为什么深度学习离不开矩阵计算？一篇看懂向量化与 Batch

视频来源：B站 @Ai学术叫叫兽
视频链接：https://www.bilibili.com/video/BV1VjKd6hEun/

很多同学学到这里都会问：

为什么深度学习到处都是矩阵？

答案很简单：

模型不是在算一个样本、一个神经元，而是在同时算大量样本、大量特征、大量神经元。矩阵计算就是把重复劳动打包，一次性交给高效底层库和 GPU。

---

01 核心公式

Z = W X + b

符号	含义
X	一个 batch 的输入样本
W	一层网络的权重矩阵
b	偏置，会沿 batch 维度广播
Z	当前层输出

比如：

W(3×4) × X(4×5) = Z(3×5)

中间维度 4 对上，所以能乘；输出取外侧 3×5。

---

02 六个关键词

概念	小白记法
向量	一维数字列表
矩阵	二维数字表
张量	三维及以上数组
向量化	用矩阵运算替代显式循环
并行计算	大量相似运算同时执行
Shape 检查	用维度规则判断计算能否成立

记住一句话：

看不懂模型时，先别看名字，先看 shape。

---

03 Batch 是什么？

Batch 不是改变模型含义，而是把多个样本并排计算。

如果一个样本是 4×1，5 个样本并排就是：

X(4×5)

权重是：

W(3×4)

那么输出：

Z(3×5)

Z 的每一列对应一个样本的输出。

04 为什么向量化更快？

显式 Python 循环是一小步一小步调度：

for i in range(batch_size):
    for j in range(num_neurons):
        ...

向量化写法是：

Z = W @ X + b

底层会调用高效矩阵运算库，并利用硬件并行。

所以向量化不只是代码短，而是执行方式更适合深度学习。

---

05 课后自测

1. W(3×4) 和 X(4×5) 能否相乘？
2. 输出 shape 是什么？
3. Batch 维度表示什么？
4. 为什么 batch 不是越大越好？
5. 遇到 shape 报错应该先查什么？

答案核心：

可以相乘，输出 3×5。
Batch 表示一次并排处理多少个样本。
先查输入、输出、中间变量和广播规则。

---

资料领取

第06讲 PPT、讲义、动画和 NumPy 代码练习可以无偿送给大家。

需要资料的同学，评论区或私信回复：

06向量化

后面继续更新深层神经网络、CNN、YOLO26 训练和部署。想系统补深度学习基础，记得关注。