我目前正在阅读使用Python进行深度学习，我不知道作者在第42页上想说的是什么。链接是here
更一般地说，你可以在高维张量之间取点积， 遵循前面针对2D案例所述的形状兼容性相同的规则：
(a, b, c, d) . (d,) -> (a, b, c) (a, b, c, d) . (d, e) -> (a, b, c, e)
不确定他在这里想说些什么。我确实理解矩阵乘法是如何工作的，但上面两行代码并不清楚。
答案 0 :(得分：2)
按照这种表示法，矩阵乘法是
(a, b) * (b, c) -> (a, c)
当第二个矩阵是向量时，它简化为
(a, b) * (b, ) -> (a, )
现在，当第一个或第二个矩阵具有额外的维度时，本书中的公式简单地解释了如何扩展此操作。同样重要的是两者都有匹配的尺寸（最后的暗淡= =第一个暗淡，没有重塑），张力可以乘以它，从而消除了这个维度。因此，结果形状的公式为：
(a, b, c, d) * (d, e) -> (a, b, c, e)