Ihr erstes torch.tensor
Erstellen Sie einen Tensor und geben Sie seine Form und seinen Datentyp aus.
Ihr erstes torch.tensor ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 4 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.
Meet the Tensor
A tensor is PyTorch's core data container, a grid of numbers much like a NumPy array but ready to run on a GPU. 🧮
Create One from a List
The simplest way to make a tensor is torch.tensor from a Python list. PyTorch copies your numbers into a fast numerical grid.
x = torch.tensor([1, 2, 3])Print It Out
Printing a tensor shows its values wrapped in tensor(...), so you always know you are looking at PyTorch data, not a plain list.
print(x)Shape Describes Structure
The shape tells you the size along each dimension. A flat list of three values has a shape of three.
print(x.shape)Build a 2D Tensor
Nest lists to make a grid. This matrix has two rows and three columns, so its shape reads as two by three.
m = torch.tensor([[1, 2, 3], [4, 5, 6]])Dtype Is the Number Type
Every tensor has a dtype, the kind of number it stores. Whole numbers become int64, decimals become float32 by default.
print(x.dtype)Floats for Training
Networks learn with decimals, so most model data is float32. Add a decimal point and PyTorch picks the float type for you.
y = torch.tensor([1.0, 2.0, 3.0])Set the Dtype Yourself
You can request a type directly with the dtype argument, which is handy when you need floats from integer input.
z = torch.tensor([1, 2], dtype=torch.float32)Tensors Full of Zeros
Need a blank tensor of a given size? torch.zeros fills the shape you ask for with zeros, perfect as a starting buffer.
torch.zeros(2, 3)Random Tensors
Model weights often start random. torch.rand gives a tensor of the shape you choose, filled with values between zero and one.
torch.rand(2, 3)Count the Dimensions
The number of dimensions is the tensor's rank. Read it with .ndim: a vector is rank one, a matrix is rank two.
print(m.ndim)Quick Check
Reason about the shape of a nested-list tensor.
Recap
You created tensors from lists, read their shape and dtype, and made zeros and random grids. This is the data deep learning runs on. ✅
Häufig gestellte Fragen
Ist die Lektion „Ihr erstes torch.tensor“ kostenlos?
Ja — der vollständige Text von „Ihr erstes torch.tensor“ 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 „Ihr erstes torch.tensor“?
Erstellen Sie einen Tensor und geben Sie seine Form und seinen Datentyp aus. 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 4 von 4.
Wie lange dauert die Lektion „Ihr erstes torch.tensor“?
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
- PyTorch installieren und den Import überprüfen
- CPU vs. GPU vs. MPS: Gerät auswählen
- Notebooks, Skripte und reproduzierbare Seeds
- Ihr erstes torch.tensor