Merge remote-tracking branch 'upstream/master'

Author: hojunking

TRANSLATION_GUIDE.md

@@ -62,6 +62,7 @@
 |Drop-out|Drop-out|황성수|번역안함|
 |epoch|에폭|박정환|음차 표기|
 |evaluation mode|평가 모드|박정환||
+|Fine-tuning|미세 조정|오왕택||
 |feature|특징|백선희||
 |feed data through model|데이터를 모델에 제공|||
 |Feed-forward network|순전파 신경망|박정환||

advanced_source/cpp_export.rst

@@ -17,7 +17,7 @@ Python은 동적성과 신속한 이터레이션이 필요한 상황에 적합
 <https://pytorch.org/docs/master/jit.html>`_ 는 PyTorch 모델을 Python에서
 C++로 변환하는 것을 가능하게 해줍니다. TorchScript는 TorchScript 컴파일러가 이해하고, 컴파일하고,
 직렬화할 수 있는 PyTorch 모델의 한 표현방식입니다. 만약 기본적인 "즉시 실행"[역자 주: eager execution]
-API를 사용해 작성된 PyTorch 모델이 있다면, 처음으로 해야할 일은 이 모델을 TorchScript 모델로 변환하는
+API를 사용해 작성된 PyTorch 모델이 있다면, 처음으로 해야 할 일은 이 모델을 TorchScript 모델로 변환하는
 것입니다. 아래에 설명되어 있듯이, 대부분의 경우에 이 과정은 매우 간단합니다. 이미 TorchScript 모듈을 가지고 있다면,
 이 섹션을 건너뛰어도 좋습니다.
 
@@ -268,7 +268,7 @@ page <https://pytorch.org/>`_ 로부터 받으실 수 있습니다. 가장 최
   [100%] Built target example-app
 
 이제 trace된 ``ResNet18`` 모델인 ``traced_resnet_model.pt`` 경로를 ``example-app`` 바이너리에
-입력했다면, "ok" 메시지를 확인할 수 있을 것입니다. 만약이 예제에 ``my_module_model.pt`` 를
+입력했다면, "ok" 메시지를 확인할 수 있을 것입니다. 만약 이 예제에 ``my_module_model.pt`` 를
 인자로 넘겼다면, 입력값이 호환되지 않는 모양이라는 에러메시지가 출력됩니다. ``my_module_model.pt`` 는
 4D가 아닌 1D 텐서를 받도록 되어있기 때문입니다.
 
@@ -307,7 +307,7 @@ C++ 어플리케이션의 ``main()`` 함수에 아래의 코드를 추가하겠
 
 마지막 줄에서 출력값의 첫 다섯 값들을 프린트합니다. 이번 튜토리얼의 앞부분에서 Python 모델에 동일한
 입력값을 넘겨주었기 때문에, 이 부분에서도 출력값은 같을 것이라고 예상할 수 있습니다. 그럼 어플리케이션을
-다시 컴파일하고 같은 직렬화된 모델에 대해 실행해보겠습니다:
+다시 컴파일하고 같은 직렬화된 모델에 대해 실행해 보겠습니다:
 
 .. code-block:: sh
 

advanced_source/cpp_frontend.rst

@@ -21,7 +21,7 @@ MNIST 숫자 이미지들을 생성할 것입니다. 개념적으로 쉬운 예
 여러분이 PyTorch C++ 프론트엔드에 대한 대략적인 개요를 파악하고 더
 복잡한 모델을 학습시키고 싶은 욕구를 불러일으키기에 충분할 것입니다.
 먼저 C++ 프론트엔드 사용에 대한 동기부여가 될 만한 이야기로 시작하고,
-곧바로 모델을 정의하고 학습해보도록 하겠습니다.
+곧바로 모델을 정의하고 학습해 보도록 하겠습니다.
 
 .. tip::
 
@@ -523,7 +523,7 @@ C++ 프론트엔드의 복잡성을 증가시키며 그 설계와 인체공학
   }
 
 후자(레퍼런스 시맨틱)의 경우, ``std::shared_ptr`` 를 사용할 수 있습니다.
-모든 곳에서 ``shared_ptr`` 를 사용한다는 가정 하에, 레퍼런스 시맨틱의
+모든 곳에서 ``shared_ptr`` 를 사용한다는 가정하에, 레퍼런스 시맨틱의
 장점은 파이썬에서와 같이 모듈이 함수에 전달되고 인자가 선언되는 방식에
 대해 생각할 부담을 덜어준다는 것입니다.
 

