Матричное умножение играет ключевую роль в современных технологиях машинного обучения. 3 Вот некоторые примеры его применения:

• Дополнение набора изображений для обучения свёрточной нейронной сети. 5 Например, если нужно дополнить набор поворотами изображений, чтобы сеть могла распознавать их независимо от наклона. 5 Для этого используется умножение матрицы векторов координат на матрицу трансформации. 5
• Получение вектора предсказаний модели. 5 Произведение матрицы тренировочного набора данных на вектор весов даёт вектор предсказаний модели. 5 Если вычесть из него вектор истинных значений, получится вектор ошибок, который можно передать в функцию потерь. 5

Матричное умножение позволяет эффективно задействовать все вычислительные ресурсы современных процессоров и графических ускорителей. 4 Поэтому многие алгоритмы стараются свести к этому алгоритму — дополнительные расходы, связанные с подготовкой данных, как правило, окупаются общим ускорением алгоритмов. 4