Deep Learning Academy · 강의

matmul과 @로 행렬 곱하기

모든 층의 기반이 되는 내적을 알아봅니다

matmul과 @로 행렬 곱하기은(는) CoddyKit의 무료 Deep Learning Academy 강의입니다. 이것은 4개 중 3번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

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 @ b

torch.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 + bias

Quick 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. 🔗

자주 묻는 질문

“matmul과 @로 행렬 곱하기” 강의는 무료인가요?

네 — “matmul과 @로 행렬 곱하기” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“matmul과 @로 행렬 곱하기”에서 뭘 배우나요?

모든 층의 기반이 되는 내적을 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 3번째 강의입니다.

“matmul과 @로 행렬 곱하기” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Deep Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Deep Learning Academy(으)로 돌아가기