beginner_source/onnx/export_simple_model_to_onnx_tutorial.py 번역 (#1050)

* export simpl model to onnx translation

* line 28-29, 47 updated

* tensor, source of truth fixed

Author: wnsx0000

beginner_source/onnx/export_simple_model_to_onnx_tutorial.py

@@ -1,59 +1,61 @@
 # -*- coding: utf-8 -*-
 """
 `Introduction to ONNX <intro_onnx.html>`_ ||
-**Exporting a PyTorch model to ONNX** ||
+**PyTorch 모델을 ONNX로 내보내기** ||
 `Extending the ONNX exporter operator support <onnx_registry_tutorial.html>`_ ||
 `Export a model with control flow to ONNX <export_control_flow_model_to_onnx_tutorial.html>`_
 
-Export a PyTorch model to ONNX
+PyTorch 모델을 ONNX로 내보내기
 ==============================
 
-**Author**: `Ti-Tai Wang <https://github.com/titaiwangms>`_, `Justin Chu <justinchu@microsoft.com>`_, `Thiago Crepaldi <https://github.com/thiagocrepaldi>`_.
+**저자**: `Ti-Tai Wang <https://github.com/titaiwangms>`_, `Justin Chu <justinchu@microsoft.com>`_, `Thiago Crepaldi <https://github.com/thiagocrepaldi>`_.
 
-.. note::
-    Starting with PyTorch 2.5, there are two ONNX Exporter options available.
-    * ``torch.onnx.export(..., dynamo=True)`` is the recommended exporter that leverages ``torch.export`` and Torch FX for graph capture.
-    * ``torch.onnx.export`` is the legacy approach that relies on the deprecated TorchScript and is no longer recommended for use.
+**번역**: `이준혁 <https://github.com/titaiwangms>`_.
 
+.. note::
+    PyTorch 2.5부터 두 가지 ONNX 익스포터(Exporter) 옵션을 사용할 수 있습니다.
+    * ``torch.onnx.export(..., dynamo=True)`` 는 그래프 생성에 ``torch.export`` 와 Torch FX를 활용하는 권장 익스포터입니다.
+    * ``torch.onnx.export`` 는 TorchScript에 의존하는 레거시 방식이며 더 이상 사용이 권장되지 않습니다.
+    
 """
 
