add matrix multiplication

functions.py

@@ -143,8 +143,8 @@ class MatMul(_Function):
         # TODO: Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
-        self.dx = None
-        self.dy = None
+        self.dx = np.add(self.x.data.transpose(), self.y.data)
+        self.dy = np.add(self.x.data, self.y.data.transpose())
         #######################################################################
         # --------------------------- END OF YOUR CODE ------------------------
         #######################################################################
@@ -156,7 +156,7 @@ class Exp(_Function):
     def __init__(self, x):
         super().__init__("Exp", x)
         #######################################################################
-        # TODO: Implement the forward pass and put the result in self.result.
+        # Implement the forward pass and put the result in self.result.
         # The notbook provide you the formulas for this operation.
         #######################################################################
         self.result = np.exp(self.x.data)
@@ -166,7 +166,7 @@ class Exp(_Function):
 
     def _backward(self, grad):
         #######################################################################
-        # TODO: Implement the derivative dx for this opetation and add the
+        # Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
         self.dx = grad * np.exp(self.x.data)
@@ -181,7 +181,7 @@ class Log(_Function):
     def __init__(self, x):
         super().__init__("Exp", x)
         #######################################################################
-        # TODO: Implement the forward pass and put the result in self.result.
+        # Implement the forward pass and put the result in self.result.
         # The notbook provide you the formulas for this operation.
         #######################################################################
         self.result = np.log(self.x.data)
@@ -191,7 +191,7 @@ class Log(_Function):
 
     def _backward(self, grad):
         #######################################################################
-        # TODO: Implement the derivative dx for this opetation and add the
+        # Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
         self.dx = grad * 1/(self.x.data)
@@ -206,7 +206,7 @@ class Sin(_Function):
     def __init__(self, x):
         super().__init__("Sin", x)
         #######################################################################
-        # TODO: Implement the forward pass and put the result in self.result.
+        # Implement the forward pass and put the result in self.result.
         # The notbook provide you the formulas for this operation.
         #######################################################################
         self.result = np.sin(self.x.data)
@@ -216,7 +216,7 @@ class Sin(_Function):
 
     def _backward(self, grad):
         #######################################################################
-        # TODO: Implement the derivative dx for this opetation and add the
+        # Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
         self.dx = grad * np.cos(self.x.data)
@@ -231,7 +231,7 @@ class Cos(_Function):
     def __init__(self, x):
         super().__init__("Cos", x)
         #######################################################################
-        # TODO: Implement the forward pass and put the result in self.result.
+        # Implement the forward pass and put the result in self.result.
         # The notbook provide you the formulas for this operation.
         #######################################################################
         self.result = np.cos(self.x.data)
@@ -241,7 +241,7 @@ class Cos(_Function):
 
     def _backward(self, grad):
         #######################################################################
-        # TODO: Implement the derivative dx for this opetation and add the
+        # Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
         self.dx = grad * (-np.sin(self.x.data))
@@ -256,7 +256,7 @@ class Tan(_Function):
     def __init__(self, x):
         super().__init__("Tan", x)
         #######################################################################
-        # TODO: Implement the forward pass and put the result in self.result.
+        # Implement the forward pass and put the result in self.result.
         # The notbook provide you the formulas for this operation.
         #######################################################################
         self.result = np.tan(self.x.data)
@@ -266,7 +266,7 @@ class Tan(_Function):
 
     def _backward(self, grad):
         #######################################################################
-        # TODO: Implement the derivative dx for this opetation and add the
+        # Implement the derivative dx for this opetation and add the
         # result of the chain rule on self.dx.
         #######################################################################
         self.dx = grad * (1/np.square(np.cos(self.x.data)))