beginner_source/introyt/introyt1_tutorial.py 번역 #580
Conversation
Signed-off-by: taehyungkim <kimtaehyeong62@gmail.com>
|
|
||
| First, we’ll import pytorch. | ||
| 처음으로, 우리는 PyTorch를 import할 것입니다. |
There was a problem hiding this comment.
First를 '처음으로'보다 '먼저'라고 번역하는 경우가 많더라고요..
| # It’s common to initialize learning weights randomly, often with a | ||
| # specific seed for the PRNG for reproducibility of results: | ||
| # 학습 가중치를 무작위로 초기화하는 것이 일반적이며, | ||
| # 종종 결과의 재현성을 위해 PRNG에 대한 특정 시드로 초기화합니다: |
| # are distributed over the tensor: | ||
| # PyTorch tensor는 산술 연산을 직관적으로 수행합니다. | ||
| # 유사한 shape의 tensor들이 더하거나 곱하거나 그 외 연산도 가능합니다. | ||
| # 스칼라를 사용한 연산은 tensor에 분산됩니다: |
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. | ||
| # 이 “활성화 맵” 은 S2 계층에서 다운샘플링됩니다. | ||
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. |
There was a problem hiding this comment.
C1 활성화 맵 -> C1 활성화 맵을 로 조사 추가해주셔야할 것 같습니다
| # 기대해서는 안 됩니다) ``output`` 결과를 확인해보면 batch 차원을 가지고 있다는 | ||
| # 것을 알 수 있는데, 크기는 항상 입력 batch 차원과 일치해야 합니다. | ||
| # 만약 16개의 인스턴스로 이루어진 입력으로 모델을 통과했다면 ``output`` 는 | ||
| # ``(16, 10)`` 의 형태를 가지고 있습니다.. |
좋은 리뷰해주셔서 감사합니다. 해당 부분은 수정하였습니다. |
overall typo correction
update typo correction introyt1_tutorial.py
|
번역 잘 해주신것 같습니다! |
| # are a *classifier* that takes the final activation map, and | ||
| # classifies it into one of ten bins representing the 10 digits. | ||
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. |
There was a problem hiding this comment.
'특징을' 과 '위치에' 사이에 띄어쓰기가 두 번 입력된 것으로 보입니다.
| # | ||
| # Let’s put all the pieces together, and train a model: | ||
| # 위 에서 다뤘던 내용들을 종합하여 모델을 학습시키겠습니다: |
| # demonstrates that some general learning did happen in the model. | ||
| # 위 내용을 잘 실습하셨다면 모델의 정확도가 약 50% 정도 나온다는 것을 확인 할 | ||
| # 수 있습니다. 이것은 정확히 최신 기술은 아니지만, 무작위 결과에서 기대할 수 | ||
| # 있는 정확도가 10% 정도 좋은 결과를 보여줍니다. 이 결과는 모델에서 |
There was a problem hiding this comment.
'정확도 보다' 로 번역하는 것이 자연스러워 보입니다.
There was a problem hiding this comment.
네 해당 내용 수정하였습니다.
update comment
| # demonstrates that some general learning did happen in the model. | ||
| # 위 내용을 잘 실습하셨다면 모델의 정확도가 약 50% 정도 나온다는 것을 확인 할 | ||
| # 수 있습니다. 이것은 정확히 최신 기술은 아니지만, 무작위 결과에서 기대할 수 | ||
| # 있는 정확도가 10% 정도 좋은 결과를 보여줍니다. 이 결과는 모델에서 |
There was a problem hiding this comment.
네 해당 내용 수정하였습니다.
| # | ||
| # Let’s put all the pieces together, and train a model: | ||
| # 위 에서 다뤘던 내용들을 종합하여 모델을 학습시키겠습니다: |
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. | ||
| # 이 “활성화 맵” 은 S2 계층에서 다운샘플링됩니다. | ||
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. |
| # are a *classifier* that takes the final activation map, and | ||
| # classifies it into one of ten bins representing the 10 digits. | ||
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. |
|
|
||
| First, we’ll import pytorch. | ||
| , 우리는 PyTorch를 import할 것입니다. |
There was a problem hiding this comment.
주어 빼고 내용 수정하였습니다.
