polynomial_autograd.py 추가 오탈자 수정

beginner_source/examples_autograd/polynomial_autograd.py

@@ -1,16 +1,16 @@
 # -*- coding: utf-8 -*-
 """
-PyTorch: 텐서(Tensor)와 autograd
+PyTorch: Tensor와 autograd
 -----------------------------------
 
 :math:`y=\sin(x)` 을 예측할 수 있도록, :math:`-\pi` 부터 :math:`\pi` 까지
 유클리드 거리(Euclidean distance)를 최소화하도록 3차 다항식을 학습합니다.
 
-이 구현은 PyTorch 텐서 연산을 사용하여 순전파 단계를 계산하고, PyTorch autograd를 사용하여
+이 구현은 PyTorch Tensor 연산을 사용하여 순전파 단계를 계산하고, PyTorch autograd를 사용하여
 변화도(gradient)를 계산합니다.
 
-PyTorch 텐서는 연산 그래프에서 노드(node)로 표현됩니다. 만약 ``x`` 가 ``x.requires_grad=True`` 인
-텐서라면, ``x.grad`` 는 어떤 스칼라 값에 대한 ``x`` 의 변화도를 갖는 또다른 텐서입니다.
+PyTorch Tensor는 연산 그래프에서 노드(node)로 표현됩니다. 만약 ``x`` 가 ``x.requires_grad=True`` 인
+Tensor라면, ``x.grad`` 는 어떤 스칼라 값에 대한 ``x`` 의 변화도를 갖는 또다른 Tensor입니다.
 """
 import torch
 import math
@@ -19,15 +19,15 @@
 device = "cuda" if torch.cuda.is_available() else "cpu"
 torch.set_default_device(device)
 
-# 입력값과 출력값을 갖는 텐서들을 생성합니다.
-# requires_grad=False가 기본값으로 설정되어 역전파 단계 중에 이 텐서들에 대한 변화도를
+# 입력값과 출력값을 갖는 Tensor들을 생성합니다.
+# requires_grad=False가 기본값으로 설정되어 역전파 단계 중에 이 Tensor들에 대한 변화도를
 # 계산할 필요가 없음을 나타냅니다.
 x = torch.linspace(-math.pi, math.pi, 2000, dtype=dtype)
 y = torch.sin(x)
 
-# 가중치를 갖는 임의의 텐서를 생성합니다. 3차 다항식이므로 4개의 가중치가 필요합니다:
+# 가중치를 갖는 임의의 Tensor를 생성합니다. 3차 다항식이므로 4개의 가중치가 필요합니다:
 # y = a + b x + c x^2 + d x^3
-# requires_grad=True로 설정하여 역전파 단계 중에 이 텐서들에 대한 변화도를 계산할 필요가
+# requires_grad=True로 설정하여 역전파 단계 중에 이 Tensor들에 대한 변화도를 계산할 필요가
 # 있음을 나타냅니다.
 a = torch.randn((), dtype=dtype, requires_grad=True)
 b = torch.randn((), dtype=dtype, requires_grad=True)
@@ -36,20 +36,20 @@
 
 learning_rate = 1e-6
 for t in range(2000):
-    # 순전파 단계: 텐서들 간의 연산을 사용하여 예측값 y를 계산합니다.
+    # 순전파 단계: Tensor들 간의 연산을 사용하여 예측값 y를 계산합니다.
     y_pred = a + b * x + c * x ** 2 + d * x ** 3
 
-    # 텐서들간의 연산을 사용하여 손실(loss)을 계산하고 출력합니다.
-    # 이 때 손실은 (1,) shape을 갖는 텐서입니다.
+    # Tensor들간의 연산을 사용하여 손실(loss)을 계산하고 출력합니다.
+    # 이 때 손실은 (1,) shape을 갖는 Tensor입니다.
     # loss.item() 으로 손실이 갖고 있는 스칼라 값을 가져올 수 있습니다.
     loss = (y_pred - y).pow(2).sum()
     if t % 100 == 99:
         print(t, loss.item())
 
     # autograd 를 사용하여 역전파 단계를 계산합니다. 이는 requires_grad=True를 갖는
-    # 모든 텐서들에 대한 손실의 변화도를 계산합니다.
+    # 모든 Tensor들에 대한 손실의 변화도를 계산합니다.
     # 이후 a.grad와 b.grad, c.grad, d.grad는 각각 a, b, c, d에 대한 손실의 변화도를
-    # 갖는 텐서가 됩니다.
+    # 갖는 Tensor가 됩니다.
     loss.backward()
 
     # 경사하강법(gradient descent)을 사용하여 가중치를 직접 갱신합니다.