beginner_source/dcgan_faces_tutorial.py

@@ -17,9 +17,9 @@
 # 새로운 유명인의 사진을 만들어보겠습니다.
 # 사용할 대부분의 코드는 `pytorch/examples <https://github.com/pytorch/examples>`__ 의 DCGAN 구현에서 가져왔으며,
 # 본 문서는 구현에 대한 설명과 함께, 어째서 이 모델이 작동하는지에 대해 설명을 해줄 것입니다.
-# 처음 읽었을때는, 실제로 모델에 무슨일이 일어나고 있는지에 대해 이해하는 것이 조금 시간을 소요할 수 있으나,
+# 처음 읽었을 때는, 실제로 모델에 무슨 일이 일어나고 있는지에 대해 이해하는 것이 조금 시간을 소요할 수 있으나,
 # 그래도 GAN에 대한 사전지식이 필요하지는 않으니 걱정하지 않으셔도 됩니다.
-# 추가로, GPU 1-2개를 사용하는 것이 시간절약에 도움이 될겁니다. 그럼 처음부터 천천히 시작해봅시다!
+# 추가로, GPU 1-2개를 사용하는 것이 시간절약에 도움이 될 겁니다. 그럼 처음부터 천천히 시작해 봅시다!
 #
 # 적대적 생성 신경망(Generative Adversarial Networks)
 # ------------------------------------------------------
@@ -42,11 +42,11 @@
 # 구분자를 속이려 하고, 구분자는 진짜 이미지와 가짜 이미지를 더 정확히
 # 판별할 수 있도록 노력합니다.
 # 이러한 과정은 생성자가 마치 학습 데이터에서 가져온 것처럼 보이는
-# 완벽한 가짜 이미지를 생성해내고, 판별자는 항상 50%의 신뢰도로
+# 완벽한 가짜 이미지를 생성해 내고, 판별자는 항상 50%의 신뢰도로
 # 생성자의 출력이 진짜인지 가짜인지 판별할 수 있을 때 균형 상태(equilbrium)에
 # 도달하게 됩니다.
 #
-# 그럼 이제부터 본 튜토리얼에서 사용할 표기들을 구분자부터 정의해보겠습니다.
+# 그럼 이제부터 본 튜토리얼에서 사용할 표기들을 구분자부터 정의해 보겠습니다.
 # :math:`x` 는 이미지로 표현되는 데이터라고 하겠습니다.
 # :math:`D(x)` 는 구분자의 신경망을 나타내며, 실제 학습 데이터에서 가져온
 # :math:`x` 를 통과시켜 확률 값(scalar)을 결과로 출력합니다.

intermediate_source/dynamic_quantization_bert_tutorial.rst

@@ -16,19 +16,19 @@
 -----------------------
 
 이 튜토리얼에서는 `HuggingFace Transformers
-<https://github.com/huggingface/transformers>`_ 예제들을 따라하면서 BERT
-모델을 동적으로 양자화할 것입니다. BERT 처럼 유명하면서도 최고 성능을
+<https://github.com/huggingface/transformers>`_ 예제들을 따라 하면서 BERT
+모델을 동적으로 양자화할 것입니다. BERT처럼 유명하면서도 최고 성능을
 내는 모델을 어떻게 동적으로 양자화된 모델로 변환하는지 한 단계씩 설명하겠습니다.
 
--  BERT 또는 Transformer 의 양방향 임베딩 표현(representation) 이라 불리는 방법은
+-  BERT 또는 Transformer의 양방향 임베딩 표현(representation)이라 불리는 방법은
    질의응답, 문장 분류 등의 여러 자연어 처리 분야(문제)에서 최고 성능을 달성한
    새로운 언어 표현 사전학습 방법입니다. 원 논문은 `여기 <https://arxiv.org/pdf/1810.04805.pdf>`_
    에서 읽을 수 있습니다.
 
 -  PyTorch에서 지원하는 동적 양자화 기능은 부동소수점 모델의 가중치를 정적인
    int8 또는 float16 타입의 양자화된 모델로 변환하고, 활성 함수 부분은
-   동적으로 양자화합니다. 가중치가 int8 타입으로 양자화 됐을 때, 활성 함수 부분은
-   배치마다 int8 타입으로 동적으로 양자화 됩니다. PyTorch에는 지정된 모듈을
+   동적으로 양자화합니다. 가중치가 int8 타입으로 양자화됐을 때, 활성 함수 부분은
+   배치마다 int8 타입으로 동적으로 양자화됩니다. PyTorch에는 지정된 모듈을
    동적이면서 가중치만 갖도록 양자화된 형태로 변환하고, 양자화된 모델을 만들어내는
    `torch.quantization.quantize_dynamic API <https://pytorch.org/docs/stable/quantization.html#torch.quantization.quantize_dynamic>`_ 가 있습니다.