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. | ||
| # 이 “활성화 맵” 으로 S2 계층에서 다운샘플링됩니다. | ||
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. |
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. | ||
| # 또한, 계층 S4에서 다운샘플링된 이러한 특징 조합의 spatial locations을 제공합니다. | ||
| # - 마지막으로, 완전 연결 계층(fully-connected layers)인 F5, F6, OUTPUT은 최종 활성화 맵을 | ||
| # 가져와 10개의 bin 중 하나로 분류하는 분류기입니다. |
There was a problem hiding this comment.
십진수를 표현하는 10개의 bin 중 하나로 분류하는 분류기입니다.
요렇게 바꿔보면 어떨까요?
There was a problem hiding this comment.
넵, 해당 내용 변경하였습니다.
| # ``Conv2d`` 와 ``Linear`` 계층 클래스도 ``torch.nn.Module`` 에서 | ||
| # 상속됩니다. | ||
| # - 모델은 계층을 인스턴스화하고 필요한 데이터 아티팩트를 로드하는 | ||
| # ``__init__()`` 함수를 갖는다. (예를들면 NLP 모델은 어휘를 불러올 수 있다) |
There was a problem hiding this comment.
위 부분의 어투가 다른 문서와 다릅니다
다른 문서는 ~입니다 처럼 써있습니다
There was a problem hiding this comment.
입니다 어투로 변경하였습니다.
| # 모델의 처리 결과를 얻으려는 경우, 모델의 편리한 기능을 제공할 수 있습니다. | ||
| # | ||
| # 아래에서 1 채널과 32x32 이미지크기를 가진 더미 입력을 생성합니다. | ||
| # 일반적으로 배치 단위의 이미지를 로드하고 텐서로 변환합니다. |
There was a problem hiding this comment.
일반적으로 배치 단위의 이미지를 읽어들이고, 이미지와 같은 크기의 텐서로 변환합니다.
| imshow(torchvision.utils.make_grid(images)) | ||
| # print labels | ||
| # 정답 레이블 출력하기 |
There was a problem hiding this comment.
위에서는 label이라고 썼습니다. 한가지로 통일되면 좋을듯합니다
There was a problem hiding this comment.
label로 통일하겠습니다.
| # a variant of LeNet - discussed earlier in this video - adapted for | ||
| # 3-color images. | ||
| # 이제 모델을 학습시킬 차례입니다. 만약 모델 구조가 익숙하다면, | ||
| # 이 모델은 3채널(color) 이미지에 맞게 변형된 LeNet 모델이기 때문입니다. |
There was a problem hiding this comment.
만약 모델 구조가 익숙하게 보인다면,
이 모델은 이번 영상에서 앞서 다뤄진 3채널(color) 이미지에 맞게 변형된 LeNet 모델이기 때문입니다.
| # how far from our ideal output the model’s prediction was. Cross-entropy | ||
| # loss is a typical loss function for classification models like ours. | ||
| # 손실 함수(loss function)는 데이터 기반으로 모델이 예측한 값과 정답 값이 | ||
| # 차이를 표현하는 지표입니다. Cross-entropy 손실 함수는 일반적인 분류 모델의 |
There was a problem hiding this comment.
손실 함수(loss function)는 데이터 기반으로 모델이 예측한 값과 정답 값이 차이를 표현하는 지표입니다.
'정답 값의 차이'로 바꿔도 좋을듯하나
모델이 예측한 값과 정답 값이 얼마나 차이가 나는지를 표현하는 지표입니다. 정도로 의역해도 좋을듯합니다
There was a problem hiding this comment.
넵, 좀 더 편하게 변역하는게 좋아보입니다.
| # passes over the training dataset. Each pass has an inner loop that | ||
| # **iterates over the training data** (line 4), serving batches of | ||
| # transformed input images and their correct labels. | ||
| # 이 예제에서 **학습 에폭 2번** 만 반복합니다(1번째 라인) - 즉, 학습 |
| # 위 내용을 잘 실습하셨다면 모델의 정확도가 약 50% 정도 나온다는 것을 확인 할 | ||
| # 수 있습니다. 이것은 정확히 최신 기술은 아니지만, 무작위 결과에서 기대할 수 | ||
| # 있는 정확도 보다 10% 정도 좋은 결과를 보여줍니다. 이 결과는 모델에서 | ||
| # 일반적인 모델 학습이 발생했음을 보여줍니다. |
There was a problem hiding this comment.
