fix: backticks & translation PyTorchKorea#767

intermediate_source/fx_profiling_tutorial.py

@@ -3,13 +3,12 @@
 (베타) FX를 이용하여 간단한 CPU 성능 프로파일러(Profiler) 만들기
 *******************************************************
 **저자**: `James Reed <https://github.com/jamesr66a>`_
-
 **번역:** `유선종 <https://github.com/Ssunbell>`_
 
 이번 튜토리얼에서는 FX를 이용해서 다음을 진행해보겠습니다:
 
-1) 코드의 구조와 실행에 대한 통계를 조사하고 수집할 수 있는 방식으로 파이토치 파이썬 코드를 포착합니다.
-2) 실제 실행에서 모델의 각 부분에 대해서 런타임 통계들을 수집하는 간단한 성능 "프로파일러" 역할을 할 작은 클래스를 만들어봅니다.
+1) 파이토치 파이썬 코드에서 코드의 구조와 실행에 대한 통계를 조사하여 수집합니다.
+2) 실제 실행 단계에서 모델의 각 부분에 대해서 런타임 통계들을 수집하는 간단한 성능 "프로파일러" 역할을 할 작은 클래스를 만들어봅니다.
 
 """
 
@@ -50,7 +49,7 @@
 
 ######################################################################
 # .. note::
-#     ``tabulate``는 파이토치에 종속성이 없는 외부 라이브러리입니다.
+#     ``tabulate`` 는 파이토치에 종속성이 없는 외부 라이브러리입니다.
 #     우리는 tabulate를 사용하여 좀더 쉽게 성능에 관한 데이터를 시각화할 것입니다.
 #     당신이 선호하는 파이썬 패키지 소스로부터 tabulate를 설치해주시길 바랍니다.
 
@@ -68,7 +67,7 @@
 # 이것은 ResNet18 모델의 그래프 표현을 제공합니다.
 # 그래프는 서로 연결된 일련의 노드로 구성됩니다. 
 # 각 노드는 Python 코드(함수, 모듈 또는 메소드 여부)에서 호출 사이트를 나타내고,
-# 엣지(각 노드에서 "args" 및 "kwargs"로 표시됨)는
+# 엣지(각 노드에서 ``args`` 및 ``kwargs`` 로 표시됨)는
 # 이러한 호출 경로 사이에 전달된 값을 나타냅니다. 
 # 그래프 표현과 FX의 나머지 API에 대한 자세한 정보는 
 # FX 설명서 https://pytorch.org/docs/master/fx.html 에서 확인할 수 있습니다.
@@ -77,13 +76,13 @@
 ######################################################################
 # 프로파일링 Interpreter 생성하기
 # --------------------------------
-# 다음으로, 우리는 ``torch.fx.Interpreter``로부터 상속받은 클래스를 생성할 것입니다.
-# 비록 ``symbolic_trace``가 생성하는 ``GraphModule``은 ``GraphModule``을
-# 호출할 때 실행되는 파이썬 코드를 한번에 컴파일하지만, ``GraphModule``을 실행하는
-# 대안적인 방법은 ``graph``의 각 ``node``를 하나씩 실행하는 것입니다.
-# 이것이 ``Interpreter``가 제공하는 기능입니다. Interpreter는 그래프를 노드 단위로 인터프리트합니다.
+# 다음으로, 우리는 ``torch.fx.Interpreter`` 로부터 상속받은 클래스를 생성할 것입니다.
+# 비록 ``symbolic_trace`` 가 생성하는 ``GraphModule`` 은 ``GraphModule`` 을
+# 호출할 때 실행되는 파이썬 코드를 한번에 컴파일하지만, ``GraphModule`` 을 실행하는
+# 대안적인 방법은 ``graph`` 의 각 ``node`` 를 하나씩 실행하는 것입니다.
+# 이것이 ``Interpreter`` 가 제공하는 기능입니다. Interpreter는 그래프를 노드 단위로 인터프리트합니다.
 #
-# ``Interpreter``로부터 상속받음으로써, 다양한 기능을 덮여씌울 수 있고 
+# ``Interpreter`` 로부터 상속받음으로써, 다양한 기능을 덮여씌울 수 있고 
 # 원하는 프로파일링 행동을 설치할 수 있습니다. 목표는 모델을 전달하고 모델을 
 # 1회 이상 호출한 다음 모델과 모델의 각 부분이 실행되는 동안 걸린 시간에 대한
 # 통계를 얻을 수 있는 객체를 갖는 것입니다.
@@ -94,22 +93,22 @@ class ProfilingInterpreter(Interpreter):
     def __init__(self, mod : torch.nn.Module):
         # 사용자가 자신의 모델을 상징적으로 추적하도록 하는 것보다는,
         # 우리는 그것을 constructor에서 할 것입니다. 결과적으로
-        # 사용자는 기호 추적 API에 대한 걱정 없이 ``Module``을
+        # 사용자는 상징적 추적 API에 대한 걱정 없이 ``Module``을
         # 통과할 수 있습니다
         gm = torch.fx.symbolic_trace(mod)
         super().__init__(gm)
 
