recipes_source/recipes/reasoning_about_shapes.py 번역 (#779)

* recipes_source/recipes/reasoning_about_shapes.py 번역

recipes_source/recipes/reasoning_about_shapes.py

@@ -1,18 +1,15 @@
 """
-Reasoning about Shapes in PyTorch
+PyTorch의 Shape들에 대한 추론
 =================================
+번역: `이영섭 <https://github.com/0seob>`_
 
-When writing models with PyTorch, it is commonly the case that the parameters
-to a given layer depend on the shape of the output of the previous layer. For
-example, the ``in_features`` of an ``nn.Linear`` layer must match the
-``size(-1)`` of the input. For some layers, the shape computation involves
-complex equations, for example convolution operations.
+일반적으로 PyTorch로 모델을 작성할 때 특정 계층의 매개변수는 이전 계층의 출력 shape에 따라 달라집니다.
+예를 들어, ``nn.Linear`` 계층의 ``in_features`` 는 입력의 ``size(-1)`` 와 일치해야 합니다.
+몇몇 계층의 경우, shape 계산은 합성곱 연산과 같은 복잡한 방정식을 포함합니다.
 
-One way around this is to run the forward pass with random inputs, but this is
-wasteful in terms of memory and compute.
+이를 랜덤한 입력으로 순전파(forward pass)를 실행하여 해결할 수 있지만, 이는 메모리와 컴퓨팅 파워를 낭비합니다.
 
-Instead, we can make use of the ``meta`` device to determine the output shapes
-of a layer without materializing any data.
+대신에 ``meta`` 디바이스를 활용한다면 데이터를 구체화하지 않고도 계층의 출력 shape을 결정할 수 있습니다.
 """
 
 import torch
@@ -29,8 +26,8 @@
 
 
 ##########################################################################
-# Observe that since data is not materialized, passing arbitrarily large
-# inputs will not significantly alter the time taken for shape computation.
+# 데이터가 구체화되지 않기 때문에 임의로 큰 입력을 전달해도 shape 계산에 소요되는 시간이 
+# 크게 변경되지는 않습니다.
 
 t_large = torch.rand(2**10, 3, 2**16, 2**16, device="meta")
 start = timeit.default_timer()
@@ -42,7 +39,7 @@
 
 
 ######################################################
-# Consider an arbitrary network such as the following:
+# 다음과 같은 임의의 네트워크를 가정합니다:
 
 import torch.nn as nn
 import torch.nn.functional as F
@@ -61,23 +58,23 @@ def __init__(self):
     def forward(self, x):
         x = self.pool(F.relu(self.conv1(x)))
         x = self.pool(F.relu(self.conv2(x)))
-        x = torch.flatten(x, 1) # flatten all dimensions except batch
+        x = torch.flatten(x, 1) # 배치를 제외한 모든 차원을 평탄화 합니다.
         x = F.relu(self.fc1(x))
         x = F.relu(self.fc2(x))
         x = self.fc3(x)
         return x
 
 
 ###############################################################################
-# We can view the intermediate shapes within an entire network by registering a
-# forward hook to each layer that prints the shape of the output.
+# 각각의 계층에 출력의 shape을 인쇄하는 forward hook을 등록하여 네트워크의 
+# 중간 shape을 확인할 수 있습니다.
 
 def fw_hook(module, input, output):
     print(f"Shape of output to {module} is {output.shape}.")
 
 
-# Any tensor created within this torch.device context manager will be
-# on the meta device.
+# torch.device context manager(with 구문) 내부에서 생성된 모든 tensor는 
+# meta 디바이스 내부에 존재합니다.
 with torch.device("meta"):
     net = Net()
     inp = torch.randn((1024, 3, 32, 32))

recipes_source/recipes_index.rst

@@ -122,8 +122,8 @@ Recipes are bite-sized bite-sized, actionable examples of how to use specific Py
    :tags: Basics
 
 .. customcarditem::
-   :header: Reasoning about Shapes in PyTorch
-   :card_description: Learn how to use the meta device to reason about shapes in your model.
+   :header: PyTorch의 Shape에 대한 추론
+   :card_description: meta 디바이스를 사용하여 모델의 shape을 추론하는 방법을 알아봅니다.
    :image: ../_static/img/thumbnails/cropped/generic-pytorch-logo.png
    :link: ../recipes/recipes/reasoning_about_shapes.html
    :tags: Basics