이 결과는 모델에서 일반적인 모델 학습이 발생했음을 보여줍니다.
이 결과는 모델에서 일반적인 학습이 발생했음을 보여줍니다.
update sentences
| # 위 내용을 잘 실습하셨다면 모델의 정확도가 약 50% 정도 나온다는 것을 확인 할 | ||
| # 수 있습니다. 이것은 정확히 최신 기술은 아니지만, 무작위 결과에서 기대할 수 | ||
| # 있는 정확도 보다 10% 정도 좋은 결과를 보여줍니다. 이 결과는 모델에서 | ||
| # 일반적인 모델 학습이 발생했음을 보여줍니다. |
| # passes over the training dataset. Each pass has an inner loop that | ||
| # **iterates over the training data** (line 4), serving batches of | ||
| # transformed input images and their correct labels. | ||
| # 이 예제에서 **학습 에폭 2번** 만 반복합니다(1번째 라인) - 즉, 학습 |
| # how far from our ideal output the model’s prediction was. Cross-entropy | ||
| # loss is a typical loss function for classification models like ours. | ||
| # 손실 함수(loss function)는 데이터 기반으로 모델이 예측한 값과 정답 값이 | ||
| # 차이를 표현하는 지표입니다. Cross-entropy 손실 함수는 일반적인 분류 모델의 |
There was a problem hiding this comment.
넵, 좀 더 편하게 변역하는게 좋아보입니다.
| # a variant of LeNet - discussed earlier in this video - adapted for | ||
| # 3-color images. | ||
| # 이제 모델을 학습시킬 차례입니다. 만약 모델 구조가 익숙하다면, | ||
| # 이 모델은 3채널(color) 이미지에 맞게 변형된 LeNet 모델이기 때문입니다. |
| imshow(torchvision.utils.make_grid(images)) | ||
| # print labels | ||
| # 정답 레이블 출력하기 |
There was a problem hiding this comment.
label로 통일하겠습니다.
| # 모델의 처리 결과를 얻으려는 경우, 모델의 편리한 기능을 제공할 수 있습니다. | ||
| # | ||
| # 아래에서 1 채널과 32x32 이미지크기를 가진 더미 입력을 생성합니다. | ||
| # 일반적으로 배치 단위의 이미지를 로드하고 텐서로 변환합니다. |
| # ``Conv2d`` 와 ``Linear`` 계층 클래스도 ``torch.nn.Module`` 에서 | ||
| # 상속됩니다. | ||
| # - 모델은 계층을 인스턴스화하고 필요한 데이터 아티팩트를 로드하는 | ||
| # ``__init__()`` 함수를 갖는다. (예를들면 NLP 모델은 어휘를 불러올 수 있다) |
There was a problem hiding this comment.
입니다 어투로 변경하였습니다.
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. | ||
| # 또한, 계층 S4에서 다운샘플링된 이러한 특징 조합의 spatial locations을 제공합니다. | ||
| # - 마지막으로, 완전 연결 계층(fully-connected layers)인 F5, F6, OUTPUT은 최종 활성화 맵을 | ||
| # 가져와 10개의 bin 중 하나로 분류하는 분류기입니다. |
There was a problem hiding this comment.
넵, 해당 내용 변경하였습니다.
| # - 계층 C1은 합성곱 계층입니다. 즉, 입력 이미지에서 학습 중에 배웠던 특징을 검색합니다. | ||
| # 이미지에서 학습된 각 특징을 위치에 대한 출력 맵을 보여줍니다. | ||
| # 이 “활성화 맵” 으로 S2 계층에서 다운샘플링됩니다. | ||
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 조합을 위해 C1 활성화 맵 검색합니다. |
|
|
||
| First, we’ll import pytorch. | ||
| , 우리는 PyTorch를 import할 것입니다. |
There was a problem hiding this comment.
주어 빼고 내용 수정하였습니다.
| @@ -21,17 +21,17 @@ | |||
| PyTorch Tensors | |||
| --------------- | |||
|
|
|||
| Follow along with the video beginning at `03:50 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=230s>`__. | |||
| `03:50 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=230s>`__ 에 시작하는 비디오를 시청하세요. | |||
There was a problem hiding this comment.
