Elementweise Operationen und Reduktionen
Summe, Mittelwert und Maximum über ausgewählte Achsen.
Elementweise Operationen und Reduktionen ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Two Kinds of Operations
Tensor math splits into two families: elementwise ops that keep the shape, and reductions that collapse it down to fewer numbers.
Elementwise Keeps the Shape
An elementwise op applies the same action to every entry independently. Input shape in, same shape out, no mixing between positions.
b = a * 2 + 1
# same shape as a, every element transformedPairwise Elementwise Math
With two tensors of equal shape, elementwise ops act position by position. Add matches index to index, multiply does the same.
c = a + b
d = a * bMath Functions Are Elementwise Too
Functions like torch.relu, exp, and sqrt run elementwise. Each number is transformed on its own, and the tensor keeps its original shape.
r = torch.relu(x)
e = torch.exp(x)Reductions Collapse Numbers
A reduction combines many values into fewer. Sum, mean, and max fold a whole tensor down, by default to a single scalar.
total = x.sum()
avg = x.mean()The dim Argument Picks an Axis
Pass dim to reduce along one axis only. The chosen axis disappears while the others stay, so a 2D tensor becomes 1D.
col_sums = x.sum(dim=0)
row_means = x.mean(dim=1)keepdim Saves the Shape
Set keepdim=True to keep the reduced axis as size 1. That preserved shape is what makes later broadcasting line up cleanly.
m = x.max(dim=1, keepdim=True).valuesMean Needs Floats
mean divides, so it expects floating-point input. Call it on an integer tensor and PyTorch will complain until you cast to float first.
avg = x.float().mean()argmax Finds the Winner
Sometimes you want the position, not the value. argmax returns the index of the largest entry, which is how a classifier picks its predicted class.
pred = logits.argmax(dim=1)Chain Them Together
Real code stacks both kinds: an elementwise transform feeds a reduction. Square the errors, then take the mean, and you have mean squared error.
mse = ((pred - target) ** 2).mean()Pick Shape-Keeping or Shape-Shrinking
The rule of thumb: reach for elementwise when every value should change in place, and reach for a reduction when you need a summary like a total or average.
Quick Check
Can you tell which operation changes a tensor shape?
Recap: Transform vs Summarize
Elementwise ops keep the shape and act per value; reductions like sum and mean collapse it, with dim and keepdim controlling exactly how. 🎯
Häufig gestellte Fragen
Ist die Lektion „Elementweise Operationen und Reduktionen“ kostenlos?
Ja — der vollständige Text von „Elementweise Operationen und Reduktionen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Elementweise Operationen und Reduktionen“?
Summe, Mittelwert und Maximum über ausgewählte Achsen. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Elementweise Operationen und Reduktionen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Warum Schleifen bei Berechnungen langsam sind
- Elementweise Operationen und Reduktionen
- Matrixmultiplikation mit matmul und @
- Skalarprodukte treiben jede Schicht an