intermediate/autograd_saved_tensors_hooks_tutorial 개선 (#623)

* fixing translations

* update translations

Author: hyoyoung

intermediate_source/autograd_saved_tensors_hooks_tutorial.py

@@ -1,5 +1,5 @@
 """
-미분자동화(autograd) 저장된 텐서를 위한 Hooks
+미분자동화(autograd) 저장된 tensor를 위한 Hooks
 ================================================
 
 """
@@ -8,9 +8,11 @@
 ######################################################################
 # 파이토치는 일반적으로 역전파를 사용하여 기울기를 계산합니다.
 # 그러나 특정 작업에서는 역전파를 수행하기 위한 중간결과를 저장해야 합니다.
-# 이번 튜토리얼에서는 이러한 텐서를 저장/검색하는 방법과 패킹/언패킹 프로세스를 제어하기위한 hooks을 정하는 방법을 안내합니다.
+# 이번 튜토리얼에서는 이러한 tensor를 저장/검색하는 방법과
+# 패킹/언패킹 절차를 제어하는 hooks을 정의하는 방법을 안내합니다.
 
-# 이 튜토리얼에서는 사용자가 역전파가 이론상에서 작동하는 방식에 익숙하다고 가정합니다. 아니라면, 아래의 자료를 먼저 읽어보세요.
+# 이 튜토리얼에서는 독자가 역전파가 어떻게 동작하는지를 이론적으로 잘 알고 있다고 가정합니다.
+# 아니라면, 아래의 자료를 먼저 읽어보세요.
 # https://colab.research.google.com/drive/1aWNdmYt7RcHMbUk-Xz2Cv5-cGFSWPXe0#scrollTo=AHcEJ6nXUb7W
 
 ######################################################################
@@ -19,13 +21,14 @@
 
 
 ######################################################################
-# 모델의 훈련은 일반적으로 모델을 인퍼런스하는 것보다 학습하는 과정에서 메모리를 더 많이 사용합니다.
-# 대략적으로 말하면 파이토치는 역전파를 호출하는데 필요한 계산 그래프를 저장해야하므로 추가 메모리 사용량이 있기 때문입니다.
-# 이 튜토리얼의 한가지 목표는 이러한 이해에 대한 미세 조정을 실행하는 것입니다.
+# 일반적으로 모델을 추론하는 것보다 학습하는 과정에서 메모리를 더 많이 사용합니다.
+# 대략적으로 말하면 파이토치는 역전파를 호출하는데 필요한 계산 그래프를 저장해야하므로
+# 추가 메모리 사용하기 때문입니다.
+# 이 튜토리얼의 목표 중 하나는 이런 내용을 이해와 미세 조정을 제공하는 것입니다.
 #
-# 사실, 이 그래프 자체로는 가끔은 그다지 많은 메모리를 사용하진 않습니다. 여타의 텐서들을 복제하지 않는 것 처럼요.
-# 그러나, 그래프는 *참조* 를 유지할 수 있습니다.
-# 그렇지 않으면 범위를 벗어난 텐서를 : **저장된 텐서** 라고 명명할 수 있습니다.
+# 실제로 때때로 (연산) 그래프 자체는 tensor들을 전혀 복제하지 않기 때문에 많은 메모리를 소모하지는 않습니다.
+# 하지만, 그래프는 범위에서 벗어난 tensor들에 대한 *참조(reference)* 는 유지할 수 있습니다.
+# 이러한 tensor들을 **저장된 tensor(saved tensor)** 라고 합니다.
 
 
 ######################################################################
@@ -34,8 +37,8 @@
 
 
 ######################################################################
-# 간단한 예제를 시작해봅시다: :math:`y = a \cdot b` , 이것은 미분량(그래디언트)로 알고있는 :math: `y`,로 각각 :math: `a` and
-# :math: `b`:로 상정합니다.
+# 간단한 예제를 시작해봅시다: :math:`y = a \cdot b`, 변화도를 알고있는 :math: `y`,로 각각 :math: `a` and
+# :math: `b`:로 합니다.
 
 # .. math::  \frac{\partial y}{\partial a} = b
 # .. math::  \frac{\partial y}{\partial b} = a
@@ -55,22 +58,25 @@
 
 
 ######################################################################
-# 이 예제에서 파이토치는 중간 값 :math: `a` 및 :math: `b` 를 저장하여 역방향 동안 기울기를 계산합니다.
+# 이 예제에서 파이토치는 중간 값 :math: `a` 및 :math: `b` 를 저장하여
+# 역방향 동안 변화도를 계산합니다.
 #
 # .. figure:: https://user-images.githubusercontent.com/8019486/130124538-3da50977-6f0b-46d0-8909-5456ade9b598.png
 #   :width: 300
 #   :align: center
 
