Alles wird zu Zahlen (Tensoren)

🎥 Video-Erklärung von HerrKI

🔬 Runter zum Tensor: Was Tensoren sind

Stell dir vor: Du zeigst deinem Computer ein Foto von deinem Hund und möchtest, dass er lernt, Hunde zu erkennen. Oder du gibst ihm einen Text und er soll die Stimmung verstehen. Aber hier ist das Problem: Computer können weder Bilder "sehen" noch Texte "lesen" - sie verstehen nur eines: Zahlen!

Hier kommen Tensoren ins Spiel! Ein Tensor ist nichts anderes als eine strukturierte Sammlung von Zahlen - du kannst es dir vorstellen wie:

• 📊 Eine Excel-Tabelle voller Zahlen (2D)
• 📚 Ein Stapel von Excel-Tabellen übereinander (3D)
• 🎲 Sogar mehrere Stapel nebeneinander (4D, 5D, ...)

🎯 Das Wichtigste zum Verstehen:

Tensoren = Mehrdimensionale Arrays von Zahlen

Egal was du ins neuronale Netz steckst - Bilder, Text, Audio, Videos - alles wird erst in Tensoren (Zahlen) umgewandelt. Nur dann kann das Netz damit rechnen und lernen!

Warum ist das so wichtig? Weil neuronale Netze im Kern nichts anderes machen als Mathematik mit Zahlen: Multiplikationen, Additionen, Aktivierungsfunktionen. Ohne Tensoren - keine KI! In den nächsten Kapiteln zeige ich dir genau, wie du Bilder, Excel-Daten, Texte und mehr in Tensoren umwandelst. 🚀

💡 HerrKI erklärt's einfach: Neuronale Netze können nur mit Zahlen arbeiten! Egal ob Bilder, Text, Audio oder Excel-Tabellen - ich zeige dir jetzt, wie alles in Tensoren (Zahlen) umgewandelt wird. Das ist die fundamentale Grundlage für alles, was in Machine Learning passiert!

🔢 Die verschiedenen Tensor-Dimensionen (Ranks):

RANK 0

Skalar (0D)

Eine einzelne Zahl

42

Shape: ()

Beispiel: Temperatur, Preis, Alter

RANK 1

Vektor (1D)

Eine Liste von Zahlen

1

5

3

8

Shape: (4)

Beispiel: Zeitreihe, Audio-Sample

RANK 2

Matrix (2D)

Tabelle aus Zeilen und Spalten

1

2

3

4

5

6

7

8

9

Shape: (3, 3)

Beispiel: Excel-Tabelle, Graustufenbild

RANK 3+

3D+ Tensor

Mehrere gestapelte Matrizen

R

R

R

R

G

G

G

G

Shape: (2, 2, 3)

Beispiel: Farbbild (RGB), Video

🔄 Wie werden echte Daten in Tensoren umgewandelt?

📊 Einzelne Zahl

Temperatur: 23.5°C

↓

tf.tensor(23.5) // Shape: ()

→ Rank 0 Tensor (Skalar)

📋 Liste von Zahlen

Preise: [10, 25, 15, 30]

↓

tf.tensor([10, 25, 15, 30]) // Shape: (4)

→ Rank 1 Tensor (Vektor)

📊 Tabelle (Excel)

Wohnungsdaten: Größe, Zimmer, Preis

↓

tf.tensor2d([ [50, 2, 800], [70, 3, 1200], [90, 4, 1500] ]) // Shape: (3, 3)

→ Rank 2 Tensor (Matrix)

🖼️ Graustufenbild

28x28 Pixel, Werte 0-255

↓

tf.tensor2d(pixelData) // Shape: (28, 28)

→ Rank 2 Tensor

🎨 Farbbild (RGB)

64x64 Pixel, RGB-Kanäle

↓

tf.tensor3d(imageData) // Shape: (64, 64, 3) // 3 = R, G, B

→ Rank 3 Tensor

💬 Text / Wörter

"Hallo Welt"

↓

// Word Embeddings tf.tensor([0.2, 0.8, -0.3, 0.5]) // Shape: (4)

→ Rank 1 Tensor (Vektor)

