Perkalian Matriks dengan matmul dan @
Produk titik di balik setiap lapisan
Perkalian Matriks dengan matmul dan @ adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Beyond Elementwise
Multiplying tensors with the star sign is elementwise. Matrix multiplication is different: it mixes rows and columns into weighted sums.
Dot Products in Bulk
Each output entry of a matrix multiply is a dot product: one row of the left matrix paired with one column of the right matrix.
The Inner Dimensions Must Match
To multiply shapes (m, k) and (k, n), the inner k must agree. The result is (m, n): outer dimensions survive, the inner one is summed away.
The @ Operator
Python gives matrix multiply its own clean symbol. The @ operator multiplies two tensors the matrix way, no loops in sight.
c = a @ btorch.matmul Does the Same
torch.matmul is the spelled-out twin of @. Same result, handy when you prefer a named function call in your code.
c = torch.matmul(a, b)Mind the Shapes
A (2, 3) times a (3, 4) gives a (2, 4). Read the shapes left to right and the inner 3 cancels, leaving the outer pair.
a = torch.randn(2, 3)
b = torch.randn(3, 4)
c = a @ b # shape (2, 4)Star Is Not At
Do not confuse them: a * b is elementwise and needs matching shapes, while a @ b is matrix multiply and needs matching inner dimensions.
Matrix Times Vector
Multiply a matrix by a 1D vector and you get a vector. Each output number is the dot product of a matrix row with that vector.
y = W @ x # W is (n, m), x is (m,), y is (n,)Batched matmul
matmul handles batches: feed shapes (B, m, k) and (B, k, n) and it multiplies each of the B matrix pairs at once, returning (B, m, n).
out = torch.matmul(batch_a, batch_b)Shape Errors Are Loud
Mismatch the inner dimensions and PyTorch throws a clear RuntimeError. Reading those shape messages quickly becomes your fastest debugging tool.
The Engine of Every Layer
This one operation is everywhere. A linear layer is just inputs times a weight matrix plus a bias, and matmul does that heavy lifting.
out = x @ W.T + biasQuick Check
Time to check your shape arithmetic.
Recap: Rows Meet Columns
Matrix multiply with @ or torch.matmul pairs rows with columns into dot products; inner dimensions must match, outer ones survive. It powers every layer. 🔗
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Perkalian Matriks dengan matmul dan @” gratis?
Ya — teks lengkap “Perkalian Matriks dengan matmul dan @” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Perkalian Matriks dengan matmul dan @”?
Produk titik di balik setiap lapisan Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Perkalian Matriks dengan matmul dan @” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Perulangan Lambat untuk Matematika
- Operasi Per Elemen dan Reduksi
- Perkalian Matriks dengan matmul dan @
- Produk Titik Menggerakkan Setiap Lapisan