docs: 기존 머지 PR 중 발견 된 용어 불일치 수정

advanced_source/semi_structured_sparse.py

@@ -368,7 +368,6 @@ def measure_execution_time(model, batch_sizes, dataset):
     return batch_size_to_time_sec
 
 
-
 ######################################################################
 # 모델과 토크나이저를 로드한 후, 데이터셋을 설정하면서 시작하겠습니다.
 #
@@ -491,7 +490,7 @@ def measure_execution_time(model, batch_sizes, dataset):
 
 
 ######################################################################
-# 모델의 매개변수화는 첫 번째 단계는 모델의 가중치를 마스킹하기 위한 매개변수화를 삽입하는 것입니다.
+# 모델의 모델의 가지치기를 위한 첫번째 단계는 모델의 가중치를 마스킹하기 위한 매개변수화를 삽입하는 것입니다.
 # 이는 준비 단계에서 수행됩니다. 이렇게 하면 ``.weight``에 접근할 때마다 대신 ``mask * weight``를
 # 얻게 됩니다.
 #
@@ -503,7 +502,7 @@ def measure_execution_time(model, batch_sizes, dataset):
 
 ######################################################################
 # 그 다음, 단일 가지치기 단계를 수행합니다. 모든 가지치기 도구(pruner)는 가지치기 도구의 구현
-# 논리에 따라 마스크를 업데이트하는 ``update_mask()`` 메서드를 구현합니다. 이 단계 메서드는
+# 논리에 따라 마스크를 업데이트하는 ``update_mask()`` 메소드를 구현합니다. 이 단계 메소드는
 # 희소성 설정(sparse config)에서 지정된 가중치에 대해 이 ``update_mask`` 함수를 호출합니다.
 #
 # 또한 모델을 평가하여 미세 조정/재학습 없이 가지치기(zero-shot) 또는 가지치기의 정확도 저하를 보여줄 것입니다.

beginner_source/introyt/tensorboardyt_tutorial.py

@@ -220,7 +220,7 @@ def forward(self, x):
             # 검증 셋과 비교
             running_vloss = 0.0
 
-            # 평가 모드에서는 일부 모델의 특정 작업을 생략할 수 있습니다 예시: 드롭아웃 레이어
+            # 평가 모드에서는 일부 모델의 특정 작업을 생략할 수 있습니다 예시: Drop-out 계층
             net.train(False) # 평가 모드로 전환, 예시: 정규화(regularisation) 끄기
             for j, vdata in enumerate(validation_loader, 0):
                 vinputs, vlabels = vdata

intermediate_source/tiatoolbox_tutorial.rst

@@ -130,7 +130,7 @@ TIAToolbox를 사용하면 `조직
     import torch
     from torchvision import transforms
 
-    # 그래프 설정
+    # 그래프 도식화
     mpl.rcParams["figure.dpi"] = 160  # for high resolution figure in notebook
     mpl.rcParams["figure.facecolor"] = "white"  # To make sure text is visible in dark mode
 
