我目前正在阅读《用Python进行深度学习》，在第42页上不太确定作者想要表达什么。链接在这里这里

更一般地，你可以按照之前为二维情况概述的形状兼容性规则，在高维张量之间进行点积运算：

(a, b, c, d) . (d,) -> (a, b, c)(a, b, c, d) . (d, e) -> (a, b, c, e)

我不太确定他在这里想要表达什么。我确实理解矩阵乘法是如何工作的，但上面这两行代码并不清楚。

回答：

按照这种表示法，矩阵乘法是

(a, b) * (b, c) -> (a, c)

当第二个矩阵是一个向量时，它简化为

(a, b) * (b, ) -> (a, )

现在，书中的公式只是简单地解释了当第一个或第二个矩阵有额外维度时，如何扩展这种操作。重要的是两者必须有一个匹配的维度（最后一个维度等于第一个维度，不需要重塑），沿着这个维度可以进行张量乘法，消除这个维度。因此，结果形状的公式为：

(a, b, c, d) * (d, e) -> (a, b, c, e)