From 8ae0a7a60bcded7c84f0a9b2ca96ea4c571ba047 Mon Sep 17 00:00:00 2001 From: hijyun Date: Sun, 3 May 2026 00:43:58 +0900 Subject: [PATCH] =?UTF-8?q?beginner=5Fsource/introyt/introyt1=5Ftutorial.p?= =?UTF-8?q?y=20=20=20=EC=98=A4=ED=83=88=EC=9E=90=20=EC=88=98=EC=A0=95?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- beginner_source/introyt/introyt1_tutorial.py | 16 ++++++++-------- 1 file changed, 8 insertions(+), 8 deletions(-) diff --git a/beginner_source/introyt/introyt1_tutorial.py b/beginner_source/introyt/introyt1_tutorial.py index a56783a6..89cc25b4 100644 --- a/beginner_source/introyt/introyt1_tutorial.py +++ b/beginner_source/introyt/introyt1_tutorial.py @@ -210,7 +210,7 @@ def num_flat_features(self, x): # ``Conv2d`` 와 ``Linear`` 계층 클래스도 ``torch.nn.Module`` 에서 # 상속됩니다. # - 모델은 계층을 인스턴스화하고 필요한 데이터 아티팩트를 로드하는 -# ``__init__()`` 함수를 가지고 있습니다. (예를들면 NLP 모델은 어휘를 불러올 수 있) +# ``__init__()`` 함수를 가지고 있습니다. (예를 들면 NLP 모델은 어휘를 불러올 수 있습니다) # - 모델은 ``forward()`` 함수를 가지고 있다. 여기서 실제 계산이 수행됩니다. # 입력은 네트워크 계층 및 다양한 기능들을 통과시켜 결과를 생성합니다. # - 그 외에는 다른 파이썬 클래스처럼 모델 클래스를 구성할 수 있습니다. @@ -233,17 +233,17 @@ def num_flat_features(self, x): ########################################################################## -# 위에서 몇가지 중요한 일들이 일어나고 있습니다. +# 위에서 몇 가지 중요한 일들이 일어나고 있습니다. # # 첫째, ``LeNet`` 클래스를 인스턴스화하고 ``net`` 객체를 출력합니다. # ``torch.nn.Module`` 의 하위 클래스는 생성된 레이어의 모양과 파라미터를 알려줍니다. # 모델의 처리 결과를 얻으려는 경우, 모델의 편리한 기능을 제공할 수 있습니다. # -# 아래에서 1 채널과 32x32 이미지크기를 가진 더미 입력을 생성합니다. -# 일반적으로 배치 이미지를읽어들이고,이미지와 같은 크기의 텐서로 변환합니다. +# 아래에서 1 채널과 32x32 이미지 크기를 가진 더미 입력을 생성합니다. +# 일반적으로 배치 이미지를 읽어들이고, 이미지와 같은 크기의 텐서로 변환합니다. # # tensor 의 추가 차원인 *batch 차원* 을 알아챘을 수 있습니다. -# PyTorch 모델은 데이터의 *batch* 에 작업한다고 가정합니다. 예를들어 +# PyTorch 모델은 데이터의 *batch* 에 작업한다고 가정합니다. 예를 들어 # 16개 이미지의 배치는 ``(1, 1, 32, 32)`` 모양을 가질 것입니다. # 이 샘플에서는 하나의 이미지만 사용하기 때문에 ``(1, 1, 32, 32)`` 모양을 가진 # batch를 만듭니다. @@ -352,11 +352,11 @@ def num_flat_features(self, x): # ``DataLoader`` 는 데이터에 대해 *아무것도* 알지 못하지만 # ``Dataset`` 이 제공하는 입력 tensor를 사용자가 지정한 파라미터로 구성합니다. # -# 위 예제에서 ``DataLoader`` 에서에서 무작위 추출( ``shuffle=True`` )한 4개의 +# 위 예제에서 ``DataLoader`` 에서 무작위 추출( ``shuffle=True`` )한 4개의 # batch 이미지를 ``trainset`` 에서 추출하고 disk에서 데이터를 로드하기 # 위해 2개의 workers를 spin up 했습니다. # -# ``DataLoader`` 가 제공하는 batch 이미지를 시각화 하는것은 좋은 연습입니다: +# ``DataLoader`` 가 제공하는 batch 이미지를 시각화 하는 것은 좋은 연습입니다: # import matplotlib.pyplot as plt @@ -412,7 +412,7 @@ def imshow(img): ######################################################################### # 첫째로, 학습 및 테스트 데이터셋이 필요합니다. 아직 다운로드하지 않은 경우, # 아래 셀을 실행하여 데이터셋이 다운로드 되었는지 확인하세요.(다운로드 시 -# 수 분정도 소요됩니다) +# 수 분 정도 소요됩니다) # transform = transforms.Compose(