Multiplicação de Matrizes com matmul e @
Os produtos escalares por trás de cada camada
Multiplicação de Matrizes com matmul e @ é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Além das operações elemento a elemento
Multiplicar tensores com o sinal de asterisco é uma operação elemento a elemento. A multiplicação de matrizes é diferente: ela combina linhas e colunas em somas ponderadas.
Produtos escalares em lote
Cada entrada de saída de uma multiplicação de matrizes é um produto escalar: uma linha da matriz à esquerda combinada com uma coluna da matriz à direita.
As dimensões internas precisam corresponder
Para multiplicar as formas (m, k) e (k, n), o k interno precisa ser igual. O resultado é (m, n): as dimensões externas permanecem e a interna é somada.
O operador @
O Python dá à multiplicação de matrizes seu próprio símbolo simples. O operador @ multiplica dois tensores como matrizes, sem nenhum laço à vista.
c = a @ btorch.matmul faz o mesmo
torch.matmul é a versão escrita por extenso de @. O resultado é o mesmo, sendo útil quando o senhor prefere chamar uma função nomeada no código.
c = torch.matmul(a, b)Atenção às formas
Uma forma (2, 3) multiplicada por uma forma (3, 4) resulta em (2, 4). Leia as formas da esquerda para a direita: o 3 interno se cancela, deixando o par externo.
a = torch.randn(2, 3)
b = torch.randn(3, 4)
c = a @ b # shape (2, 4)O asterisco não é o @
Não os confunda: a * b é elemento a elemento e precisa de formas correspondentes, enquanto a @ b é uma multiplicação de matrizes e precisa de dimensões internas correspondentes.
Matriz vezes vetor
Multiplique uma matriz por um vetor 1D e obterá um vetor. Cada número de saída é o produto escalar de uma linha da matriz com esse vetor.
y = W @ x # W is (n, m), x is (m,), y is (n,)matmul em lotes
matmul lida com lotes: forneça as formas (B, m, k) e (B, k, n), e ele multiplicará cada um dos B pares de matrizes de uma só vez, retornando (B, m, n).
out = torch.matmul(batch_a, batch_b)Erros de forma são explícitos
Se as dimensões internas não corresponderem, PyTorch gera um RuntimeError claro. Ler rapidamente essas mensagens de forma logo se torna sua ferramenta de depuração mais rápida.
O mecanismo de cada camada
Essa única operação está em toda parte. Uma camada linear é apenas entradas multiplicadas por uma matriz de pesos mais um viés, e matmul faz esse trabalho pesado.
out = x @ W.T + biasVerificação rápida
É hora de verificar seus cálculos de formas.
Recapitulação: linhas encontram colunas
A multiplicação de matrizes com @ ou torch.matmul combina linhas com colunas em produtos escalares; as dimensões internas precisam corresponder, e as externas permanecem. Ela dá força a todas as camadas. 🔗
Aprenda Python com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 30
- Aulas
- 120
Perguntas Frequentes
A aula “Multiplicação de Matrizes com matmul e @” é grátis?
Sim — o texto completo de “Multiplicação de Matrizes com matmul e @” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “Multiplicação de Matrizes com matmul e @”?
Os produtos escalares por trás de cada camada Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Multiplicação de Matrizes com matmul e @”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Por Que Loops São Lentos para Matemática
- Operações Elemento a Elemento e Reduções
- Multiplicação de Matrizes com matmul e @
- Produtos Escalares Movimentam Cada Camada