Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Einführung in Tensoren | Einführung in PyTorch
PyTorch-Grundlagen

bookEinführung in Tensoren

Was ist ein Tensor?

Bereits bekannte Spezialfälle von Tensors:

  • Skalar (0D-Tensor): eine einzelne Zahl, wie 5 oder 3.14;
  • Vektor (1D-Tensor): eine Zahlenliste, zum Beispiel [1, 2, 3];
  • Matrix (2D-Tensor): ein zweidimensionales Zahlenraster, ähnlich einer Tabelle mit Zeilen und Spalten.

Höherdimensionale Tensoren (3D, 4D usw.) erweitern das Konzept der Matrizen auf zusätzliche Dimensionen. Ein 3D-Tensor kann beispielsweise ein Bild mit Höhe, Breite und Farbkanälen darstellen.

Auch wenn die Terminologie zunächst komplex erscheinen mag, ist das zentrale Konzept, dass Tensoren einfach Behälter für numerische Daten sind, ähnlich wie NumPy-Arrays.

Tensoren in PyTorch vs. NumPy-Arrays

PyTorch-Tensoren verhalten sich in vielerlei Hinsicht ähnlich wie NumPy-Arrays. Zudem funktionieren Indexierung und Slicing bei Tensoren genauso wie bei NumPy-Arrays, daher werden diese Themen in diesem Kurs nicht behandelt.

PyTorch-Tensoren bieten jedoch zusätzliche Vorteile, wie zum Beispiel:

  • Native Unterstützung für GPU-Beschleunigung;
  • Integration mit den Deep-Learning-Modulen von PyTorch;
  • Kompatibilität mit autograd, dem automatischen Differenzierungswerkzeug von PyTorch für das Backpropagation.

Erstellen von Tensoren

PyTorch bietet verschiedene Möglichkeiten, Tensoren zu erstellen. Eine der grundlegendsten Methoden ist das Erstellen eines Tensors aus einer Liste oder einem NumPy-Array. Die empfohlene Vorgehensweise hierfür ist, die Daten an die Funktion torch.tensor() zu übergeben:

1234
import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
copy
Aufgabe

Swipe to start coding

Direktes Erstellen eines 3D-Tensors aus einer 3D-Liste ohne die Liste in einer separaten Variablen zu speichern. Der Tensor kann beliebige Dimensionen und beliebige Elemente enthalten.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 2
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

What are some other ways to create tensors in PyTorch?

Can you explain more about the differences between PyTorch tensors and NumPy arrays?

How do higher-dimensional tensors work in practice?

close

Awesome!

Completion rate improved to 5

bookEinführung in Tensoren

Swipe um das Menü anzuzeigen

Was ist ein Tensor?

Bereits bekannte Spezialfälle von Tensors:

  • Skalar (0D-Tensor): eine einzelne Zahl, wie 5 oder 3.14;
  • Vektor (1D-Tensor): eine Zahlenliste, zum Beispiel [1, 2, 3];
  • Matrix (2D-Tensor): ein zweidimensionales Zahlenraster, ähnlich einer Tabelle mit Zeilen und Spalten.

Höherdimensionale Tensoren (3D, 4D usw.) erweitern das Konzept der Matrizen auf zusätzliche Dimensionen. Ein 3D-Tensor kann beispielsweise ein Bild mit Höhe, Breite und Farbkanälen darstellen.

Auch wenn die Terminologie zunächst komplex erscheinen mag, ist das zentrale Konzept, dass Tensoren einfach Behälter für numerische Daten sind, ähnlich wie NumPy-Arrays.

Tensoren in PyTorch vs. NumPy-Arrays

PyTorch-Tensoren verhalten sich in vielerlei Hinsicht ähnlich wie NumPy-Arrays. Zudem funktionieren Indexierung und Slicing bei Tensoren genauso wie bei NumPy-Arrays, daher werden diese Themen in diesem Kurs nicht behandelt.

PyTorch-Tensoren bieten jedoch zusätzliche Vorteile, wie zum Beispiel:

  • Native Unterstützung für GPU-Beschleunigung;
  • Integration mit den Deep-Learning-Modulen von PyTorch;
  • Kompatibilität mit autograd, dem automatischen Differenzierungswerkzeug von PyTorch für das Backpropagation.

Erstellen von Tensoren

PyTorch bietet verschiedene Möglichkeiten, Tensoren zu erstellen. Eine der grundlegendsten Methoden ist das Erstellen eines Tensors aus einer Liste oder einem NumPy-Array. Die empfohlene Vorgehensweise hierfür ist, die Daten an die Funktion torch.tensor() zu übergeben:

1234
import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
copy
Aufgabe

Swipe to start coding

Direktes Erstellen eines 3D-Tensors aus einer 3D-Liste ohne die Liste in einer separaten Variablen zu speichern. Der Tensor kann beliebige Dimensionen und beliebige Elemente enthalten.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 2
single

single

some-alt