 
 ######################################################################
-# 이러한 중간 값(위의 주황색)은 접두사 ``_saved``로 시작하는 ``y``의 ``grad_fn`` 속성을 찾아 (디버깅 목적으로) 액세스할 수 있습니다.
+# 이러한 중간 값(위의 주황색)은 접두사 ``_saved``로 시작하는 
+# ``y``의 ``grad_fn`` 속성을 찾아 (디버깅 목적으로) 접근 할 수 있습니다.
 
 print(y.grad_fn._saved_self)
 print(y.grad_fn._saved_other)
 
 
 ######################################################################
-# 계산 그래프가 깊어질수록 *저장된 텐서*가 더 많이 저장됩니다. 한편, 텐서는 그래프가 아니었다면 범위를 벗어나게 됩니다.
+# 계산 그래프가 깊어질수록 *저장된 tensor*가 더 많이 저장됩니다.
+# 한편, tensor는 그래프가 아니었다면 범위를 벗어나게 됩니다.
 
 def f(x):
     return x * x
@@ -86,17 +92,20 @@ def f(x):
 ######################################################################
 # 위의 예제에서 미분(grad)없이 실행하면 범위내의 ``x`` 와 ``y`` 는 유지되지만
 # 그래프에서는 ``f(x)`` 와 ``f(f(x))`` 가 추가로 저장됩니다.
-# 따라서 훈련 중 정방향 경로를 실행하면 평가중에 (더 정확하게는 자동미분(auto grad)가 필요하지 않은 경우보다) 메모리 사용비중이 더 많아지게 됩니다.
+# 따라서 훈련 중 정방향 경로를 실행하면 평가중에 
+# (더 정확하게는 자동미분(auto grad)가 필요하지 않은 경우보다)
+# 메모리 사용량이 더 많아지게 됩니다.
 
 
 ######################################################################
 # 패킹과 언패킹의 개념
-# ~~~~~~~~~~~~~~~~~~~
+# ~~~~~~~~~~~~~~~~~~~~
 
 
 
 ######################################################################
-# 첫 번째 예제로 돌아가서 ``y.grad_fn._saved_self`` 와 ``y.grad_fn._saved_other`` 는 각각 원래 텐서 객체 ``a`` 와 ``b`` 를 가리킵니다.
+# 첫 번째 예제로 돌아가서 ``y.grad_fn._saved_self`` 와 ``y.grad_fn._saved_other`` 는
+# 각각 원래 tensor 객체 ``a`` 와 ``b`` 를 가리킵니다.
 
 a = torch.randn(5, requires_grad=True)
 b = torch.ones(5, requires_grad=True)
@@ -116,18 +125,21 @@ def f(x):
 
 
 ######################################################################
-# 내부적으로는 파이토치는 참조주기를 방지하기 위해서 텐서 ``y`` 를 **패킹** 및 **언패킹** 했습니다
-# 경험상, 역전파 저장된 텐서에 엑세스하면 원래 텐서와 동일한 텐서의 객체가 생성된다는 결과를 기대해서는 *안됩니다.*
-# 그러나 동일한 *저장소*를 공유합니다.
+# 내부적으로는 파이토치는 참조주기를 방지하기 위해서 tensor ``y`` 를
+# **패킹** 및 **언패킹** 했습니다
+# 경험상, 역전파 저장된 tensor에 엑세스하면 원래 tensor와
+# 동일한 tensor의 객체가 생성된다는 결과를 기대해서는 *안됩니다*.
+# 그러나 tensor는 동일한 *저장소*를 공유합니다.
 
 ######################################################################
-# 저장된 텐서 hooks
+# 저장된 tensors hooks
 # -------------------
 
 
 
 ######################################################################
-# 파이토치는 텐서들이 패킹되고 언패킹되는지 저장할 수 있는 조정가능한 API를 제공합니다.
+# 파이토치는 tensor들이 어떻게 패킹되고 언패킹되는지
+# 저장할 수 있는 제어 가능한 API를 제공합니다.
 
 def pack_hook(x):
     print("Packing", x)
@@ -146,9 +158,9 @@ def unpack_hook(x):
 
 
 ######################################################################
-# ``pack_hook`` 함수는 작업이 역전파를 위해 텐서를 저장할 때 마다 호출됩니다. 그러면
-# ``pack_hook`` 의 출력이 원래 텐서 대신 계산 그래프에 저장됩니다.
-# ``unpack_hook`` 은 해당 반환 값을 사용하여 역방향 전달 중에 실제로 사용된 텐서를 새 텐서로 계산합니다.
+# ``pack_hook`` 함수는 작업이 역전파를 위해 tensor를 저장할 때 마다 호출됩니다. 그러면
+# ``pack_hook`` 의 출력이 원래 tensor 대신 계산 그래프에 저장됩니다.
+# ``unpack_hook`` 은 해당 반환 값을 사용하여 역방향 전달 중에 실제로 사용된 tensor를 새 tensor로 계산합니다.
 # 일반적으로 ``unpack_hook(pack_hook(t))`` 가 ``t`` 와 같길 기대합니다.
 