@@ -381,7 +381,7 @@ PatchPredictor 클래스는 PyTorch로 작성된 CNN 기반 분류기를 실행
 ~~~~~~~~~~~~~~~~~~~~
 
 예측기(predictor) 객체를 생성한 후 ``patch`` 모드를 사용하여 ``predict`` 메소드를 호출합니다.
-그런 다음, 분류 정확도와 오차 행렬(confusion matrix)을 계산합니다.
+그런 다음, 분류 정확도와 혼동 행렬(confusion matrix)을 계산합니다.
 
 
 
@@ -395,7 +395,7 @@ PatchPredictor 클래스는 PyTorch로 작성된 CNN 기반 분류기를 실행
     acc = accuracy_score(label_list, output["predictions"])
     logger.info("Classification accuracy: %f", acc)
 
-    # 패치 분류 결과를 위한 오차 행렬(confusion_matrix) 생성 및 시각화
+    # 패치 분류 결과를 위한 혼동 행렬(confusion_matrix) 생성 및 시각화
     conf = confusion_matrix(label_list, output["predictions"], normalize="true")
     df_cm = pd.DataFrame(conf, index=class_names, columns=class_names)
     df_cm
@@ -823,7 +823,7 @@ TIAToolbox는 PyTorch의 `nn.Module <https://pytorch.org/docs/stable/generated/t
             """
             img_patches_device = batch_data.to('cuda') if on_gpu else batch_data
             model.eval()
-            # 기울기를 계산하지 않음(훈련이 아님)
+            # 변화도를 계산하지 않음(훈련이 아님)
             with torch.inference_mode():
                 output = model(img_patches_device)
             return [output.cpu().numpy()]

recipes_source/recipes/amp_recipe.py

@@ -198,7 +198,7 @@ def make_model(in_size, out_size, num_layers):
 # 변화도 확인/수정하기 (예: 클리핑)
 # --------------------------
 # ``scaler.scale(loss).backward()`` 로 생성된 모든 변화도는 조정됩니다.
-# 만약 ``backward()`` 와 ``scaler.step(optimizer)`` 사이에서 파라미터의
+# 만약 ``backward()`` 와 ``scaler.step(optimizer)`` 사이에서 매개변수의
 # ``.grad`` 속성을 수정하거나 확인하고 싶다면, 먼저
 # `scaler.unscale_(optimizer) <https://pytorch.org/docs/stable/amp.html#torch.cuda.amp.GradScaler.unscale_>`_
 # 를 사용하여 변화도를 복원해야 합니다.
@@ -210,10 +210,10 @@ def make_model(in_size, out_size, num_layers):
             loss = loss_fn(output, target)
         scaler.scale(loss).backward()
 
-        # 옵티마이저에 할당된 파라미터의 변화도를 제자리에서 복원합니다.
+        # 옵티마이저에 할당된 매개변수의 변화도를 제자리에서 복원합니다.
         scaler.unscale_(opt)
 
-        # 옵티마이저에 할당된 파라미터의 변화도가 이제 복원되었으므로, 평소와 같이 클리핑할 수 있습니다. 
+        # 옵티마이저에 할당된 매개변수의 변화도가 이제 복원되었으므로, 평소와 같이 클리핑할 수 있습니다. 
         # 이때 클리핑에 사용하는 max_norm 값은 변화도 조정이 없을 때와 동일하게 사용할 수 있습니다.
         torch.nn.utils.clip_grad_norm_(net.parameters(), max_norm=0.1)
 

recipes_source/recipes/tuning_guide.py

@@ -142,7 +142,7 @@ def gelu(x):
 # 효율을 개선할 수 있습니다.
 #
 # 체크포인트 저장할 대상은 신중하게 선택해야 합니다. 가장 좋은 방법은 재계산 비용이 적은 대규모 
-# 레이어의 출력을 저장하지 않는 것입니다. 예를 들어, 활성화 함수(예시: ``ReLU`` , ``Sigmoid`` 
+# 계층의 출력을 저장하지 않는 것입니다. 예를 들어, 활성화 함수(예시: ``ReLU`` , ``Sigmoid`` 
 # , ``Tanh`` ), up/down 샘플링, 작은 누적 깊이(accumulation depth)를 가진 행렬-벡터 연산 
 # 등이 체크포인트 저장 대상으로 적합합니다.
 #
@@ -387,7 +387,7 @@ def gelu(x):
 # 장치에서 생성합니다.
 # ``torch.rand(size, device='cuda')``
 #
-# 이는 다음과 같이 ``device`` 인수를 받아 새로운 tensor를 생성하는 모든 함수에 적용됩니다:
+# 이는 다음과 같이 ``device`` 인자를 받아 새로운 tensor를 생성하는 모든 함수에 적용됩니다:
 # `torch.rand() <https://pytorch.org/docs/stable/generated/torch.rand.html#torch.rand>`_,
 # `torch.zeros() <https://pytorch.org/docs/stable/generated/torch.zeros.html#torch.zeros>`_,
 # `torch.full() <https://pytorch.org/docs/stable/generated/torch.full.html#torch.full>`_
@@ -408,8 +408,8 @@ def gelu(x):
 #
 #   * `Deep Learning Performance Documentation
 #     <https://docs.nvidia.com/deeplearning/performance/index.html#optimizing-performance>`_
-#     에서 자세한 정보와 레이어 유형에 따른 가이드라인을 참조하세요.
-#   * 레이어 크기가 고정되지 않고 다른 매개변수에서 유도되는 경우에도 명시적으로 패딩할 수 있습니다. 
+#     에서 자세한 정보와 계층 유형에 따른 가이드라인을 참조하세요.
+#   * 계층 크기가 고정되지 않고 다른 매개변수에서 유도되는 경우에도 명시적으로 패딩할 수 있습니다. 
 #     (예시: NLP 모델의 어휘 크기 등).
 #
 # * AMP 활성화하기
@@ -478,13 +478,13 @@ def gelu(x):
 # 따르고 필요한 변화도 all-reduce를 수행해야 합니다.
 
 ###############################################################################
-# ``DistributedDataParallel(find_unused_parameters=True)`` 를 사용할 때 생성자와 실행 레이어 순서를 일치시키는 방법
+# ``DistributedDataParallel(find_unused_parameters=True)`` 를 사용할 때 생성자와 실행 계층 순서를 일치시키는 방법
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 # `torch.nn.parallel.DistributedDataParallel <https://pytorch.org/docs/stable/generated/torch.nn.parallel.DistributedDataParallel.html#torch.nn.parallel.DistributedDataParallel>`_
-# 은 ``find_unused_parameters=True`` 와 함께 모델 생성자에서의 레이어와 파라미터 순서를 
+# 은 ``find_unused_parameters=True`` 와 함께 모델 생성자에서의 계층과 매개변수 순서를 
 # 사용하여 ``DistributedDataParallel`` 변화도 all-reduce를 위한 버킷을 만듭니다. 
 # ``DistributedDataParallel`` 은 all-reduce를 역전파와 겹치게 수행합니다. 특정 버킷에 대한 
-# all-reduce는 주어진 버킷의 모든 파라미터에 대한 변화도가 모두 준비되었을 때 비동기적으로 작동됩니다.
+# all-reduce는 주어진 버킷의 모든 매개변수에 대한 변화도가 모두 준비되었을 때 비동기적으로 작동됩니다.
 #
 # 최대로 겹치게 하려면 모델 생성자에서의 순서가 실제 실행 중인 순서와 대략적으로 일치해야 합니다. 
 # 순서가 맞지 않으면 전체 버킷에 대한 all-reduce는 마지막으로 도착하는 변화도를 기다리게 되며, 
@@ -493,8 +493,8 @@ def gelu(x):
 #
 # ``find_unused_parameters=False`` 가 (기본 설정)인 ``DistributedDataParallel`` 은 
 # 역전파 중에 발견된 연산 순서를 기반으로 자동으로 버킷을 형성합니다. 
-# ``find_unused_parameters=False`` 를 사용할 때는 최적의 성능을 달성하기 위해 레이어나 
-# 파라미터의 순서를 재조정할 필요가 없습니다.
+# ``find_unused_parameters=False`` 를 사용할 때는 최적의 성능을 달성하기 위해 계층이나 
+# 매개변수의 순서를 재조정할 필요가 없습니다.
 
 ###############################################################################
 # 분산 설정에서 작업 부하를 분산하는 방법