Rebuild

Author: 9bow

docs/.buildinfo

@@ -1,4 +1,4 @@
 # Sphinx build info version 1
 # This file hashes the configuration used when building these files. When it is not found, a full rebuild will be done.
-config: c57d324f2978132e4ba3dbcf923648de
+config: caa5493a4a54ecf392f96d603b7c99ae
 tags: 645f666f9bcd5a90fca523b33c5a78b7

docs/_downloads/032d653a4f5a9c1ec32b9fc7c989ffe1/seq2seq_translation_tutorial.ipynb

@@ -74,7 +74,7 @@
 print(vocab[:5])
 
 from datasets import load_dataset
-dataset = load_dataset("textvqa")
+dataset = load_dataset("facebook/textvqa")
 
 ######################################################################
 # 데이터셋에서 샘플 엔트리를 표시해 봅시다:

docs/_downloads/03a48646520c277662581e858e680809/model_parallel_tutorial.ipynb

@@ -114,7 +114,7 @@ def forward(self, x, h):
 #
 # 여러분은 출력된 내용에서 ``grad_fn`` 을 확인하셨을 것입니다. 이것은
 # `Autograd <https://tutorials.pytorch.kr/beginner/blitz/autograd_tutorial.html>`__
-# 라 불리는 PyTorch의 자동 미분 방법의 세부 정보입니다. 요컨데, 이 시스템은
+# 라 불리는 PyTorch의 자동 미분 방법의 세부 정보입니다. 요컨대, 이 시스템은
 # 잠재적으로 복잡한 프로그램을 통해 미분을 계산할 수 있게 합니다. 이 디자인은
 # 모델 제작에 엄청난 유연성을 제공합니다.
 #

docs/_downloads/03d2b0c71eeabf3687d88081641d7a1c/flava_finetuning_tutorial.py

@@ -1,45 +1,45 @@
 # -*- coding: utf-8 -*-
 
 """
-Using User-Defined Triton Kernels with ``torch.compile``
+사용자 정의 Triton 커널을 ``torch.compile``과 함께 사용하기
 =========================================================
-**Author:** `Oguz Ulgen <https://github.com/oulgen>`_
+**저자:** `Oguz Ulgen <https://github.com/oulgen>`_
+**번역:** `구경선 <https://github.com/kookyungseon>`_, `이채운 <https://github.com/dlcodns>`_
 """
 
 ######################################################################
-# User-defined Triton kernels can be used to optimize specific parts of your
-# model's computation. These kernels are written in Triton's language, which is designed
-# to make it easier to achieve peak hardware performance. By using user-defined Triton
-# kernels with ``torch.compile``, you can integrate these optimized computations into
-# your PyTorch model, potentially achieving significant performance improvements.
+# 사용자 정의 Triton 커널을 사용하면 모델의 특정 부분의 계산을 최적화할 수 있습니다.
+# 이 커널들은 Triton의 언어로 작성된 것으로 설계되었습니다.
+# 사용자 정의 Triton을 사용하여 하드웨어 성능을 최고로 향상시킵니다.
+# ``torch.compile``를 사용하는 커널은 이러한 최적화된 계산을 통합할 수 있습니다.
+# PyTorch 모델을 통해 상당한 성능 향상을 실현할 수 있습니다.
 #
-# This recipes demonstrates how you can use user-defined Triton kernels with ``torch.compile``.
+# 이 레시피는 사용자 정의 Triton 커널을  ``torch.compile``과 함께 사용할 수 있는 방법을 보여줍니다.
 #
-# Prerequisites
+# 전제조건
 # -------------------
 #
-# Before starting this recipe, make sure that you have the following:
+#  이 레시피를 시작하기 전에 다음이 있는지 확인합니다:
+# * ``torch.compile`` 및 Triton에 대한 기본적인 이해. 참조:
 #
-# * Basic understanding of ``torch.compile`` and Triton. See:
+#   * `torch.compiler API 설명서 <https://pytorch.org/docs/stable/torch.compiler.html#torch-compiler>`__
+#   * `torch.compile 소개 <https://tutorials.pytorch.kr/intermediate/torch_compile_tutorial.html>`__
+#   * `Triton 언어 문서 <https://triton-lang.org/main/index.html>`__
 #
-#   * `torch.compiler API documentation <https://pytorch.org/docs/stable/torch.compiler.html#torch-compiler>`__
-#   * `Introduction to torch.compile <https://tutorials.pytorch.kr/intermediate/torch_compile_tutorial.html>`__
-#   * `Triton language documentation <https://triton-lang.org/main/index.html>`__
-#
-# * PyTorch 2.3 or later
-# * A GPU that supports Triton
+# * PyTorch 2.3 이상
+# * Triton을 지원하는 GPU
 #
 
 import torch
 from torch.utils._triton import has_triton
 
 ######################################################################
-# Basic Usage
+# 기본 사용법
 # --------------------
 #
-# In this example, we will use a simple vector addition kernel from the Triton documentation
-# with ``torch.compile``.
-# For reference, see `Triton documentation <https://triton-lang.org/main/getting-started/tutorials/01-vector-add.html>`__.
+# 이 예에서는 Triton 문서의 간단한 벡터 덧셈 커널을 사용합니다.
+# ``torch.compile``과 함께.
+# 참고, `Triton 문서를 참고하세요 <https://triton-lang.org/main/getting-started/tutorials/01-vector-add.html>`__.
 #
 
 if not has_triton():
@@ -79,20 +79,18 @@ def add_fn(x, y):
     print(f"Vector addition of\nX:\t{x}\nY:\t{y}\nis equal to\n{out}")
 