 
@@ -160,8 +172,8 @@ def unpack_hook(x):
 
 
 ######################################################################
-# 한 가지 주의할 점은 ``unpack_hook`` 이 올바른 값을 가진 텐서를 파생할 수 있는 한
-# ``pack_hook`` 의 출력은 *모든 파이썬 객체* 가 될 수 있다는 것입니다.
+# 한 가지 주의할 점은 ``unpack_hook`` 이 올바른 값을 가진 tensor를 파생할 수 있는 한
+# ``pack_hook`` 의 출력은 *any 파이썬 객체* 가 될 수 있다는 것입니다.
 
 ######################################################################
 # 몇 가지 특이한 예제들
@@ -170,14 +182,13 @@ def unpack_hook(x):
 
 
 ######################################################################
-# 먼저, 가능성을 설명하기 위해서 몇 가지 어리석어보이는 예가 있지만 아마 하고싶지 않을 수도 있습니다.
+# 먼저, 가능은 하지만 바보같아서 누구도 하고 싶어하지 않는 예제 몇가지를 살펴보겠습니다.
 
 ######################################################################
 # **반환 및 int**
-#
-# 파이썬 리스트의 인덱스반환
-#
-# 상대적으로는 상관없지만 논란의 여지가 있는 유용성
+ 
+# 파이썬 리스트의 인덱스 반환
+# 상대적으로는 위험하진 않지만 논란의 여지가 있는 유용성
 
 storage = []
 
@@ -198,7 +209,7 @@ def unpack(x):
 ######################################################################
 # **튜플의 반환**
 #
-# 일부 텐서와 함수를 반환하고 압축을 푸는 방법은 현재 형태로는 유용하지 않을 것입니다.
+# 일부 tensor와 함수를 반환하고 패킹을 푸는 방법은 이런 형태로는 유용하지 않을 것입니다.
 
 def pack(x):
     delta = torch.randn(*x.size())
@@ -219,8 +230,8 @@ def unpack(packed):
 ######################################################################
 # **str의 반환**
 #
-# 텐서의 __repr__ 반환은
-# 아마도 절대 이렇게 하진 않을 것!
+# tensor의 __repr__ 반환
+# 아마도 이렇게 하지 말 것 
 
 x = torch.randn(5, requires_grad=True)
 with torch.autograd.graph.saved_tensors_hooks(lambda x: repr(x), lambda x: eval("torch." + x)):
@@ -230,20 +241,23 @@ def unpack(packed):
 
 
 ######################################################################
-# 이러한 예제는 실제로 유용하지 않을 것이지만 ``pack_hook`` 의 출력이 원래 텐서의 내용을 검색하기에 충분한 정보를 포함하는 한
-# 실제로 모든 Python의 객체가 될 수 있음을 보여줍니다.
+# 이러한 예제는 실제로 유용하지 않을 것이지만
+# 원래 tensor의 내용을 가져오기에 충분한 정보를 가지고 있다면
+# ``pack_hook`` 의 결과물이 어떤 파이썬 객체라도 
+# 될 수 있음을 보여줍니다.
 # 다음 섹션에서는 더 유용한 응용프로그램에 중점을 두겠습니다.
 
 ######################################################################
-# 텐서를 CPU에 저장하기
+# tensor를 CPU에 저장하기
 # ~~~~~~~~~~~~~~~~~~~~~~~~
 
 
 
 ######################################################################
-# 매우 빈번하게, 계산 그래프를 수반하는 텐서는 GPU에 있습니다.
-# 그래프에 이러한 텐서에 대한 참조를 유지하는 것은 대부분의 모델이 평가중에 정상적으로 수행되었을 때
-# 훈련중에 GPU 메모리가 부족하게 만드는 원인이 됩니다.
+# 매우 빈번하게, tensor 계산 그래프 GPU에 살아 있습니다.
+# 대부분 경우에서 모델이 평가중에 정상적으로 수행되지만 훈련 중에 메모리가 부족하다면,
+# 계산 그래프에서 tensor에 대한 참조 유지가
+# GPU 메모리를 부족하게 만드는 원인이 됩니다.
 #
 # hooks는 이를 구현하는 매우 간단한 방법을 제공합니다.
 
