Tensor adalah bahasa bersama seluruh framework deep learning. Menguasai shape, broadcasting, dan aturan pembuatan memori tensor membuat pesan galat yang tadinya membingungkan menjadi petunjuk yang jelas. Section ini juga memperkenalkan autograd, mekanisme yang menghitung gradien secara otomatis di balik layar.

# Konsep Tensor

Pahami tensor sebagai generalisasi skalar, vektor, dan matriks, kenali wadah data deep learning berbentuk 3D dan 4D, lalu bandingkan torch.Tensor dengan ndarray NumPy.

Buka → # Bentuk, Dimensi, dan Shape

Baca shape tensor dengan dim, numel, dan size, lalu kuasai reshape, view, permute, transpose, squeeze, dan unsqueeze beserta efeknya terhadap bentuk tensor.

Buka → # Indexing dan Slicing

Ambil elemen, baris, sub-blok, dan nilai terpilih dari tensor lewat indexing, slicing, boolean mask, gather, dan index_select, plus jebakan memori antara view dan salinan.

Buka → # Operasi Tensor

Kuasai empat keluarga operasi tensor PyTorch — elementwise, reduksi dengan dim dan keepdim, matmul 2D hingga batch 3D, serta penggabungan cat dan stack.

Buka → # Broadcasting Tensor

Terapkan aturan broadcasting PyTorch untuk normalisasi batch gambar per channel, bedah pesan galat bentuk tidak cocok, dan pilih antara expand dan repeat.

Buka → # Autograd dan Automatic Differentiation

Pahami cara autograd merekam graph operasi lalu menghitung gradien dengan backward, verifikasi hasilnya terhadap finite difference, dan kendalikan graph dengan no_grad serta detach.

Buka → # Komputasi CPU dan GPU

Tulis kode device-agnostic dengan torch.device dan .to(device), pahami kapan GPU mengungguli CPU, dan baca benchmark matmul nyata pada CPU mesin uji.

Buka → # Memory Management

Hitung konsumsi memori tensor dengan element_size dan numel, proses batch besar lewat chunk, pakai operasi in-place, dan terapkan kebiasaan hemat memori di CPU maupun GPU.

Buka →