Shapes, Dtypes und Indexierung
Lesen Sie die Form eines Tensors aus und greifen Sie per Slice darauf zu.
Shapes, Dtypes und Indexierung ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 1 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.
Tensors Are Just Numbers in a Grid
Ein Tensor ist eine Schachtel aus Zahlen, die in Zeilen, Spalten oder noch tiefer angeordnet sind. Alles im Deep Learning fließt durch sie hindurch.
Shape Describes the Layout
Die shape gibt an, wie viele Werte entlang jeder Dimension liegen. Lies sie wie die Dimensionen einer Schachtel: Zeilen mal Spalten. 📦
Check Shape with .shape
Fragt man einen Tensor nach seinem .shape, liefert PyTorch die Größe jeder Dimension der Reihe nach zurück.
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x.shape) # torch.Size([2, 3])Dimensions Count with .ndim
Die Anzahl der Dimensionen ist der Rang des Tensors. Ein Skalar ist 0, ein Vektor ist 1, eine Matrix ist 2 und Bilder gehen höher.
x = torch.tensor([[1, 2], [3, 4]])
print(x.ndim) # 2Every Tensor Has a Dtype
Das dtype gibt die Art der gespeicherten Zahl an, wie float32 oder int64. Es steuert die Präzision und welche Berechnungen zulässig sind.
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype) # torch.float32Float32 Is the Default for Learning
Die meisten Netzwerke werden in float32 trainiert, da Gradienten Dezimalzahlen benötigen. Ganzzahlen können die winzigen fraktionalen Aktualisierungen nicht speichern.
Cast Between Dtypes
Ändern Sie den Typ eines Tensors mit .to() oder .float(). So gleichen Sie die erwartete Präzision eines Modells an.
x = torch.tensor([1, 2, 3])
y = x.to(torch.float32)
print(y.dtype) # torch.float32Indexing Grabs One Value
Indexing verwendet eckige Klammern, um ein einzelnes Element anhand seiner Position herauszuziehen, wobei ab Null gezählt wird.
x = torch.tensor([10, 20, 30])
print(x[0]) # tensor(10)Two Indices for a Matrix
Geben Sie für einen 2D-Tensor zuerst eine Zeile und dann eine Spalte an. Die Reihenfolge richtet sich immer nach der Form (shape), die Sie zuvor gesehen haben.
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # tensor(6)Slicing Takes a Range
Verwende einen Doppelpunkt, um einen ganzen Ausschnitt zu erhalten. start:stop behält alles bis zu, aber ausschließlich stop.
x = torch.tensor([10, 20, 30, 40])
print(x[1:3]) # tensor([20, 30])Slice Rows and Columns Together
Ein einzelner Doppelpunkt bedeutet, dass die gesamte Dimension übernommen wird. Auf diese Weise wählen Sie eine ganze Spalte über alle Zeilen hinweg aus.
x = torch.tensor([[1, 2], [3, 4]])
print(x[:, 0]) # tensor([1, 3])Quick Check
Zeit zu testen, was Form und Indexierung wirklich bedeuten.
Recap: Shapes, Dtypes & Indexing
Sie können nun die Form (shape) eines Tensors auslesen, seinen Datentyp (dtype) überprüfen und ihn zuschneiden (slicing). Diese drei Fähigkeiten bilden die Grundlage für alle kommenden Tensor-Operationen. 🎉
Häufig gestellte Fragen
Ist die Lektion „Shapes, Dtypes und Indexierung“ kostenlos?
Ja — der vollständige Text von „Shapes, Dtypes und Indexierung“ 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 „Shapes, Dtypes und Indexierung“?
Lesen Sie die Form eines Tensors aus und greifen Sie per Slice darauf zu. 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 1 von 4.
Wie lange dauert die Lektion „Shapes, Dtypes und Indexierung“?
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
- Shapes, Dtypes und Indexierung
- Reshape, View, Squeeze und Unsqueeze
- Broadcasting-Regeln, die Schleifen sparen
- Tensoren sprechen mit NumPy