apply v1.10.1, pytorch/tutorials@444fbd1 (#387)

README.md

@@ -22,7 +22,7 @@ PyTorch에서 제공하는 튜토리얼의 한국어 번역을 위한 저장소
 
 ## 원문
 
-현재 PyTorch v1.9 튜토리얼 번역이 진행 중입니다. ([pytorch/tutorials@2571e95](https://github.com/pytorch/tutorials/commit/2571e95df42b8ed46d11ac9827c637fa4e826dfe) 기준)
+현재 PyTorch v1.10.1 튜토리얼([pytorch/tutorials@444fbd1](https://github.com/pytorch/tutorials/commit/444fbd16f2ddf9967baf8b06e83867a141b071c2) 기준) 번역이 진행 중입니다.
 
 최신 버전의 튜토리얼(공식, 영어)은 [PyTorch tutorials 사이트](https://pytorch.org/tutorials) 및 [PyTorch tutorials 저장소](https://github.com/pytorch/tutorials)를 참고해주세요.
 
@@ -46,5 +46,5 @@ v1.0 이후 번역은 별도 저장소로 관리하지 않습니다. [이 저장
   | 0.3.1  | [PyTorch-tutorials-kr-0.3.1](https://9bow.github.io/PyTorch-tutorials-kr-0.3.1) | [GitHub 저장소](https://github.com/9bow/PyTorch-tutorials-kr-0.3.1) |
 
 ---
-This is a project to translate [pytorch/tutorials@2571e95](https://github.com/pytorch/tutorials/commit/2571e95df42b8ed46d11ac9827c637fa4e826dfe) into Korean.
+This is a project to translate [pytorch/tutorials@444fbd1](https://github.com/pytorch/tutorials/commit/444fbd16f2ddf9967baf8b06e83867a141b071c2) into Korean.
 For the latest version, please visit to the [official PyTorch tutorials repo](https://github.com/pytorch/tutorials).

advanced_source/torch_script_custom_ops.rst

@@ -579,13 +579,13 @@ custom operator, that loads and executes a serialized TorchScript model:
     }
 
     // Deserialize the ScriptModule from a file using torch::jit::load().
-    std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv[1]);
+    torch::jit::script::Module module = torch::jit::load(argv[1]);
 
     std::vector<torch::jit::IValue> inputs;
     inputs.push_back(torch::randn({4, 8}));
     inputs.push_back(torch::randn({8, 5}));
 
-    torch::Tensor output = module->forward(std::move(inputs)).toTensor();
+    torch::Tensor output = module.forward(std::move(inputs)).toTensor();
 
     std::cout << output << std::endl;
   }
@@ -1029,5 +1029,5 @@ visible to TorchScript:
 
   >>> import torch
   >>> torch.ops.load_library("warp_perspective.so")
-  >>> print(torch.ops.custom.warp_perspective)
+  >>> print(torch.ops.my_ops.warp_perspective)
   <built-in method custom::warp_perspective of PyCapsule object at 0x7ff51c5b7bd0>

beginner_source/basics/optimization_tutorial.py

@@ -135,7 +135,7 @@ def forward(self, x):
 #####################################
 # 학습 단계(loop)에서 최적화는 세단계로 이뤄집니다:
 #  * ``optimizer.zero_grad()``\ 를 호출하여 모델 매개변수의 변화도를 재설정합니다. 기본적으로 변화도는 더해지기(add up) 때문에 중복 계산을 막기 위해 반복할 때마다 명시적으로 0으로 설정합니다.
-#  * ``loss.backward()``\ 를 호출하여 예측 손실(prediction loss)을 역전파합니다. PyTorch는 각 매개변수에 대한 손실의 변화도를 저장합니다.
+#  * ``loss.backwards()``\ 를 호출하여 예측 손실(prediction loss)을 역전파합니다. PyTorch는 각 매개변수에 대한 손실의 변화도를 저장합니다.
 #  * 변화도를 계산한 뒤에는 ``optimizer.step()``\ 을 호출하여 역전파 단계에서 수집된 변화도로 매개변수를 조정합니다.
 
