🧠 AI-Lab
🧠 AI-Lab

Account

Lade Account...

Masterclass · Kapitel 20

Training from Scratch

Loss, Backpropagation, Optimizer und CUDA

Du verstehst den tatsĂ€chlichen Lernprozess: Forward Pass, Fehler, Gradienten, Gewichtsanpassung und warum GPU-Training dafĂŒr sinnvoll ist.

Diese Masterclass verbindet Theorie, Mathematik und echten NOVA-Code. Sie zeigt nicht nur, was ein Konzept bedeutet, sondern wo es in unserer Vision-Forge-Pipeline auftaucht.
Abschnitt 2 von 5Kapitel 20

20.2 Forward Pass

Gehe zu Abschnitt 1: Start mit ZufallsgewichtenGehe zu Abschnitt 2: Forward PassGehe zu Abschnitt 3: Loss: Wie falsch war NOVA?Gehe zu Abschnitt 4: Backpropagation und OptimizerGehe zu Abschnitt 5: CUDA und Mixed Precision

Forward Pass

Beim Forward Pass lÀuft ein Batch Bilder durch das Modell.

Das Ergebnis sind Logits fĂŒr jede Klasse.

Diese Logits werden mit den echten Labels verglichen.

Mathematischer Kern
Ʒ = fΞ(x)
Ʒ enthÀlt einen Score pro Klasse.
Forward Pass
with torch.amp.autocast('cuda'):
    logits = model(images)
    loss = criterion(logits, labels)
ZurĂŒck
Vorheriger Abschnitt
Weiter
NĂ€chster Abschnitt
NOVA wird geladen...

NOVA Energie-Log

RTX-Verbrauch

NOVA schÀtzt hier, wie viel GPU-Energie deine Bildanalyse- und CUDA-LÀufe bisher ungefÀhr verbraucht haben.

Lade Energie-Daten...