🎬 Video

30 Frames, 128x128 RGB

↓

tf.tensor4d(videoData) // Shape: (30, 128, 128, 3) // 30 Frames

→ Rank 4 Tensor

📦 Batch (Mehrere Beispiele)

10 Wohnungen als Batch

↓

tf.tensor2d([ [50, 2, 800], [70, 3, 1200], // ... 8 weitere ]) // Shape: (10, 3)

→ Rank 2 Tensor

🧐 „Müssen die Zahlen nicht zwischen 0 und 1 liegen?"
Nein! Ein Tensor darf jede Zahl enthalten — 23.5 °C, 350 m², 255 als Farbwert: alles völlig korrekt. Das Umrechnen auf 0–1 (die Normalisierung) ist kein Teil des Tensors, sondern ein Trainings-Trick: Wenn ein neuronales Netz später aus den Zahlen lernen soll, klappt das stabiler und schneller, wenn alle Werte ähnlich groß sind. Genau das lernst du in „Bilder als Tensoren" (Pixel ÷ 255) und „Excel/CSV → Tensoren" — hier schauen wir uns die Tensoren erst einmal mit ihren echten, vollwertigen Zahlen an.

🎯 Wie kommen Tensoren ins Neuronale Netz?

Das neuronale Netz erwartet Tensoren in einer bestimmten Shape:

• Eingabe-Layer: Die Shape muss mit der Anzahl der Features übereinstimmen
• Beispiel: Wohnung mit 3 Features (Größe, Zimmer, Stock) → inputShape: [3]
• Batch Processing: Mehrere Beispiele werden gleichzeitig verarbeitet → Shape: (batch_size, features)
• Ausgabe: Das Netz gibt einen Tensor in der Form zurück, die du definiert hast (z.B. 1 Zahl für Regression, 10 Zahlen für 10 Klassen)

🎮 Tensoren zum Anfassen

Im Video und in den vier Karten oben hast du Skalar, Vektor, Matrix und 3D-Tensor gesehen — jetzt baust du sie selbst. Wähl eine Form, zieh an den Reglern und beobachte, wie sich Shape, Rang und die Anzahl der Zahlen mitverändern. Genau diese drei Angaben liest ein KI-Entwickler als Erstes, wenn er neue Daten vor sich hat.

Zwei Dinge fallen dabei schnell auf: Die Shape wird nur eine Klammer länger, wenn eine Achse dazukommt — die Anzahl der Zahlen dagegen wird multipliziert. Und die Reihenfolge in der Shape ist kein Zufall: erst Zeilen, dann Spalten, bei 3D davor noch der Stapel.

🔙 Zurück zur Anwendung

Und zurück zur Anwendung: Wenn dein Handy dein Gesicht erkennt, passiert exakt das hier — Kamera-Bild → Tensor (Höhe × Breite × 3) → Netz rechnet → eine Zahl („du bist es: 0.98“). Kein Hexenwerk, nur Shapes und Mathe. Bei der Wohnungspreis-Schätzung ist es derselbe Ablauf, nur kleiner: [Größe, Zimmer, Stock] → Shape [3] → eine Zahl in Euro. Und DESHALB lohnt sich der Aufwand mit Skalar, Vektor, Matrix und Rank 3+: Wer die Shape lesen kann, sieht jeder KI-Anwendung an, was da eigentlich hineinfließt und was herauskommt.

Das war das wichtigste Kapitel des ganzen Kurses. Ab jetzt wirst du in JEDEM Kapitel denken: „Okay — welche Shape hat das gerade?“ Genau dieser Blick unterscheidet Anwender von Entwicklern. Weiter geht's mit dem ersten echten Datentyp: Bilder als Tensoren — und wenn du wissen willst, wie man mit Tensoren RECHNET, wartet „Tensor-Operationen“ auf dich.

🧠 Kurzer Check — hast du es?

Drei schnelle Fragen, dann bist du durch — klick einfach deine Antwort an:

HerrKI: Alles wird zu Zahlen (Tensoren). herrki.de/010_was_sind_tensoren, ein privates Hobbyprojekt von Terragon.de, abgerufen am 4. November 2026.