위에는 video를 영상이라고 하였으니, 여기도 비디오를 영상으로 바꾸는게 좋을듯 합니다
|
|
||
| First, we’ll import pytorch. | ||
| , PyTorch를 import할 것입니다. |
| # to find out that the zeros are 32-bit floating point numbers, which is | ||
| # the default PyTorch. | ||
| # 위에서, 우리는 0으로 채워진 5x3 행렬을 만들고 | ||
| # 0으로 채워진 32비트 부동소수점 데이터 타입인지 확인합니다. |
There was a problem hiding this comment.
which is the default PyTorch.
이 부분에 대한 내용이 빠진거 같습니다
추가로 '우리는'은 빼도 될것 같습니다
위에서, 0으로 채워진 5x3 행렬을 만들고,
파이토치의 기본 타입인, 0으로 채워진 32비트 부동소수점 숫자인지 확인합니다.
| # r3 = r1 + r2 | ||
|
|
||
|
|
||
| ###################################################################### | ||
| # Here’s a small sample of the mathematical operations available: | ||
| # 다음은 사용 가능한 수학적 연산 작은 예제 입니다: |
There was a problem hiding this comment.
'수학적 연산 작은 예제'보다 '작은 수학 연산 예제'가 더 읽기 편하지 않을까요?
There was a problem hiding this comment.
"작은 수학 연산 예제" 로 변경하였습니다.
| # Common mathematical operations are supported: | ||
| print('\nAbsolute value of r:') | ||
| # 일반적인 수학적 연산은 다음과 같이 지원됩니다: | ||
| print('\nr의 절대:') |
| # going into more depth in another video. | ||
| # GPU에서 병렬 연산을 위해 설정하는 방법을 포함하여 | ||
| # PyTorch tensor의 강력함에 대해 알아야 할 것이 있습니다. | ||
| # 이 내용은 다른 비디오에서 자세히 살펴보겠습니다. |
There was a problem hiding this comment.
영상으로 용어 통일하였습니다.
| # nets, and one of the drivers of the explosion in Deep Learning. It was | ||
| # built to read small images of handwritten numbers (the MNIST dataset), | ||
| # and correctly classify which digit was represented in the image. | ||
| # 위 그림 LeNet-5의 다이어그램은 초기 합성곱 신경망 중 하나이자 딥 러닝에서 |
There was a problem hiding this comment.
'그림'뒤에 '다이어그램'이 나오므로 '그림'은 빼도 될듯합니다
There was a problem hiding this comment.
"위 그림" 이라는 내용을 빼고 수정하였습니다.
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 *조합* 을 위해 C1 활성화 맵 검색합니다. | ||
| # 또한, 계층 S4에서 다운샘플링된 이러한 특징 조합의 spatial locations을 제공합니다. | ||
| # - 마지막으로, 완전 연결 계층(fully-connected layers)인 F5, F6, OUTPUT은 최종 활성화 맵을 | ||
| # 가져와 십진수를 표현하는 10개의 bin 중 하나로 분류하는 분류기입니다. |
There was a problem hiding this comment.
해당 내용 강조 넣었습니다.
| # ``__init__()`` 함수를 가지고 있습니다. (예를들면 NLP 모델은 어휘를 불러올 수 있) | ||
| # - 모델은 ``forward()`` 함수를 가지고 있다. 여기서 실제 계산이 수행됩니다. | ||
| # 입력은 네트워크 계층 및 다양한 기능들을 통과시켜 결과를 생성합니다. | ||
| # - 그 외에는 다른 모델처럼 클래스를 구성할 수 있습니다. |
There was a problem hiding this comment.
you can build out your model class like any other Python class,
이 부분은 '다른 모델처럼 클래스를 구성할 수 있습니다.'보다
'다른 파이썬 클래스처럼 모델 클래스를 구성할 수 있습니다.'가 좀 더 자연스럽지 않을까요?
There was a problem hiding this comment.