 ###############################################################################
-# In the `60 Minute Blitz <https://tutorials.pytorch.kr/beginner/deep_learning_60min_blitz.html>`_,
-# we had the opportunity to learn about PyTorch at a high level and train a small neural network to classify images.
-# In this tutorial, we are going to expand this to describe how to convert a model defined in PyTorch into the
-# ONNX format using the ``torch.onnx.export(..., dynamo=True)`` ONNX exporter.
+# `PyTorch로 딥러닝하기: 60분만에 끝장내기 <https://tutorials.pytorch.kr/beginner/deep_learning_60min_blitz.html>`_ 에서는
+# PyTorch를 고수준에서 배우고 작은 이미지 분류 신경망을 학습시켜볼 수 있었습니다.
+# 이 튜토리얼에서는 그 내용의 확장으로 ``torch.onnx.export(..., dynamo=True)`` ONNX 익스포터를 사용하여
+# PyTorch에서 정의된 모델을 ONNX 형식으로 변환하는 방법을 알아보겠습니다.
 #
-# While PyTorch is great for iterating on the development of models, the model can be deployed to production
-# using different formats, including `ONNX <https://onnx.ai/>`_ (Open Neural Network Exchange)!
+# 모델 개발과 실험에는 PyTorch가 매우 유용하고, PyTorch로 완성된 모델은 `ONNX <https://onnx.ai/>`_ (Open Neural Network Exchange)
+# 등 다양한 형식으로 변환해 실제 서비스 환경에 배포할 수 있습니다.
 #
-# ONNX is a flexible open standard format for representing machine learning models which standardized representations
-# of machine learning allow them to be executed across a gamut of hardware platforms and runtime environments
-# from large-scale cloud-based supercomputers to resource-constrained edge devices, such as your web browser and phone.
+# ONNX는 머신러닝 모델을 나타내는 유연한 공개 표준 형식입니다. 이런 표준화된 표현을 사용하는 모델은
+# 대규모 클라우드 기반 슈퍼컴퓨터부터, 웹 브라우저나 휴대폰처럼 리소스가 제한된 엣지 디바이스까지
+# 다양한 하드웨어 플랫폼 및 런타임 환경에서 실행될 수 있습니다.
 #
-# In this tutorial, we’ll learn how to:
+# 이 튜토리얼에서는 다음 항목들에 대해서 알아보겠습니다.
 #
-# 1. Install the required dependencies.
-# 2. Author a simple image classifier model.
-# 3. Export the model to ONNX format.
-# 4. Save the ONNX model in a file.
-# 5. Visualize the ONNX model graph using `Netron <https://github.com/lutzroeder/netron>`_.
-# 6. Execute the ONNX model with `ONNX Runtime`
-# 7. Compare the PyTorch results with the ones from the ONNX Runtime.
+# 1. 필요한 의존성 설치하기.
+# 2. 간단한 이미지 분류 모델 작성하기.
+# 3. 모델을 ONNX 형식으로 내보내기.
+# 4. ONNX 모델을 파일에 저장하기.
+# 5. `Netron <https://github.com/lutzroeder/netron>`_ 을 사용해 ONNX 모델 그래프 시각화하기.
+# 6. `ONNX Runtime` 으로 ONNX 모델 실행하기.
+# 7. PyTorch의 결과와 ONNX Runtime의 결과 비교하기.
 #
-# 1. Install the required dependencies
+# 1. 필요한 의존성 설치하기
 # ------------------------------------
-# Because the ONNX exporter uses ``onnx`` and ``onnxscript`` to translate PyTorch operators into ONNX operators,
-# we will need to install them.
+# ONNX 익스포터는 PyTorch 연산자를 ONNX 연산자로 변환할 때 ``onnx`` 와 ``onnxscript`` 를 사용하므로 
+# 이에 대한 설치를 진행합니다.
 #
 #  .. code-block:: bash
 #
 #   pip install --upgrade onnx onnxscript
 #
-# 2. Author a simple image classifier model
+# 2. 간단한 이미지 분류 모델 작성하기
 # -----------------------------------------
 #
-# Once your environment is set up, let’s start modeling our image classifier with PyTorch,
-# exactly like we did in the `60 Minute Blitz <https://tutorials.pytorch.kr/beginner/deep_learning_60min_blitz.html>`_.
+# 환경 설정이 완료되었으면 `PyTorch로 딥러닝하기: 60분만에 끝장내기 <https://tutorials.pytorch.kr/beginner/deep_learning_60min_blitz.html>`_ 에서
+# 했던 것처럼 PyTorch로 간단한 이미지 분류 모델을 작성합니다.
 #
 
 import torch
@@ -81,78 +83,78 @@ def forward(self, x: torch.Tensor):
 
 
 ######################################################################
-# 3. Export the model to ONNX format
+# 3. 모델을 ONNX 형식으로 내보내기
 # ----------------------------------
 #
-# Now that we have our model defined, we need to instantiate it and create a random 32x32 input.
-# Next, we can export the model to ONNX format.
+# 모델이 정의되었으므로, 이제 모델을 인스턴스화하고 임의의 32x32 입력을 생성합니다.
+# 이후 모델을 ONNX 형식으로 내보냅니다.
 
 torch_model = ImageClassifierModel()
-# Create example inputs for exporting the model. The inputs should be a tuple of tensors.
+# 모델을 내보내기 위한 예시 입력을 생성합니다. 이때 입력은 tensor의 튜플이어야 합니다.
 example_inputs = (torch.randn(1, 1, 32, 32),)
 onnx_program = torch.onnx.export(torch_model, example_inputs, dynamo=True)
 
