formas (B, m, k) y (B, k, n) y multiplicará cada uno de los B pares de matrices a la vez, devolviendo (B, m, n).
out = torch.matmul(batch_a, batch_b)Los errores de forma son claros
Si las dimensiones internas no coinciden, PyTorch lanza un RuntimeError claro. Aprender a leer rápidamente esos mensajes de formas se convertirá en su herramienta de depuración más eficaz.
El motor de cada capa
Esta operación aparece en todas partes. Una capa lineal no es más que las entradas multiplicadas por una matriz de pesos, más un sesgo; matmul realiza ese trabajo pesado.
out = x @ W.T + biasComprobación rápida
Es hora de comprobar sus cálculos de formas.
Repaso: las filas se encuentran con las columnas
La multiplicación de matrices con @ o torch.matmul empareja filas y columnas para formar productos escalares; las dimensiones internas deben coincidir y las externas permanecen. Es la base de todas las capas. 🔗
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Multiplicación de matrices con matmul y @» es gratis?
Sí — el texto completo de «Multiplicación de matrices con matmul y @» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Deep Learning Academy, actualiza a CoddyKit PRO. El curso de Deep Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Multiplicación de matrices con matmul y @»?
Los productos punto que hay detrás de cada capa Practicas Deep Learning Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Deep Learning Academy?
No se requiere experiencia previa. Deep Learning Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Multiplicación de matrices con matmul y @»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Deep Learning Academy?
Sí. Cada lección de Deep Learning Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Por qué los bucles son lentos para las matemáticas
- Operaciones elemento a elemento y reducciones
- Multiplicación de matrices con matmul y @
- Los productos punto impulsan cada capa