大学刚学完矩阵论，一搞深度学习，代码.dot 和 矩阵* 傻傻分不清了。这里就帮各位大佬区分一下.
规则大家都知道，讲个记忆。叉乘吗，自然需要行列交叉相乘的形式才行的(^_−)☆ 学过矩阵运算的都知道，我们其实默认说的矩阵乘法就是这个所谓的叉乘 就是两个矩阵形状对的上，才能正确就行叉乘运算,也就是行与列对应相乘最后相加，放在对应位置。
举个栗子o(´^｀)o： 形状上: （NM）(M,Q)=(N,Q)
实例：
(32) * (23) = (3*3) 由于默认各位大佬都是有矩阵基础的，具体规则大佬们回忆一下就好。
在深度学习中，反而这种运算并不是太多，这个运算主要是用在矩阵形状变换（博主是在NLP自然语言处理，分词里面用到） 你想，如果用在CV里面，一个图片的行乘与一个图片的列在加起来，有何物理意义？
规则大家都知道，讲个记忆。点乘吗，自然是矩阵“点”对应相乘的形式(^_−)☆
代码上一般是.dot（A,B），A,B矩阵自然要形式完全一样才可以
举个栗子o(´^｀)o： 由于矩阵运算大大加快了，大数据时代的数据处理速度，对矩阵应点位相运算的形式具有实际物理意义，因此点乘的形式使用反而更多
对于大佬们，本想简单点，两句话搞定，最后想了想还是加入了和深度学习的联系，这样小伙伴们能更好的区分这两种矩阵运算的形式ヾ(=･ω･=)o
人工智能路漫漫，一起共勉(๑＞ڡ＜)☆