 

beginner_source/blitz/autograd_tutorial.py

@@ -32,7 +32,11 @@
 
 학습 단계를 하나만 살펴보겠습니다. 여기에서는 ``torchvision`` 에서 미리 학습된 resnet18 모델을 불러옵니다.
 3채널짜리 높이와 넓이가 64인 이미지 하나를 표현하는 무작위의 데이터 텐서를 생성하고, 이에 상응하는 ``label(정답)`` 을
-무작위 값으로 초기화합니다.
+무작위 값으로 초기화합니다. 미리 학습된 모델의 정답(label)은 (1, 1000)의 모양(shape)을 갖습니다.
+
+.. note::
+     이 튜토리얼은 (텐서를 CUDA로 이동하더라도) GPU에서는 동작하지 않으며 CPU에서만 동작합니다.
+
 """
 import torch, torchvision
 model = torchvision.models.resnet18(pretrained=True)
@@ -59,8 +63,8 @@
 
 ############################################################
 # 다음으로, 옵티마이저(optimizer)를 불러옵니다.
-# 이 예제에서는 학습율(learning rate) 0.1과 모멘텀(momentum) 0.9를 갖는 SGD입니다.
-# 옵티마이저(optimizer)에 모델의 모든 매개변수를 등록합니다.
+# 이 예제에서는 학습율(learning rate) 0.1과 `모멘텀(momentum) <https://towardsdatascience.com/stochastic-gradient-descent-with-momentum-a84097641a5d>`__
+# 0.9를 갖는 SGD입니다. 옵티마이저(optimizer)에 모델의 모든 매개변수를 등록합니다.
 #
 
 optim = torch.optim.SGD(model.parameters(), lr=1e-2, momentum=0.9)
@@ -234,7 +238,7 @@
 # .. note::
 #   **PyTorch에서 DAG들은 동적(dynamic)입니다.**
 #   주목해야 할 중요한 점은 그래프가 처음부터(from scratch) 다시 생성된다는 것입니다; 매번 ``.backward()`` 가
-#   호출되고 나면, autograd는 새로운 그래프를 채우기(populate) 시작합니다. 이러한 점 덕분에 모델에서 
+#   호출되고 나면, autograd는 새로운 그래프를 채우기(populate) 시작합니다. 이러한 점 덕분에 모델에서
 #   흐름 제어(control flow) 구문들을 사용할 수 있게 되는 것입니다; 매번 반복(iteration)할 때마다 필요하면
 #   모양(shape)이나 크기(size), 연산(operation)을 바꿀 수 있습니다.
 #
@@ -286,14 +290,14 @@
 model.fc = nn.Linear(512, 10)
 
 ######################################################################
-# 이제 ``model.fc`` 를 제외한 모델의 모든 매개변수들이 고정되었습니다. 
+# 이제 ``model.fc`` 를 제외한 모델의 모든 매개변수들이 고정되었습니다.
 # 변화도를 계산하는 유일한 매개변수는 ``model.fc`` 의 가중치(weight)와 편향(bias)뿐입니다.
 
 # 분류기만 최적화합니다.
 optimizer = optim.SGD(model.parameters(), lr=1e-2, momentum=0.9)
 
 ##########################################################################
-# 옵티마이저(optimizer)에 모든 매개변수를 등록하더라도, 
+# 옵티마이저(optimizer)에 모든 매개변수를 등록하더라도,
 # 변화도를 계산(하고 경사하강법으로 갱신)할 수 있는 매개변수들은 분류기의 가중치와 편향뿐입니다.
 #
 # 컨텍스트 매니저(context manager)에 `torch.no_grad() <https://pytorch.org/docs/stable/generated/torch.no_grad.html>`__

beginner_source/blitz/cifar10_tutorial.py

@@ -109,7 +109,7 @@ def imshow(img):
 # 이미지 보여주기
 imshow(torchvision.utils.make_grid(images))
 # 정답(label) 출력
-print(' '.join('%5s' % classes[labels[j]] for j in range(batch_size)))
+print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
 
