Objektorientierte Programmierung
Wie professioneller Code aussieht, wenn Daten und Funktionen in Objekten gebündelt sind.
Du verwendest Objekte, seit du deine erste Zeile Python geschrieben hast. "Hallo" ist ein Objekt der Klasse str, [1, 2, 3] ist ein Objekt der Klasse list, und jedes Mal, wenn du .append() oder .upper() aufgerufen hast, hast du eine Methode auf einem Objekt ausgeführt. Objektorientierte Programmierung (OOP) ist das System dahinter: Es bündelt Daten und die Operationen, die zu ihnen gehören, in wiederverwendbare Einheiten.
Wenn du PyTorch, Hugging Face oder scikit-learn öffnest, ist alles, womit du arbeitest — Modelle, Tokenizer, Optimierer — ein Objekt, das aus einer Klasse erstellt wurde. OOP zu verstehen verwandelt kryptische Bibliotheksdokumentation in etwas, das du tatsächlich lesen kannst.
Die Klasse: Ein Bauplan für Objekte
Definition
Klasse
Analogie
Definition
Die Bauplan-Analogie bricht an drei Stellen: (1) Software-Klassen können von anderen Klassen erben — physische Baupläne nicht. (2) Python-Objekte können zur Laufzeit neue Attribute bekommen — als würde ein Auto plötzlich Flügel wachsen. (3) Ein neues Software-Objekt zu erstellen kostet fast nichts, ein neues Auto zu bauen ist teuer.
Merke
Wie ein Objekt entsteht
- 1. Code erreicht Hund"Bello", "Labrador"
- 2. Python erstellt ein leeres Objekt im Speicher
- 3. Python ruft __init__(neues_objekt, "Bello", "Labrador") auf
- 4. self.name = "Bello" und self.rasse = "Labrador" werden gesetzt
- 5. Fertiges Objekt wird zurückgegeben und in mein_hund gespeichert
Beispiel: Eine Hund-Klasse
class Hund:
def __init__(self, name, rasse):
self.name = name # Attribut
self.rasse = rasse # Attribut
def bellen(self): # Methode
print(f"Wuff! Ich bin {self.name}")
mein_hund = Hund("Bello", "Labrador")
mein_hund.bellen() # Ausgabe: Wuff! Ich bin Belloclass definiert den Bauplan. __init__ richtet jedes neue Objekt ein. self verweist immer auf das konkrete Objekt, das gerade erstellt oder verwendet wird. Attribute (self.name) speichern Daten am Objekt. Methoden (bellen) definieren das Verhalten.
Achtung
Häufiger Fehler: self vergessen
Wenn du self in der Methodensignatur vergisst, bekommst du eine verwirrende Fehlermeldung. Python übergibt das Objekt automatisch als erstes Argument — ohne self erwartet die Methode null Argumente, bekommt aber eines.
class Hund:
def bellen(): # self fehlt!
print("Wuff!")
mein_hund = Hund()
mein_hund.bellen()
# TypeError: Hund.bellen() takes 0 positional
# arguments but 1 was givenDas Objekt: Eine lebendige Instanz
Definition
Objekt
Analogie
Definition
Die Auto-Analogie bricht, weil: (1) Software-Objekte spätestens am Programmende zerstört werden — echte Autos bleiben physisch bestehen. (2) Objekte können ihre eigene Klasse abfragen (type(hund1)), während Autos ihren Bauplan nicht "kennen". (3) Objekte können trivial kopiert werden — einen perfekten Auto-Klon zu erstellen ist unmöglich.
Definiert Struktur und Verhalten. Handelt nicht selbst. Hund beschreibt, was Hunde können — aber Hund bellt nicht.
Hat eigene Daten und führt Methoden aus. mein_hund hat den Namen "Bello" und kann bellen().
Merke
Instanz-Unabhängigkeit
hund1 = Hund("Bello", "Labrador")
hund2 = Hund("Rex", "Schäferhund")
print(hund1.name) # Bello
print(hund2.name) # Rex
hund1.name = "Wuffi"
print(hund1.name) # Wuffi
print(hund2.name) # Rex (unverändert!)Jedes Objekt hat seine eigenen Attributwerte. hund1.name zu ändern hat keinen Einfluss auf hund2.name — sie sind unabhängige Instanzen desselben Bauplans. Das ist das Kernprinzip: Objekte teilen die Struktur, aber nicht die Daten.
Warum OOP in jeder KI-Bibliothek steckt
Die drei großen KI-Bibliotheken — PyTorch, Hugging Face Transformers und scikit-learn — sind weitgehend auf Klassen und Objekten aufgebaut. Du musst keine eigenen Klassen schreiben, um KI zu nutzen — aber du musst verstehen, dass du Objekte verwendest und Methoden auf ihnen aufrufst.
PyTorch
Jedes Modell erbt von nn.Module. Die Klasse definiert Schichten in __init__ und Datenfluss in forward(). model = nn.Linear(10, 5) erstellt ein Objekt mit .weight und .bias Attributen.