지적해주신 내용으로 자연스럽게 변경하였습니다.
| # ------------------------ | ||
| # | ||
| # Follow along with the video beginning at `14:00 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=840s>`__. | ||
| # `14:00 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=840s>`__ 에 시작하는 비디오를 시청하세요. |
update word & sentence
| # ------------------------ | ||
| # | ||
| # Follow along with the video beginning at `14:00 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=840s>`__. | ||
| # `14:00 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=840s>`__ 에 시작하는 비디오를 시청하세요. |
| # ``__init__()`` 함수를 가지고 있습니다. (예를들면 NLP 모델은 어휘를 불러올 수 있) | ||
| # - 모델은 ``forward()`` 함수를 가지고 있다. 여기서 실제 계산이 수행됩니다. | ||
| # 입력은 네트워크 계층 및 다양한 기능들을 통과시켜 결과를 생성합니다. | ||
| # - 그 외에는 다른 모델처럼 클래스를 구성할 수 있습니다. |
There was a problem hiding this comment.
지적해주신 내용으로 자연스럽게 변경하였습니다.
| # - 계층 C3는 다른 합성곱 계층으로, 이 시점은 특징들의 *조합* 을 위해 C1 활성화 맵 검색합니다. | ||
| # 또한, 계층 S4에서 다운샘플링된 이러한 특징 조합의 spatial locations을 제공합니다. | ||
| # - 마지막으로, 완전 연결 계층(fully-connected layers)인 F5, F6, OUTPUT은 최종 활성화 맵을 | ||
| # 가져와 십진수를 표현하는 10개의 bin 중 하나로 분류하는 분류기입니다. |
There was a problem hiding this comment.
해당 내용 강조 넣었습니다.
| # nets, and one of the drivers of the explosion in Deep Learning. It was | ||
| # built to read small images of handwritten numbers (the MNIST dataset), | ||
| # and correctly classify which digit was represented in the image. | ||
| # 위 그림 LeNet-5의 다이어그램은 초기 합성곱 신경망 중 하나이자 딥 러닝에서 |
There was a problem hiding this comment.
"위 그림" 이라는 내용을 빼고 수정하였습니다.
| # going into more depth in another video. | ||
| # GPU에서 병렬 연산을 위해 설정하는 방법을 포함하여 | ||
| # PyTorch tensor의 강력함에 대해 알아야 할 것이 있습니다. | ||
| # 이 내용은 다른 비디오에서 자세히 살펴보겠습니다. |
There was a problem hiding this comment.
영상으로 용어 통일하였습니다.
| # Common mathematical operations are supported: | ||
| print('\nAbsolute value of r:') | ||
| # 일반적인 수학적 연산은 다음과 같이 지원됩니다: | ||
| print('\nr의 절대:') |
| # r3 = r1 + r2 | ||
|
|
||
|
|
||
| ###################################################################### | ||
| # Here’s a small sample of the mathematical operations available: | ||
| # 다음은 사용 가능한 수학적 연산 작은 예제 입니다: |
There was a problem hiding this comment.
"작은 수학 연산 예제" 로 변경하였습니다.
| # to find out that the zeros are 32-bit floating point numbers, which is | ||
| # the default PyTorch. | ||
| # 위에서, 우리는 0으로 채워진 5x3 행렬을 만들고 | ||
| # 0으로 채워진 32비트 부동소수점 데이터 타입인지 확인합니다. |
|
|
||
| First, we’ll import pytorch. | ||
| , PyTorch를 import할 것입니다. |
| @@ -21,17 +21,17 @@ | |||
| PyTorch Tensors | |||
| --------------- | |||
|
|
|||
| Follow along with the video beginning at `03:50 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=230s>`__. | |||
| `03:50 <https://www.youtube.com/watch?v=IC0_FRiX-sw&t=230s>`__ 에 시작하는 비디오를 시청하세요. | |||
Signed-off-by: taehyungkim kimtaehyeong62@gmail.com
라이선스 동의
변경해주시는 내용에 BSD 3항 라이선스가 적용됨을 동의해주셔야 합니다.
더 자세한 내용은 기여하기 문서를 참고해주세요.
동의하시면 아래
[ ]를[x]로 만들어주세요.관련 이슈 번호
이 Pull Request와 관련있는 이슈 번호를 적어주세요.
이슈 또는 PR 번호 앞에 #을 붙이시면 제목을 바로 확인하실 수 있습니다. (예. #999 )
PR 종류
이 PR에 해당되는 종류 앞의
[ ]을[x]로 변경해주세요.PR 설명
이 PR로 무엇이 달라지는지 대략적으로 알려주세요.
https://tutorials.pytorch.kr/beginner/introyt/introyt1_tutorial.html 한글 번역