 
 ########################################################################
@@ -181,8 +181,7 @@ def forward(self, x):
         # 통계를 출력합니다.
         running_loss += loss.item()
         if i % 2000 == 1999:    # print every 2000 mini-batches
-            print('[%d, %5d] loss: %.3f' %
-                  (epoch + 1, i + 1, running_loss / 2000))
+            print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
             running_loss = 0.0
 
 print('Finished Training')
@@ -213,7 +212,7 @@ def forward(self, x):
 
 # 이미지를 출력합니다.
 imshow(torchvision.utils.make_grid(images))
-print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
+print('GroundTruth: ', ' '.join(f'{classes[labels[j]]:5s}' for j in range(4)))
 
 ########################################################################
 # 이제, 저장했던 모델을 불러오도록 하겠습니다 (주: 모델을 저장하고 다시 불러오는
@@ -233,7 +232,7 @@ def forward(self, x):
 # 따라서, 가장 높은 값을 갖는 인덱스(index)를 뽑아보겠습니다:
 _, predicted = torch.max(outputs, 1)
 
-print('Predicted: ', ' '.join('%5s' % classes[predicted[j]]
+print('Predicted: ', ' '.join(f'{classes[predicted[j]]:5s}'
                               for j in range(4)))
 
 ########################################################################
@@ -254,8 +253,7 @@ def forward(self, x):
         total += labels.size(0)
         correct += (predicted == labels).sum().item()
 
-print('Accuracy of the network on the 10000 test images: %d %%' % (
-    100 * correct / total))
+print(f'Accuracy of the network on the 10000 test images: {100 * correct // total} %')
 
 ########################################################################
 # (10가지 분류 중에 하나를 무작위로) 찍었을 때의 정확도인 10% 보다는 나아보입니다.
@@ -283,8 +281,7 @@ def forward(self, x):
 # 각 분류별 정확도(accuracy)를 출력합니다
 for classname, correct_count in correct_pred.items():
     accuracy = 100 * float(correct_count) / total_pred[classname]
-    print("Accuracy for class {:5s} is: {:.1f} %".format(classname,
-                                                   accuracy))
+    print(f'Accuracy for class: {classname:5s} is {accuracy:.1f} %')
 
 ########################################################################
 # 자, 이제 다음으로 무엇을 해볼까요?
@@ -297,7 +294,7 @@ def forward(self, x):
 #
 # 먼저 (CUDA를 사용할 수 있다면) 첫번째 CUDA 장치를 사용하도록 설정합니다:
 
-device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
+device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
 
 # CUDA 기기가 존재한다면, 아래 코드가 CUDA 장치를 출력합니다:
 

beginner_source/data_loading_tutorial.py

@@ -62,8 +62,9 @@
 #     0805personali01.jpg,27,83,27,98, ... 84,134
 #     1084239450_e76e00b7e7.jpg,70,236,71,257, ... ,128,312
 #
-# 이제 CSV 파일을 불러와서 (N, 2) 배열안에 있는 랜드마크들을 잡아보겠습니다.
-# N은 랜드마크(landmarks)의 개수입니다.
+# 이제 CSV에서 이미지 이름과 그에 해당하는 데이터(annotation)을 가져와 보겠습니다. 예시로 person-7.jpg가 있는
+# 65번째 줄(row index number)을 가져오겠습니다.이미지 이름을 읽어 ``img_name`` 에 저장하고, 데이터는 (L, 2)
+# 배열인 ``landmarks`` 에 저장합니다. 이 때 L은 해당 행의 랜드마크의 개수입니다.
 
 landmarks_frame = pd.read_csv('data/faces/face_landmarks.csv')
 
@@ -396,6 +397,10 @@ def show_landmarks_batch(sample_batched):
 
         plt.title('Batch from dataloader')
 