 ######################################################################
-# As we can see, we didn't need any code change to the model.
-# The resulting ONNX model is stored within ``torch.onnx.ONNXProgram`` as a binary protobuf file.
+# 지금까지 진행한 과정에서는 모델에 대한 어떠한 코드 변경도 필요하지 않았습니다.
+# 결과로 도출된 ONNX 모델은 ``torch.onnx.ONNXProgram`` 내에 이진 protobuf 파일로 저장됩니다.
 #
-# 4. Save the ONNX model in a file
+# 4. ONNX 모델을 파일에 저장하기
 # --------------------------------
 #
-# Although having the exported model loaded in memory is useful in many applications,
-# we can save it to disk with the following code:
+# 내보낸 모델을 메모리에 올려두고 유용하게 활용할 수도 있지만,
+# 다음 코드로 모델을 디스크에 저장할 수도 있습니다.
 
 onnx_program.save("image_classifier_model.onnx")
 
 ######################################################################
-# You can load the ONNX file back into memory and check if it is well formed with the following code:
+# 다음 코드로 ONNX 파일을 다시 메모리에 올리고 그 형식이 올바른지 확인할 수 있습니다.
 
 import onnx
 
 onnx_model = onnx.load("image_classifier_model.onnx")
 onnx.checker.check_model(onnx_model)
 
 ######################################################################
-# 5. Visualize the ONNX model graph using Netron
+# 5. Netron을 사용해 ONNX 모델 그래프 시각화하기
 # ----------------------------------------------
 #
-# Now that we have our model saved in a file, we can visualize it with `Netron <https://github.com/lutzroeder/netron>`_.
-# Netron can either be installed on macos, Linux or Windows computers, or run directly from the browser.
-# Let's try the web version by opening the following link: https://netron.app/.
+# 모델이 파일에 저장되어 있으면 `Netron <https://github.com/lutzroeder/netron>`_ 으로 시각화할 수 있습니다.
+# Netron은 macos, Linux 또는 Windows 컴퓨터에 설치하거나 웹 브라우저에서 직접 실행할 수 있습니다.
+# 이 `링크 <https://github.com/lutzroeder/netron>`_ 로 웹 브라우저 버전을 사용해 보겠습니다.
 #
 # .. image:: ../../_static/img/onnx/netron_web_ui.png
 #   :width: 70%
 #   :align: center
 #
 #
-# Once Netron is open, we can drag and drop our ``image_classifier_model.onnx`` file into the browser or select it after
-# clicking the **Open model** button.
+# Netron이 열리면 ``image_classifier_model.onnx`` 파일을 브라우저로 드래그 앤드 드롭(drag and drop)하거나
+# **Open model** 버튼을 클릭한 후 파일을 선택합니다.
 #
 # .. image:: ../../_static/img/onnx/image_classifier_onnx_model_on_netron_web_ui.png
 #   :width: 50%
 #
 #
-# And that is it! We have successfully exported our PyTorch model to ONNX format and visualized it with Netron.
+# 이제 됐습니다! 성공적으로 PyTorch 모델을 ONNX 형식으로 내보내고 Netron으로 시각화했습니다.
 #
-# 6. Execute the ONNX model with ONNX Runtime
+# 6. ONNX Runtime으로 ONNX 모델 실행하기
 # -------------------------------------------
 #
-# The last step is executing the ONNX model with `ONNX Runtime`, but before we do that, let's install ONNX Runtime.
+# 마지막 단계는 `ONNX Runtime` 으로 ONNX 모델을 실행하는 것입니다. 그 전에 먼저 ONNX Runtime을 설치하겠습니다.
 #
 #  .. code-block:: bash
 #
 #   pip install onnxruntime
 #
-# The ONNX standard does not support all the data structure and types that PyTorch does,
-# so we need to adapt PyTorch input's to ONNX format before feeding it to ONNX Runtime.
-# In our example, the input happens to be the same, but it might have more inputs
-# than the original PyTorch model in more complex models.
+# ONNX 표준은 PyTorch가 지원하는 모든 데이터 구조와 타입을 지원하지는 않으므로,
+# ONNX Runtime에 넣기 전에 우선 PyTorch 입력을 ONNX 형식에 맞게 조정해야 합니다.
+# 이 예제에서는 입력이 동일하지만, 더 복잡한 모델에서는
+# 기존 PyTorch 모델보다 더 많은 입력으로 나누어야 할 수 있습니다.
 #
-# ONNX Runtime requires an additional step that involves converting all PyTorch tensors to Numpy (in CPU)
-# and wrap them on a dictionary with keys being a string with the input name as key and the numpy tensor as the value.
+# ONNX Runtime은 모든 PyTorch tensor를 (CPU의) Numpy tensor로 변환한 뒤,
+# 입력 이름 문자열을 키로, Numpy tensor를 값으로 하는 딕셔너리로 감싸는 추가 단계가 필요합니다.
 #
-# Now we can create an *ONNX Runtime Inference Session*, execute the ONNX model with the processed input
-# and get the output. In this tutorial, ONNX Runtime is executed on CPU, but it could be executed on GPU as well.
+# 이제 *ONNX Runtime 추론 세션* 을 생성하고, 처리된 입력으로 ONNX 모델을 실행하여 출력을 얻을 수 있습니다.
+# 이 튜토리얼에서 ONNX Runtime은 CPU에서 실행되지만, GPU에서도 실행될 수 있습니다.
 
