LECCIÓN 8

Matriz por vector

La operación reina del álgebra lineal — y la que hace funcionar a cada capa de cada red neuronal. Le metes un vector a una matriz, sale otro vector. Y es solo... varios productos punto.

1La receta en una frase

Para multiplicar una matriz por un vector: haz el producto punto de cada fila de la matriz con el vector, y junta los resultados. Cada resultado es una componente del vector de salida.

[

a	b
c	d

] · [

] = [

a·x + b·y

c·x + d·y

]

primera componente = primera fila · vector · segunda componente = segunda fila · vector

2Lo aplicamos a M y a

Recuerda: M = [[1, 2], [0, 1]] y a = (3, 1). Vamos a calcular M · a:

[

1	2
0	1

] · [

] = [

]

✍️ Paso a paso, fila por fila

PRIMERA componente = (fila 1 de M) · (a)
                    = (1, 2) · (3, 1)
                    = 1·3 + 2·1            ← producto punto
                    = 3 + 2
                    = 5

SEGUNDA componente = (fila 2 de M) · (a)
                    = (0, 1) · (3, 1)
                    = 0·3 + 1·1            ← producto punto
                    = 0 + 1
                    = 1

Resultado:  M · a = (5, 1)

El vector a = (3, 1) ha sido transformado por M en el vector (5, 1). La matriz lo "movió" — lo desplazó horizontalmente sin cambiar su altura.

3Antes y después, dibujado

imagen 1 · la matriz M transformó a (3, 1) en (5, 1)

El vector a entró a la "máquina M" y salió convertido en (5, 1). Se movió a la derecha; la altura no cambió.

4Esto ya lo conoces — es una capa de red neuronal

Recuerda cómo describimos una capa en el curso de redes (lección 3):

z = x · W + b

Esa multiplicación x · W es, palabra por palabra, una multiplicación matriz-por-vector (con detalles de cómo se "pone" el vector, pero la idea es idéntica). Cada elemento de z es el producto punto de los pesos de una neurona con la entrada.

🌟 Una capa de red = una multiplicación matriz por vector + un bias. Lo que en redes parecía "muchas neuronas haciendo cálculos en paralelo" es UNA sola operación: M · x. Por eso las GPUs son tan rápidas con esto: están optimizadas exactamente para esta operación.

5Pruébalo: cambia M y mira cómo transforma a

Modifica los 4 números de la matriz y observa adónde va a parar el vector a = (3, 1) después de aplicar M.

M[1,1]1.0

M[1,2]2.0

M[2,1]0.0

M[2,2]1.0

6Resumen

✍️ La receta en una caja

M · v   =   (fila 1 de M) · v
            (fila 2 de M) · v
            ...
            (fila m de M) · v

→ cada componente de la salida es un PRODUCTO PUNTO.

Resumen: matriz por vector = una serie de productos punto. Toma un vector y produce otro. Es la operación más usada de toda la IA. Resultado oficial: M · a = (5, 1). En la próxima lección veremos qué le hace M (y otras matrices) al espacio entero — rotaciones, escalados, cizallas, espejos.