+# Windows를 사용 중이라면, 다음 줄의 주석을 제거하고 for 반복문을 들여쓰기합니다.
+# "num_workers"를 0으로 변경해야 할 수도 있습니다.
+
+# if __name__ == '__main__':
 for i_batch, sample_batched in enumerate(dataloader):
     print(i_batch, sample_batched['image'].size(),
           sample_batched['landmarks'].size())

beginner_source/examples_nn/dynamic_net.py

@@ -4,7 +4,7 @@
 ---------------------------------------------------------------
 
 PyTorch 동적 그래프의 강력함을 보여주기 위해, 매우 이상한 모델을 구현해보겠습니다:
-각 순전파 단계에서 3 ~ 5 사이의 임의의 숫자를 선택하여 다차항들에서 사용하고, 동일한 가중치를 여러번
+각 순전파 단계에서 4 ~ 5 사이의 임의의 숫자를 선택하여 다차항들에서 사용하고, 동일한 가중치를 여러번
 재사용하여 4차항과 5차항을 계산하는 3-5차 다항식입니다.
 """
 import random

beginner_source/introyt.rst

@@ -0,0 +1,29 @@
+`Introduction <introyt/introyt1_tutorial.html>`_ ||
+`Tensors <introyt/tensors_deeper_tutorial.html>`_ ||
+`Autograd <introyt/autogradyt_tutorial.html>`_ ||
+`Building Models <introyt/modelsyt_tutorial.html>`_ ||
+`TensorBoard Support <introyt/tensorboardyt_tutorial.html>`_ ||
+`Training Models <introyt/trainingyt.html>`_ ||
+`Model Understanding <introyt/captumyt.html>`_
+
+Introduction to PyTorch - YouTube Series
+========================================
+
+Authors: 
+`Brad Heintz <https://github.com/fbbradheintz>`_
+
+This tutorial follows along with the `PyTorch Beginner Series <https://www.youtube.com/playlist?list=PL_lsbAsL_o2CTlGHgMxNrKhzP97BaG9ZN>`_ on youtube.
+
+`This tutorial assumes a basic familiarity with Python and Deep Learning concepts.`
+
+Running the Tutorial Code
+-------------------------
+You can run this tutorial in a couple of ways:
+
+- **In the cloud**: This is the easiest way to get started! Each section has a Colab link at the top, which opens a notebook with the code in a fully-hosted environment. Pro tip: Use Colab with a GPU runtime to speed up operations *Runtime > Change runtime type > GPU*
+- **Locally**: This option requires you to setup PyTorch and TorchVision first on your local machine (`installation instructions <https://pytorch.org/get-started/locally/>`_). Download the notebook or copy the code into your favorite IDE.
+
+.. include:: /beginner_source/introyt/tocyt.txt
+
+.. toctree::
+   :hidden:

beginner_source/introyt/README.txt

@@ -0,0 +1,34 @@
+Introduction to PyTorch on YouTube
+----------------------------------
+
+1. introyt.rst
+    Introduction to PyTorch - Youtube Series
+    https://tutorials.pytorch.kr/beginner/introyt/introyt.html
+
+2. introyt1_tutorial.py
+    Introduction to PyTorch
+    https://tutorials.pytorch.kr/beginner/introyt/introyt1_tutorial.html
+
+3. tensors_deeper_tutorial.py
+    PyTorch Tensors
+    https://tutorials.pytorch.kr/beginner/introyt/tensors_deeper_tutorial.html
+
+4. autogradyt_tutorial.py
+    The Fundamentals of Autograd
+    https://tutorials.pytorch.kr/beginner/introyt/autogradyt_tutorial.html
+
+5. modelsyt_tutorial.py
+    Building Models with PyTorch
+    https://tutorials.pytorch.kr/beginner/introyt/modelsyt_tutorial.html
+
+6. tensorboardyt_tutorial.py
+    PyTorch TensorBoard Support
+    https://tutorials.pytorch.kr/beginner/introyt/tensorboardyt_tutorial.html
+
+7. trainingyt_tutorial.py
+    Training with PyTorch
+    https://tutorials.pytorch.kr/beginner/introyt/trainingyt_tutorial.html
+
+8. captumyt_tutorial.py
+    Model Understanding with Captum
+    https://tutorials.pytorch.kr/beginner/introyt/captumyt_tutorial.html