Eine minimale Trainingsschleife schreiben
Durchlaufen Sie Daten und aktualisieren Sie Gewichte.
Eine minimale Trainingsschleife schreiben 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.
From Steps to a Loop
You know the four moves of one iteration. Now you wrap them in a loop that walks over your data again and again until the model is trained. 🔁
Gather the Ingredients
Before looping you need three things: a model, a loss function, and an optimizer that holds your model's parameters. Set them up once, up front.
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())Loop Over Epochs
The outer loop counts epochs, one full pass through your training data. A few epochs may be plenty for a small problem, more for a hard one.
for epoch in range(epochs):
...Loop Over Batches
Inside each epoch you iterate the dataloader, which hands you one batch of inputs and labels at a time instead of the whole dataset at once.
for x, y in dataloader:
...Zero, Then Forward
Start each batch by clearing old gradients, then run the forward pass to get predictions. Order matters: zero first, then predict.
optimizer.zero_grad()
pred = model(x)Measure, Then Learn
Compute the loss, call backward for gradients, then step the optimizer. These three lines are where every weight actually improves.
loss = loss_fn(pred, y)
loss.backward()
optimizer.step()The Full Skeleton
Stitch it together and you have a complete training loop. It is short on purpose: this same shape powers projects of every size.
for epoch in range(epochs):
for x, y in dataloader:
optimizer.zero_grad()
loss = loss_fn(model(x), y)
loss.backward()
optimizer.step()Watch the Loss
Print the loss each epoch so you can see learning happen. A number that trends down means your loop is working as intended.
print(epoch, loss.item())Why item Matters
Use loss.item to pull out a plain Python float. Logging the raw tensor instead keeps the whole computation graph alive and wastes memory.
If Loss Stalls
If the loss refuses to drop, suspect the basics first: a learning rate that is too high or too low, or a forgotten zero_grad each step.
Small but Complete
This loop is tiny yet it is genuinely complete. Everything fancier you meet later just adds validation, logging, or speed on top of these few lines.
Quick Check
What does the inner loop iterate over in a minimal training loop?
Recap
You built a real training loop: loop epochs, loop batches, then zero, forward, loss, backward, step. Print the loss to watch it learn. 🎉
Häufig gestellte Fragen
Ist die Lektion „Eine minimale Trainingsschleife schreiben“ kostenlos?
Ja — der vollständige Text von „Eine minimale Trainingsschleife schreiben“ 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 „Eine minimale Trainingsschleife schreiben“?
Durchlaufen Sie Daten und aktualisieren Sie Gewichte. 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 „Eine minimale Trainingsschleife schreiben“?
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
- Forward-Pass, Loss, Backward, Step
- Eine minimale Trainingsschleife schreiben
- Genauigkeit während des Trainings verfolgen
- Trainings- und Evaluationsmodus