Tensoren

Die Datenstruktur hinter allem: erzeugen, rechnen, umformen, broadcasten

Tempo

1 / 15

Vorbereitung Erzeugen Forward Verlust Backward Update ErgebnisTasten: ← → Schritt · ↑ ↓ Step Over · Leertaste Play · B Haltepunkt · Klick auf ● neben der Zeilennummer

📜Quelltext

Zeile 1

1➤import torch

3a = torch.tensor([[1., 2., 3.],

4 [4., 5., 6.]])

5print(a.shape, a.dtype)

7b = torch.ones(2, 3)

8c = a + b # elementweise

9d = a * 10 # Skalar wird gestreckt

10e = a.reshape(3, 2) # gleiche Daten, neue Form

11f = a @ e # Matrixmultiplikation

12g = a + torch.tensor([100., 200., 300.]) # Broadcasting

13s = a.sum(dim=0) # Spaltensummen

14m = a.mean() # Mittelwert aller Elemente

16a_gpu = a.to("cuda") # auf die Grafikkarte kopieren

🖥️Konsole (stdout)

— noch keine Ausgabe —

🔎Variablen (locals)

🟡 = geändert

Noch keine Variablen – das Programm hat gerade erst begonnen.

🧰 VorbereitungZeile 1

PyTorch importieren

Mit import torch steht die komplette Bibliothek bereit. Das Herzstück ist der Tensor – ein mehrdimensionales Zahlenfeld, das auf CPU oder GPU liegen kann und sich merken kann, wie es berechnet wurde.

🎬Visualisierung

🧊

Alles in PyTorch ist ein Tensor

10-D: Skalar – eine einzelne Zahl, z. B. ein Verlustwert
21-D: Vektor – z. B. ein Wort-Embedding
32-D: Matrix – z. B. Gewichte einer Schicht
44-D: Bild-Stapel – Batch × Kanäle × Höhe × Breite