 ######################################################################
-# Advanced Usage
+# 고급 사용법
 # -------------------------------------------------------------------
 #
-# Triton's autotune feature is a powerful tool that automatically optimizes the configuration
-# parameters of your Triton kernels. It explores a range of possible configurations and
-# selects the one that delivers the best performance for your specific use case.
-#
-# When used with ``torch.compile``, ``triton.autotune`` can help ensure that your PyTorch
-# model is running as efficiently as possible. Here is an example of using ``torch.compile``
-# and ``triton.autotune``.
+# Triton의 자동 튜닝 기능은 Triton 커널의 구성 매개변수를 자동으로 최적화해주는 강력한 도구입니다.
+# 다양한 설정을 검토하여 특정 사용 사례에 최적의 성능을 제공하는 구성을 선택합니다.
 #
+# ``torch.compile``과 함께 사용할 경우 ``triton.autotune``을 사용하면 PyTorch 모델을 최대한 효율적으로 
+# 실행할 수 있습니다. 아래는 ``torch.compile``과 ``triton.autotune``을 사용하는 예제입니다.
+# 
 # .. note::
-#
-#   ``torch.compile`` only supports configs and key arguments to ``triton.autotune``.
+#   ``torch.compile``은 ``triton.autotune``에 대한 configs와 key 인수만 지원합니다.
+# 
 
 if not has_triton():
     print("Skipping because triton is not supported on this device.")
@@ -140,32 +138,30 @@ def add_fn(x, y):
     print(f"Vector addition of\nX:\t{x}\nY:\t{y}\nis equal to\n{out}")
 
 ######################################################################
-# Composibility and Limitations
+# 호환성과 제한사항
 # --------------------------------------------------------------------
 #
-# As of PyTorch 2.3, the support for user-defined Triton kernels in ``torch.compile``
-# includes dynamic shapes, ``torch.autograd.Function``, JIT inductor, and AOT inductor.
-# You can use these features together to build complex, high-performance models.
-#
-# However, there are certain limitations to be aware of:
-#
-# * **Tensor Subclasses:** Currently, there is no support for
-#   tensor subclasses and other advanced features.
-# * **Triton Features:** While ``triton.heuristics`` can be used either standalone or
-#   before ``triton.autotune``, it cannot be used after ```triton.autotune``. This
-#   implies that if ``triton.heuristics`` and ``triton.autotune`` are to be used
-#   together, ``triton.heuristics`` must be used first.
-#
-# Conclusion
+# PyTorch 2.3 버전 기준으로, ``torch.compile``의 사용자 정의 Triton 커널에는 동적 모양 
+# ``torch.autograd.Function``, JIT inductor, AOT inductor가 지원됩니다. 이 기능들을 
+# 조합하여 복잡하고 고성능인 모델을 구축할 수 있습니다.
+# 
+# 그러나 알아두어야 할 몇 가지 제한 사항이 있습니다.
+# 
+# * **Tensor Subclasses:** 현재로서는 Tensor 하위 클래스 및 기타 고급 기능은 지원되지 않습니다.
+#
+# * **Triton Features:** ``triton.heuristics``는 단독으로 사용하거나 ``triton.autotune`` 앞에서 
+# 사용할 수 있지만, ``triton.autotune`` 뒤에서는 사용할 수 없습니다. 따라서 ``triton.heuristics``와 
+# ``triton.autotune``을 함께 사용하려면 ``triton.heuristics``를 먼저 사용해야 합니다.
+# 
+# 결론
 # -----------
-# In this recipe, we explored how to utilize user-defined Triton kernels
-# with ``torch.compile``. We delved into the basic usage of a simple
-# vector addition kernel and advanced usage involving Triton's autotune
-# feature. We also discussed the composability of user-defined Triton
-# kernels with other PyTorch features and highlighted some current limitations.
+# 
+# 이 레시피에서는 사용자 정의 Triton 커널을 ``torch.compile``로 활용하는 방법을 알아보았습니다. 간단한 
+# 벡터 덧셈 커널의 기본 사용법과 Triton의 자동 튜닝 기능을 포함한 고급 사용법에 대해 다뤘습니다. 또한 사용자 
+# 정의 Triton 커널과 다른 Pytorch 기능의 조합 가능성에 대해 논의하고 현재의 몇 가지 제한 사항을 강조했습니다.
 #
-# See Also
+# 관련 항목
 # ---------
 #
-# * `Compiling the Optimizers <https://tutorials.pytorch.kr/recipes/compiling_optimizer.html>`__
-# * `Implementing High-Performance Transformers with Scaled Dot Product Attention <https://tutorials.pytorch.kr/intermediate/scaled_dot_product_attention_tutorial.html>`__
+# * `Optimizer 컴파일하기 <https://tutorials.pytorch.kr/recipes/compiling_optimizer.html>`__
+# * `Scaled Dot Product Attention을 활용한 고성능 Transformer 구현하기 <https://tutorials.pytorch.kr/intermediate/scaled_dot_product_attention_tutorial.html>`__