 import onnxruntime
 
@@ -166,18 +168,18 @@ def forward(self, x: torch.Tensor):
 
 onnxruntime_input = {input_arg.name: input_value for input_arg, input_value in zip(ort_session.get_inputs(), onnx_inputs)}
 
-# ONNX Runtime returns a list of outputs
+# ONNX Runtime은 출력에 대한 리스트를 반환합니다.
 onnxruntime_outputs = ort_session.run(None, onnxruntime_input)[0]
 
 ####################################################################
-# 7. Compare the PyTorch results with the ones from the ONNX Runtime
+# 7. PyTorch의 결과와 ONNX Runtime의 결과 비교하기
 # ------------------------------------------------------------------
 #
-# The best way to determine whether the exported model is looking good is through numerical evaluation
-# against PyTorch, which is our source of truth.
+# 내보낸 모델이 올바르게 작동하는지 확인하는 가장 좋은 방법은
+# 신뢰할 수 있는 기준(source of truth)이 되는 PyTorch와 수치적으로 비교하는 것입니다.
 #
-# For that, we need to execute the PyTorch model with the same input and compare the results with ONNX Runtime's.
-# Before comparing the results, we need to convert the PyTorch's output to match ONNX's format.
+# 이를 위해 동일한 입력으로 PyTorch 모델을 실행하고 그 결과를 ONNX Runtime의 결과와 비교할 수 있습니다.
+# 결과를 비교하기 전에 PyTorch의 출력을 ONNX의 형식과 일치하도록 변환해야 합니다.
 
 torch_outputs = torch_model(*example_inputs)
 
@@ -190,20 +192,20 @@ def forward(self, x: torch.Tensor):
 print(f"Sample output: {onnxruntime_outputs}")
 
 ######################################################################
-# Conclusion
+# 결론
 # ----------
 #
-# That is about it! We have successfully exported our PyTorch model to ONNX format,
-# saved the model to disk, viewed it using Netron, executed it with ONNX Runtime
-# and finally compared its numerical results with PyTorch's.
+# 이것으로 튜토리얼을 마칩니다! 우리는 성공적으로 PyTorch 모델을 ONNX 형식으로 내보내고,
+# 모델을 디스크에 저장하고, Netron을 사용하여 시각화하고, ONNX Runtime으로 실행했으며,
+# 마지막에는 ONNX Runtime의 결과를 PyTorch의 결과와 수치적으로 비교했습니다.
 #
-# Further reading
+# 더 읽어보기
 # ---------------
 #
-# The list below refers to tutorials that ranges from basic examples to advanced scenarios,
-# not necessarily in the order they are listed.
-# Feel free to jump directly to specific topics of your interest or
-# sit tight and have fun going through all of them to learn all there is about the ONNX exporter.
+# 아래 목록은 기본 예제부터 고급 시나리오까지 아우르는 튜토리얼들로,
+# 반드시 나열된 순서대로 볼 필요는 없습니다.
+# 자유롭게 관심 가는 주제로 바로 이동하거나,
+# 편안히 앉아 전체 튜토리얼을 하나씩 살펴보며 ONNX 익스포터에 대한 모든 것들을 배워보세요.
 #
 # .. include:: /beginner_source/onnx/onnx_toc.txt
 #