@@ -265,7 +279,8 @@ def unpack_hook(packed):
 
 
 ######################################################################
-# 실제로 파이토치는 이러한 hooks를 편리하게 사용할 수 있는 API를 제공합니다. (고정된 메모리를 사용하는 기능도 포함.)
+# 실제로 파이토치는 이러한 hooks를 편리하게 사용할 수 있는 API를 제공합니다.
+# (고정된 메모리를 사용하는 기능도 포함).
 
 import torch.nn as nn
 
@@ -287,11 +302,11 @@ def forward(self, x):
 
 ######################################################################
 # 실제로 A100 GPU에서 배치크기가 256인 resnet-152의 경우 이는 GPU메모리 사용량이
-# 48G에서 5GB로 6배 느려지는 비용 감소에 해당합니다.
+# 48G에서 5GB로 줄어들지만, 이는 6배 느려지는 댓가를 치뤄야합니다.
 #
 # 물론 네트워크 특정부분만 CPU에 저장하여 절충안을 조정할 수 있습니다.
 #
-# 예를 들어, 모든 모듈을 감싸두고 해당 텐서를 CPU에 저장하는 특별한
+# 예를 들어, 어떤 모듈을 감싸두고 해당 tensor를 CPU에 저장하는 특별한
 # ``nn.Module`` 을 정의할 수 있습니다.
 
 class SaveToCpu(nn.Module):
@@ -315,18 +330,19 @@ def forward(self, *args, **kwargs):
 
 
 ######################################################################
-# 텐서를 디스크에 저장하기
+# tensor를 디스크에 저장하기
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 
 
 ######################################################################
-# 마찬가지로, 이러한 텐서를 디스크에 저장하고 싶을 수 도 있습니다. 다시 말하지만 이것은 앞서말한 hooks로 달성할 수 있습니다.
+# 비슷하게, 이러한 tensor를 디스크에 저장하고 싶을 수 도 있습니다.
+# 다시 말하지만 이것은 앞서말한 hooks로 달성할 수 있습니다.
 
 ######################################################################
-# 단순한 버전의 아마 이럴것입니다.
+# 모자란 버전은 보통 이럴것입니다.
 #
-# 단순버전 - 힌트: 이렇게 하지 마시오.
+# 모자란 버전(naive version) - 힌트: 이렇게 하지 마시오.
 
 import uuid
 tmp_dir = "temp"
@@ -365,7 +381,7 @@ def unpack_hook(name):
 
 ######################################################################
 # 위의 코드가 작동하지 않는 이유는 ``unpack_hook`` 가 여러번 호출되기 때문입니다.
-# 먼저 압축을 풀 때 파일을 삭제하면 처음에, 저장된 텐서에 엑세스시에 사용할 수 없습니다.
+# 먼저 압축을 풀 때 파일을 삭제하면 처음에, 저장된 tensor에 접근시에 사용할 수 없습니다.
 # 두 번째에는 오류가 발생합니다.
 
 x = torch.ones(5, requires_grad=True)
@@ -380,8 +396,9 @@ def unpack_hook(name):
 
 
 ######################################################################
-# 이문제를 해결하기위해 이점을 활용하는 hooks의 버전을 작성할 수 있습니다.
-# 파이토치가 저장된 데이터를 자동으로 해제(삭제)한다는 사실이 더이상 필요하지 않을 때입니다.
+# 이 문제를 해결하기 위해,
+# 파이토치는 저장된 데이터를 더이상 필요하지 않을 때
+# 자동으로 해제(삭제) 하는 이점을 활용하는 hooks의 버전을 작성할 수 있습니다.
 
 class SelfDeletingTempFile():
     def __init__(self):
@@ -405,7 +422,7 @@ def unpack_hook(temp_file):
 #
 # 다음과 같은 방식으로 모델에 사용할 수 있습니다.
 
-# 사이즈 >=1000인 텐서만이 디스크에 저장될 수 있습니다.
+# 사이즈 >=1000인 tensor만이 디스크에 저장될 수 있습니다.
 
 SAVE_ON_DISK_THRESHOLD = 1000
 
@@ -434,10 +451,11 @@ def forward(self, *args, **kwargs):
 
 
 ######################################################################
-# 이 마지막 예제에서는 저장해야 하는 (여기에서는 원소의 수가 1000 이상인) 텐서들을 골라내는 방법과
+# 이 마지막 예제에서는 저장해야 하는 (여기에서는 원소의 수가 1000 이상인) tensor들을 골라내는 방법과
 # 이 기능을 ``nn.DataParallel`` 과 함께 사용하는 방법을 살펴보았습니다.
 
 
 ######################################################################
 # 여기까지 잘 따라오셨나요? 축하합니다!
-# 이제 저장된 텐서 hooks을 어떻게 사용하는지와 연산 시 메모리 관리(trade-offs)에 유용하게 사용할 수 있는 방법을 알게 되셨습니다.
+# 이제 저장된 tensor hooks를 어떻게 사용하는지와
+# 연산 시 메모리 관리(trade-offs)에 유용하게 사용할 수 있는 방법을 알게 되셨습니다.