سرفصل‌ها درس 24 از 246 · ماژول 2: ریاضی و احتمال، فقط به اندازهٔ نیاز
ماژول 2: ریاضی و احتمال، فقط به اندازهٔ نیاز

ضرب ماتریسی: یک لایهٔ کامل با هم

چرا مهم است یک لایه نورون‌های بسیار است و یک دسته ورودی‌های بسیار. یک ضرب ماتریسی همهٔ نورون‌ها را روی همهٔ ورودی‌ها در یک خط محاسبه می‌کند.

ورودی‌ها را به‌صورت ردیف‌های X روی هم بچینید (شکل: ورودی‌ها در ویژگی‌ها). وزن‌های هر نورون را به‌صورت یک ستون از W بچینید (شکل: ویژگی‌ها در نورون‌ها). آن‌گاه X @ W برای هر ورودی یک ردیف و برای هر نورون یک ستون دارد: درایهٔ (i, j) ضرب داخلی ورودی i با وزن‌های نورون j است.

اعداد کوچک

X = [[1, 2],      W = [[1, 0, -1],
     [3, 4]]           [0, 1,  1]]
X @ W = [[1, 2, 1],
         [3, 4, 1]]

ردیف 1، ستون 3: 1 ضرب در -1 به‌علاوهٔ 2 ضرب در 1 برابر 1 است. شکل‌ها زنجیر می‌شوند: (2, 2) @ (2, 3) نتیجهٔ (2, 3) می‌دهد. اعداد درونی باید جور باشند.

ضرب ماتریسی: هر ردیف چپ ضرب در هر ستون راست، به‌صورت ضرب‌های داخلی.

خلاصه (batch, in) @ (in, out) = (batch, out). همین یک قاعدهٔ شکل کل دوره را پیش می‌برد.

واژه‌ها و نمادهای این درس
ضرب داخلی (a . b)
اقلام متناظر را ضرب و همه را جمع کنید؛ وقتی بردارها هم‌سو هستند بزرگ است
نوبت شما

layer(X, W, b) را بنویسید که X @ W + b را برمی‌گرداند، و layer_shape(batch, n_in, n_out) را که شکل خروجی را بدون ساختن هیچ آرایه‌ای به‌صورت یک تاپل برمی‌گرداند.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.