Multiplicação de matrizes com np.matmul e @

A multiplicação de matrizes está no centro da ciência de dados e do aprendizado de máquina. Ela fundamenta redes neurais, redução de dimensionalidade e transformações lineares. Em Python, o NumPy oferece duas maneiras simples de multiplicar matrizes: a função np.matmul() e o operador @, introduzido no Python 3.5. Ambas são rápidas, vetorizadas e muito mais eficientes do que loops Python aninhados.

Para duas matrizes A e B, o produto A @ B só é válido quando o número de colunas em A é igual ao número de linhas em B. Se A tiver forma (m, n) e B tiver forma (n, k), o resultado terá forma (m, k). Essa regra é chamada de restrição das dimensões internas e se aplica independentemente da função do NumPy utilizada.

np.matmul(A, B) e A @ B produzem resultados idênticos para matrizes bidimensionais. O operador @ é simplesmente açúcar sintático — internamente, ele chama __matmul__, que o NumPy implementa usando a mesma rotina BLAS em nível C. Use @ no código cotidiano por sua legibilidade; use np.matmul quando quiser passar a função como objeto chamável ou tratar explicitamente casos especiais.

O NumPy tem três funções de multiplicação que são fáceis de confundir. A * B é uma multiplicação elemento a elemento (produto de Hadamard). np.dot(A, B) se comporta como np.matmul para matrizes bidimensionais, mas tem semântica diferente para dimensões maiores. A @ B é estritamente uma multiplicação de matrizes e segue precisamente a definição matemática — prefira-o a np.dot em operações com matrizes.

Diferentemente da multiplicação escalar, a multiplicação de matrizes não é comutativa: em geral, A @ B é diferente de B @ A. Talvez as formas nem sejam compatíveis nas duas direções. Isso é importante ao escrever transformações — a ordem das operações altera o resultado. Sempre controle qual matriz está à esquerda e qual está à direita.

Quando suas matrizes têm mais de duas dimensões, np.matmul e @ tratam as dimensões iniciais adicionais como dimensões de lote e multiplicam as matrizes em paralelo. Por exemplo, uma matriz de forma (32, 3, 4) multiplicada por uma de forma (32, 4, 5) produz um resultado de forma (32, 3, 5) — 32 multiplicações independentes de 3×4 @ 4×5 de uma só vez. É assim que as estruturas de aprendizado profundo processam lotes pequenos com eficiência.

Um caso especial comum é multiplicar uma matriz por um vetor. Se A tiver forma (m, n) e v for uma matriz unidimensional de comprimento n, então A @ v produzirá uma matriz unidimensional de comprimento m. O NumPy cuida automaticamente do alinhamento das formas — você não precisa remodelar v como um vetor coluna. Esse padrão aparece em toda parte: na aplicação de pesos em regressão linear, na projeção de características e no cálculo simultâneo de produtos escalares para cada linha.

A multiplicação de matrizes do NumPy chama rotinas BLAS/LAPACK otimizadas e é executada em código C compilado. Um loop aninhado em Python puro que implemente a mesma operação costuma ser 100 a 1.000 vezes mais lento para matrizes grandes. Quando precisar repetir produtos de matrizes em um pipeline de dados — transformações de características, projeções de PCA, atualizações de pesos — use sempre @ ou np.matmul e nunca implemente o loop interno por conta própria.

Você pode encadear várias operações @ em uma expressão: A @ B @ C é avaliada da esquerda para a direita. O NumPy não otimiza automaticamente a ordem das multiplicações (ao contrário do MATLAB com mtimes); portanto, se as matrizes tiverem tamanhos muito diferentes, a ordem poderá afetar a velocidade. Para três ou mais matrizes, considere usar np.linalg.multi_dot([A, B, C]), que seleciona automaticamente o agrupamento mais eficiente.

O erro mais comum na multiplicação de matrizes é uma incompatibilidade de dimensões: ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0. Para corrigi-lo, verifique as dimensões com A.shape e certifique-se de que as dimensões internas coincidem. Se tiver um vetor linha de dimensão (n,) que precise ser tratado como um vetor coluna (n, 1), use v.reshape(-1, 1). Se precisar da transposta, use A.T.

Um caso de uso típico em ciência de dados: tem um conjunto de dados X com dimensão (n_samples, n_features) e uma matriz de pesos W com dimensão (n_features, n_outputs). O produto de matrizes X @ W aplica uma transformação linear a cada amostra simultaneamente, produzindo a dimensão (n_samples, n_outputs). Esse é o cálculo central de uma camada linear em uma rede neural e da previsão por regressão linear.

Nesta lição, você aprendeu que: np.matmul e @ implementam a multiplicação matricial verdadeira (não elemento a elemento), as dimensões internas das duas matrizes precisam coincidir e @ permite a multiplicação em lotes nas dimensões iniciais. A seguir, exploraremos determinantes, inversas e transpostas — as operações que indicam se uma matriz pode ser "desfeita".