         # 우리는 여기에 두 가지를 저장할 것입니다:
         #
         # 1. "mod"의 총 실행 시간 목록. 즉, 인터프리터가 호출될 
-        #    때마다 `mod(...)`` 시간을 저장합니다.
+        #    때마다 ``mod(...)`` 시간을 저장합니다.
         self.total_runtime_sec : List[float] = []
-        # 2. 노드가 실행되는 데 걸린 시간(초) 목록에 대한 ``노드``의 맵입니다. 
+        # 2. 노드가 실행되는 데 걸린 시간(초) 목록에 대한 ``노드`` 의 맵입니다. 
         #    이는 (1)과 유사하지만 모델의 특정 하위 부분을 볼 수 있습니다.
         self.runtimes_sec : Dict[torch.fx.Node, List[float]] = {}
 
     ######################################################################
-    # 다음으로, 우리의 첫 번째 매서드인 ``run()``을 덮여씌웁니다. ``Interpreter``의 ``run``
+    # 다음으로, 우리의 첫 번째 매서드인 ``run()`` 을 덮여씌웁니다. ``Interpreter`` 의 ``run``
     # 매서드는 모델 실행을 위한 최상위 진입점입니다. 모델의 총 런타임을 기록할 수 있도록
     # 이 매서드를 가로채고자 할 것입니다.
 
@@ -120,13 +119,13 @@ def run(self, *args) -> Any:
         return_val = super().run(*args)
         # 모델 동작이 끝난 시점을 기록합니다.
         t_end = time.time()
-        # ``ProfilingInterpreter``에 모델 실행에 걸린 총 경과 시간을 저장합니다
+        # ``ProfilingInterpreter`` 에 모델 실행에 걸린 총 경과 시간을 저장합니다
         self.total_runtime_sec.append(t_end - t_start)
         return return_val
 
     ######################################################################
-    # 이제, ``run_node``를 덮여씌웁니다. ``Interpreter``는 하나의 노드를 실행하기 위해
-    # ``run_node``를 각각 호출합니다. 모델에서 각각의 개별 호출에 걸린 시간을 기록하고
+    # 이제, ``run_node`` 를 덮여씌웁니다. ``Interpreter`` 는 하나의 노드를 실행하기 위해
+    # ``run_node`` 를 각각 호출합니다. 모델에서 각각의 개별 호출에 걸린 시간을 기록하고
     # 측정하기 위하여 이것을 가로챌 것입니다.
 
     def run_node(self, n : torch.fx.Node) -> Any:
@@ -157,7 +156,7 @@ def summary(self, should_sort : bool = False) -> str:
 
         # 각 노드에 대해 요약 통계를 기록합니다.
         for node, runtimes in self.runtimes_sec.items():
-            # 비슷하게, ``node``에 대한 평균 런타임을 계산합니다.
+            # 비슷하게, ``node`` 에 대한 평균 런타임을 계산합니다.
             mean_runtime = statistics.mean(runtimes)
             # 더 쉬운 이해를 돕기 위해, 전체 네트워크에 대해서
             # 각각의 노드의 퍼센트 시간 또한 계산합니다.
@@ -188,7 +187,7 @@ def summary(self, should_sort : bool = False) -> str:
 ######################################################################
 # ResNet18의 성능 조사하기
 # -----------------------------------------
-# ``ProfilingInterpreter``를 사용하여 ResNet18 모델의 성능 특징들을 조사할 수 있습니다.
+# ``ProfilingInterpreter`` 를 사용하여 ResNet18 모델의 성능 특징들을 조사할 수 있습니다.
 
 interp = ProfilingInterpreter(rn18)
 interp.run(input)
@@ -198,7 +197,7 @@ def summary(self, should_sort : bool = False) -> str:
 # 꼭 호출해야 할 두가지가 있습니다.
 # There are two things we should call out here:
 #
-# * ``MaxPool2d``은 가장 많은 시간이 걸립니다. 이것은 잘 알려져있는 이슈입니다:
+# * ``MaxPool2d`` 은 가장 많은 시간이 걸립니다. 이것은 잘 알려져있는 이슈입니다:
 #   https://github.com/pytorch/pytorch/issues/51393
 # * BatchNorm2d 또한 상당한 시간이 걸립니다. FX 튜토리얼
 #   <https://tutorials.pytorch.kr/intermediate/fx_conv_bn_fuser.html>`_.