Moltiplicazione di matrici con matmul e @
I prodotti scalari alla base di ogni layer
Moltiplicazione di matrici con matmul e @ è una lezione Deep Learning Academy gratuita su CoddyKit. Questa è la lezione 3 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Deep Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Deep Learning Academy include 4 lezioni in totale.
Oltre le operazioni elementwise
Moltiplicare i tensori con l'asterisco è un'operazione elementwise. La matrix multiplication è diversa: combina righe e colonne in somme pesate.
Prodotti scalari in blocco
Ogni elemento risultante da una matrix multiply è un prodotto scalare: una riga della matrice a sinistra abbinata a una colonna della matrice a destra.
Le dimensioni interne devono coincidere
Per moltiplicare le forme (m, k) e (k, n), le dimensioni interne k devono coincidere. Il risultato è (m, n): le dimensioni esterne rimangono, mentre quella interna viene sommata.
L'operatore @
Python assegna alla moltiplicazione tra matrici un simbolo specifico e chiaro. L'operatore @ moltiplica due tensori secondo le regole delle matrici, senza cicli visibili.
c = a @ btorch.matmul fa lo stesso
torch.matmul è la versione esplicita di @. Il risultato è lo stesso ed è utile quando preferisce chiamare una funzione con un nome nel codice.
c = torch.matmul(a, b)Faccia attenzione alle forme
Una matrice (2, 3) moltiplicata per una (3, 4) produce una (2, 4). Legga le forme da sinistra a destra: la 3 interna si annulla e rimane la coppia esterna.
a = torch.randn(2, 3)
b = torch.randn(3, 4)
c = a @ b # shape (2, 4)L'asterisco non è @
Non le confonda: a * b è un'operazione elementwise e richiede forme corrispondenti, mentre a @ b è una moltiplicazione tra matrici e richiede dimensioni interne corrispondenti.
Matrice per vettore
Moltiplicando una matrice per un vettore 1D si ottiene un vettore. Ogni numero risultante è il dot product tra una riga della matrice e quel vettore.
y = W @ x # W is (n, m), x is (m,), y is (n,)matmul a lotti
matmul gestisce i batch: fornisca le forme (B, m, k) e (B, k, n) e moltiplicherà contemporaneamente ciascuna delle B coppie di matrici, restituendo (B, m, n).
out = torch.matmul(batch_a, batch_b)Gli errori di forma sono espliciti
Se le dimensioni interne non coincidono, PyTorch genera un chiaro RuntimeError. Imparare a leggere rapidamente questi messaggi sulle forme diventerà il suo strumento di debugging più veloce.
Il motore di ogni layer
Questa operazione è ovunque. Un linear layer non è altro che l'input moltiplicato per una matrice dei pesi, più un bias, e matmul esegue il lavoro pesante.
out = x @ W.T + biasControllo rapido
È il momento di verificare i calcoli sulle forme.
Riepilogo: le righe incontrano le colonne
La moltiplicazione tra matrici con @ o torch.matmul abbina righe e colonne per ottenere prodotti scalari; le dimensioni interne devono coincidere, mentre quelle esterne rimangono. È alla base di ogni layer. 🔗
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «Moltiplicazione di matrici con matmul e @» è gratuita?
Sì — il testo completo di «Moltiplicazione di matrici con matmul e @» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Deep Learning Academy, passa a CoddyKit PRO. Il corso Deep Learning Academy include 4 lezioni in totale.
Cosa imparerò in «Moltiplicazione di matrici con matmul e @»?
I prodotti scalari alla base di ogni layer Eserciti Deep Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Deep Learning Academy?
Non è richiesta alcuna esperienza precedente. Deep Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 3 di 4.
Quanto tempo richiede la lezione «Moltiplicazione di matrici con matmul e @»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Deep Learning Academy?
Sì. Ogni lezione Deep Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Perché i cicli sono lenti nei calcoli matematici
- Operazioni elemento per elemento e riduzioni
- Moltiplicazione di matrici con matmul e @
- I prodotti scalari alimentano ogni layer