Die Datei holen

TheTensorTune 1.0 herunterladen

Ein Zip: eine Python-Datei, ihre Abhängigkeiten und die Doku. Vier Befehle vom Download bis zur Werkbank — und einer davon ist cd.

TheTensorTune_v1.0.zip

python TheTensorTune.py

Das Zip enthält TheTensorTune.py, INSTALL.md, LICENSE und requirements.txt. Das ist alles — und die App verbindet sich mit keinem anderen Server.

Bevor Sie starten

Was Ihr Rechner braucht

Anforderung	Minimum	Empfohlen
Python	3.10	3.12
Festplatte	~2 GB für den ersten Lauf (Bibliotheken + ein kleines Modell)	Mehr, wenn Sie größere Modelle trainieren
Betriebssystem	Linux / macOS / Windows	Linux

Installation

Entpacken Sie den Download und wechseln Sie in den Ordner. Eine virtuelle Umgebung hält Ihr globales Python sauber.

unzip TheTensorTune_v1.0.zip -d thetensortune && cd thetensortune
python3 -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

2
2 · Die sechs Abhängigkeiten installieren
Flask liefert die Werkbank aus; torch, transformers, peft und accelerate machen das Training; safetensors kümmert sich um die Gewichte. Das ist die ganze Liste.
```
pip install flask==3.1.3 torch transformers==5.17.0 peft==0.21.0 \
  accelerate==1.15.0 safetensors==0.8.0 "huggingface_hub>=0.30"
```
3
3 · Starten
Das war schon der ganze Build-Schritt. Die Werkbank öffnet sich auf einem freien lokalen Port, und datasets/, runs/ und eine kleine SQLite-Historie entstehen neben der Datei.
```
python TheTensorTune.py
```
4
4 · Erste Schritte darin
Setzen Sie TT_TOKEN, wenn der Rechner geteilt ist, schalten Sie mit FA/EN die Sprache um und öffnen dann Learn — der zwölfteilige Kurs übernimmt ab dort.

Konfiguration

TT_TOKEN: Service-Token. Wenn gesetzt, verlangt jede /api/*-Route ihn (Header X-TT-Token). In geteilten Netzwerken: immer setzen.
TT_PORT: HTTP-Port. Standardmäßig wird automatisch ein freier Port gewählt.
TT_HOST: Bind-Adresse, Standard 127.0.0.1. Fürs LAN: 0.0.0.0 — plus Token, keine Ausnahmen.
TT_HEADLESS: 1 = Browser nicht öffnen. Für Server und Container.
TT_DEBUG: 1 = ausführlichere Logs.
TT_LLAMA_CPP: Pfad zu llama-quantize, nötig für K-Quants wie q4_k_m. f16 und q8_0 brauchen es nicht.
TT_WEBHOOK_ALLOW_PRIVATE: 1 = Webhooks an private/Loopback-Ziele erlauben, für rein lokale Automatisierung.
HF_TOKEN: Hugging-Face-Token für gated Modelle. Kann auch im Modell-Block eingefügt werden; wird nie auf Disk geschrieben.

Sicherheitshinweise

01Datensatz-IDs sind auf den Ordner datasets/ gesperrt — kein Path Traversal.
02Sämtliches HTML wird clientseitig maskiert; kein Stored XSS.
03Webhooks: SSRF-Filterung, CRLF-Entfernung und HMAC-SHA256-Signaturen auf jeder Benachrichtigung.
04Token werden in konstanter Zeit verglichen und erscheinen nie in Query-Strings oder Logs.
05Browser-POSTs werden per Origin-Prüfung gegen CSRF abgesichert.
06Ihr HF-Token lebt nur für die Sitzung im Speicher — in Lauf-Konfigurationen auf Disk steht es nie.