Hugging Face
GPT2Model.from_pretrained("openai-community/gpt2") ist eine Klassenmethode, die ein Objekt erstellt und vortrainierte Gewichte lädt. Speicherst du das Objekt in model, kannst du es danach wie eine Funktion aufrufen: model(**inputs). inputs enthält die vom Tokenizer vorbereiteten Eingaben, ** übergibt sie als benannte Argumente.
scikit-learn
clf = DecisionTreeClassifier() erstellt ein Objekt. clf.fit(X, y) trainiert es — der gelernte Zustand wird im Objekt gespeichert. clf.predict(X_test) nutzt diesen Zustand für Vorhersagen.
Das Muster ist überall gleich: import macht die Klasse verfügbar, der Konstruktor (oder eine Factory-Methode) erstellt ein Objekt, und Methodenaufrufe nutzen oder verändern den Zustand des Objekts. Wenn du .fit(), .predict() oder .forward() liest, liest du Methodenaufrufe auf Objekten. In PyTorch rufst du forward() aber nicht direkt auf, sondern das Objekt selbst: model(x) führt forward() für dich aus.
Achtung
Nicht alles braucht eine Klasse
OOP zu verstehen heißt nicht, alles in Klassen zu packen. Einfache Skripte funktionieren perfekt mit Funktionen. Verwende Klassen, wenn du wiederverwendbare, zustandsbehaftete Einheiten brauchst — nicht als Selbstzweck.
Attribute, die direkt in der Klasse definiert werden (außerhalb von __init__), werden von allen Instanzen geteilt. Attribute, die in __init__ über self gesetzt werden, gehören dem einzelnen Objekt.
class Hund:
art = "Canis lupus familiaris" # Klassenattribut
def __init__(self, name):
self.name = name # Instanzattribut
hund1 = Hund("Bello")
hund2 = Hund("Rex")
print(hund1.art) # Canis lupus familiaris
print(hund2.art) # Canis lupus familiaris (geteilt!)
print(hund1.name) # Bello (individuell)Vorsicht bei veränderbaren Klassenattributen! Eine Liste als Klassenattribut wird von allen Instanzen geteilt — Hängt ein Objekt etwas an die Liste an (etwa mit .append()), sehen das alle anderen. Faustregel: Veränderbare Daten (Listen, Dictionaries) immer in __init__ als Instanzattribute definieren.
class MeinModell(nn.Module) bedeutet: MeinModell IST ein nn.Module mit zusätzlichen Funktionen. Das Kind erbt alle Methoden und Attribute des Elternteils und kann eigene hinzufügen oder vorhandene überschreiben.
import torch.nn as nn
class MeinModell(nn.Module):
def __init__(self):
super().__init__() # Eltern-Init aufrufen
self.schicht = nn.Linear(10, 5)
def forward(self, x):
return self.schicht(x)So funktioniert jedes benutzerdefinierte PyTorch-Modell. Mehrfachvererbung, Polymorphismus und eigene Klassenhierarchien gehen über diesen Einstieg hinaus.
Interaktiv: Die OOP-Landkarte
Klicke auf die Konzepte in der Concept Map, um ihre Verbindungen zu erkunden. Beobachte, wie Klasse und Objekt zusammenhängen, wie Methoden und Attribute definiert und genutzt werden — und wo Vererbung ins Spiel kommt. Achte besonders darauf, wie viele Verbindungen von der Klasse ausgehen.
Klicke auf einen Kreis, um Details zu sehen.
Legende
Merke
Das Wichtigste auf einen Blick
- Eine Klasse ist ein Bauplan: Sie definiert, welche Attribute (Daten) und Methoden (Verhalten) jede Instanz haben wird — aber sie ist selbst kein Objekt im Alltagssinn.
- Ein Objekt ist eine lebendige Instanz einer Klasse. Du erstellst es, indem du den Klassennamen wie eine Funktion aufrufst: mein_hund = Hund("Bello", "Labrador").
- Jedes Objekt hat eigene Attributwerte. hund1.name zu ändern beeinflusst hund2.name nicht — sie sind unabhängige Instanzen desselben Bauplans.
- __init__ richtet den Anfangszustand eines neuen Objekts ein. self verweist auf das konkrete Objekt, das gerade erstellt oder verwendet wird. Keine Magie: __init__ ist ein fester Name, den Python automatisch aufruft; self ist nur eine Namenskonvention.
- KI-Bibliotheken (PyTorch, Hugging Face, scikit-learn) sind auf Klassen und Objekten aufgebaut. .fit(), .predict() und .forward() als Methodenaufrufe auf Objekten zu lesen ist der Schlüssel zur Nutzung.
Prüfen
Quiz: Objektorientierte Programmierung
Was ist der Unterschied zwischen einer Klasse und einem Objekt?
Wähle eine Antwort
1. Was ist der Unterschied zwischen einer Klasse und einem Objekt?
2. Was passiert bei diesem Code? class Hund: def bellen(): print("Wuff!") mein_hund = Hund() mein_hund.bellen()
3. hund1 = Hund("Bello", "Labrador"); hund2 = Hund("Rex", "Schäferhund"); hund1.name = "Wuffi". Was ist hund2.name?
4. Du liest: clf = DecisionTreeClassifier(); clf.fit(X, y); clf.predict(X_test). Was beschreibt das am besten?
Prüfen
Checkpoint: Teste dein Wissen
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen