From 5a8258d313f8ec5bd334202d5325212d72822c3f Mon Sep 17 00:00:00 2001
From: Junyong Kang <46196781+FollowerOfScriabin@users.noreply.github.com>
Date: Sun, 24 Jul 2022 16:43:14 +0900
Subject: [PATCH 1/5] Update pytorch_vision_resnext.md

---
 pytorch_vision_resnext.md | 30 ++++++++++--------------------
 1 file changed, 10 insertions(+), 20 deletions(-)

diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
index 055c1ab..9f95637 100644
--- a/pytorch_vision_resnext.md
+++ b/pytorch_vision_resnext.md
@@ -1,11 +1,4 @@
----
-layout: hub_detail
-background-class: hub-background
-body-class: hub
-title: ResNext
-summary: Next generation ResNets, more efficient and accurate
-category: researchers
-image: resnext.png
+
 author: Pytorch Team
 tags: [vision, scriptable]
 github-link: https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py
@@ -25,15 +18,12 @@ model = torch.hub.load('pytorch/vision:v0.10.0', 'resnext50_32x4d', pretrained=T
 model.eval()
 ```
 
-All pre-trained models expect input images normalized in the same way,
-i.e. mini-batches of 3-channel RGB images of shape `(3 x H x W)`, where `H` and `W` are expected to be at least `224`.
-The images have to be loaded in to a range of `[0, 1]` and then normalized using `mean = [0.485, 0.456, 0.406]`
-and `std = [0.229, 0.224, 0.225]`.
-
-Here's a sample execution.
+모든 사전훈련된 모델은 입력 이미지가 같은 방식으로 정규화되었다고 가정합니다.
+즉, 미니배치(mini-batch)의 3채널 RGB 이미지들은 `(3 x H x W)`의 shape을 가지며, `H`와 `W`는 최소 `224`이상이어야 하며, 각 이미지들은 `[0, 1]`의 범위에서 로드되어야 하며, 그 다음 `mean = [0.485, 0.456, 0.406]` 과 `std = [0.229, 0.224, 0.225]`를 이용해 정규화되어야 합니다. 
+아래 예시 코드가 있습니다.
 
 ```python
-# Download an example image from the pytorch website
+# 파이토치 웹 사이트에서 다운로드한 이미지 입니다.
 import urllib
 url, filename = ("https://github.com/pytorch/hub/raw/master/images/dog.jpg", "dog.jpg")
 try: urllib.URLopener().retrieve(url, filename)
@@ -41,7 +31,7 @@ except: urllib.request.urlretrieve(url, filename)
 ```
 
 ```python
-# sample execution (requires torchvision)
+# 예시 코드 (torchvision 필요)
 from PIL import Image
 from torchvision import transforms
 input_image = Image.open(filename)
@@ -52,18 +42,18 @@ preprocess = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
 ])
 input_tensor = preprocess(input_image)
-input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model
+input_batch = input_tensor.unsqueeze(0) # 모델에서 가정하는대로 미니배치 생성
 
-# move the input and model to GPU for speed if available
+# gpu를 사용할 수 있다면, 속도를 위해 입력과 모델을 gpu로 옮김
 if torch.cuda.is_available():
     input_batch = input_batch.to('cuda')
     model.to('cuda')
 
 with torch.no_grad():
     output = model(input_batch)
-# Tensor of shape 1000, with confidence scores over Imagenet's 1000 classes
+# output은 shape가 [1000]인 Tensor 자료형이며, 이는 Imagenet 데이터셋의 각 클래스에 대한 모델의 확신도(confidence)를 나타냄.
 print(output[0])
-# The output has unnormalized scores. To get probabilities, you can run a softmax on it.
+# output은 정규화되지 않았으므로, 확률화하기 위해 softmax 함수를 처리합니다.
 probabilities = torch.nn.functional.softmax(output[0], dim=0)
 print(probabilities)
 ```

From 956a16be1646727423ab913379767dacbc363f72 Mon Sep 17 00:00:00 2001
From: Junyong Kang <46196781+FollowerOfScriabin@users.noreply.github.com>
Date: Sun, 24 Jul 2022 16:44:12 +0900
Subject: [PATCH 2/5] Update pytorch_vision_resnext.md
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

*오타수정
---
 pytorch_vision_resnext.md | 9 ++++++++-
 1 file changed, 8 insertions(+), 1 deletion(-)

diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
index 9f95637..70fe535 100644
--- a/pytorch_vision_resnext.md
+++ b/pytorch_vision_resnext.md
@@ -1,4 +1,11 @@
-
+---
+layout: hub_detail
+background-class: hub-background
+body-class: hub
+title: ResNext
+summary: Next generation ResNets, more efficient and accurate
+category: researchers
+image: resnext.png
 author: Pytorch Team
 tags: [vision, scriptable]
 github-link: https://github.com/pytorch/vision/blob/main/torchvision/models/resnet.py

From a012a4e5f96bc42e94e025c354c10ba04e865df7 Mon Sep 17 00:00:00 2001
From: Junyong Kang <46196781+FollowerOfScriabin@users.noreply.github.com>
Date: Fri, 29 Jul 2022 19:18:28 +0900
Subject: [PATCH 3/5] Modify pytorch_vision_resnext.md : translate english to
 korean
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

초역본
---
 pytorch_vision_resnext.md | 16 ++++++++--------
 1 file changed, 8 insertions(+), 8 deletions(-)

diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
index 70fe535..11c4206 100644
--- a/pytorch_vision_resnext.md
+++ b/pytorch_vision_resnext.md
@@ -66,16 +66,16 @@ print(probabilities)
 ```
 
 ```
-# Download ImageNet labels
+# ImageNet 데이터셋 레이블 다운로드
 !wget https://raw.githubusercontent.com/pytorch/hub/master/imagenet_classes.txt
 ```
 
 ```
-# Read the categories
+# 카테고리(클래스) 읽기
 with open("imagenet_classes.txt", "r") as f:
     categories = [s.strip() for s in f.readlines()]
 
-# Show top categories per image
+# 각 이미지에 대한 top 5 카테고리 출력
 top5_prob, top5_catid = torch.topk(probabilities, 5)
 
 for i in range(top5_prob.size(0)):
@@ -84,10 +84,10 @@ for i in range(top5_prob.size(0)):
 
 ### Model Description
 
-Resnext models were proposed in [Aggregated Residual Transformations for Deep Neural Networks](https://arxiv.org/abs/1611.05431).
-Here we have the 2 versions of resnet models, which contains 50, 101 layers repspectively.
-A comparison in model archetechure between resnet50 and resnext50 can be found in Table 1.
-Their 1-crop error rates on imagenet dataset with pretrained models are listed below.
+Resnext 모델은 논문 [Aggregated Residual Transformations for Deep Neural Networks]에서 제안되었습니다. (https://arxiv.org/abs/1611.05431).
+이중 두가지 버전의 모델 성능은 아래와 같습니다. 각 모델의 레이어 개수는 각 50, 101개입니다.
+resnet50과 resnext50의 아키텍처 차이는 논문의 Table 1을 참고하십시오.
+ImageNet 데이터셋에 대한 사전훈련된 모델의 에러(성능)은 아래 표와 같습니다.
 
 |  Model structure  | Top-1 error | Top-5 error |
 | ----------------- | ----------- | ----------- |
@@ -96,4 +96,4 @@ Their 1-crop error rates on imagenet dataset with pretrained models are listed b
 
 ### References
 
- - [Aggregated Residual Transformations for Deep Neural Networks](https://arxiv.org/abs/1611.05431)
+ - [Aggregated Residual Transformations for Deep Neural Networks](https://arxiv.org/abs/1611.05431)
\ No newline at end of file

From 01fedfd1d45a872fd2c0a29efeee9e4240a03ba6 Mon Sep 17 00:00:00 2001
From: Junyong Kang <46196781+FollowerOfScriabin@users.noreply.github.com>
Date: Fri, 29 Jul 2022 19:32:37 +0900
Subject: [PATCH 4/5] Modify pytorch_vision_resnext.md : translate english to
 korean
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

+번역 일부 수정
---
 pytorch_vision_resnext.md | 7 ++++---
 1 file changed, 4 insertions(+), 3 deletions(-)

diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
index 11c4206..ea763f2 100644
--- a/pytorch_vision_resnext.md
+++ b/pytorch_vision_resnext.md
@@ -25,9 +25,10 @@ model = torch.hub.load('pytorch/vision:v0.10.0', 'resnext50_32x4d', pretrained=T
 model.eval()
 ```
 
-모든 사전훈련된 모델은 입력 이미지가 같은 방식으로 정규화되었다고 가정합니다.
-즉, 미니배치(mini-batch)의 3채널 RGB 이미지들은 `(3 x H x W)`의 shape을 가지며, `H`와 `W`는 최소 `224`이상이어야 하며, 각 이미지들은 `[0, 1]`의 범위에서 로드되어야 하며, 그 다음 `mean = [0.485, 0.456, 0.406]` 과 `std = [0.229, 0.224, 0.225]`를 이용해 정규화되어야 합니다. 
-아래 예시 코드가 있습니다.
+모든 사전 훈련된 모델들은 입력 이미지가 동일한 방식으로 정규화되었다고 상정합니다.
+즉, 미니 배치(mini-batch)의 3-채널 RGB 이미지들은 `(3 x H x W)`의 형태를 가지며, 해당 `H`와 `W`는 최소 `224` 이상이어야 합니다.
+각 이미지는 `[0, 1]`의 범위 내에서 로드되어야 하며, `mean = [0.485, 0.456, 0.406]` 과 `std = [0.229, 0.224, 0.225]`을 이용해 정규화되어야 합니다.
+다음은 실행 예제 입니다.
 
 ```python
 # 파이토치 웹 사이트에서 다운로드한 이미지 입니다.

From f28b188958c745efbf5c7f03c9bf4d4e58fe3ac3 Mon Sep 17 00:00:00 2001
From: Junyong Kang <46196781+FollowerOfScriabin@users.noreply.github.com>
Date: Fri, 29 Jul 2022 19:39:50 +0900
Subject: [PATCH 5/5] Modify pytorch_vision_resnext.md : translate english to
 korean
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

+2차수정
---
 pytorch_vision_resnext.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/pytorch_vision_resnext.md b/pytorch_vision_resnext.md
index ea763f2..968ec4e 100644
--- a/pytorch_vision_resnext.md
+++ b/pytorch_vision_resnext.md
@@ -83,18 +83,18 @@ for i in range(top5_prob.size(0)):
     print(categories[top5_catid[i]], top5_prob[i].item())
 ```
 
-### Model Description
+### 모델 설명
 
 Resnext 모델은 논문 [Aggregated Residual Transformations for Deep Neural Networks]에서 제안되었습니다. (https://arxiv.org/abs/1611.05431).
 이중 두가지 버전의 모델 성능은 아래와 같습니다. 각 모델의 레이어 개수는 각 50, 101개입니다.
 resnet50과 resnext50의 아키텍처 차이는 논문의 Table 1을 참고하십시오.
 ImageNet 데이터셋에 대한 사전훈련된 모델의 에러(성능)은 아래 표와 같습니다.
 
-|  Model structure  | Top-1 error | Top-5 error |
+| 모델 구조 | Top-1 오류 | Top-5 오류 |
 | ----------------- | ----------- | ----------- |
 |  resnext50_32x4d  | 22.38       | 6.30        |
 |  resnext101_32x8d | 20.69       | 5.47        |
 
-### References
+### 참고문헌
 
  - [Aggregated Residual Transformations for Deep Neural Networks](https://arxiv.org/abs/1611.05431)
\ No newline at end of file