diff --git a/beginner_source/basics/autogradqs_tutorial.py b/beginner_source/basics/autogradqs_tutorial.py index fbf3683de..6b72bd876 100644 --- a/beginner_source/basics/autogradqs_tutorial.py +++ b/beginner_source/basics/autogradqs_tutorial.py @@ -95,7 +95,7 @@ # # 기본적으로, ``requires_grad=True``\ 인 모든 텐서들은 연산 기록을 추적하고 변화도 계산을 # 지원합니다. 그러나 모델을 학습한 뒤 입력 데이터를 단순히 적용하기만 하는 경우와 같이 *순전파* -# 연산만 필요한 경우에는, 이러한 추적이나 지원이 필요없을 수 있습니다. +# 연산만 필요한 경우에는, 이러한 추적이나 지원이 필요 없을 수 있습니다. # 연산 코드를 ``torch.no_grad()`` 블록으로 둘러싸서 연산 추적을 멈출 수 있습니다: # @@ -195,9 +195,9 @@ ###################################################################### # 동일한 인자로 ``backward``\ 를 두차례 호출하면 변화도 값이 달라집니다. -# 이는 ``역방향`` 전파를 수행할 때, PyTorch가 **변화도를 누적(accumulate)해두기 때문**\ +# 이는 ``역방향`` 전파를 수행할 때, PyTorch가 **변화도를 누적(accumulate)해주기 때문**\ # 입니다. 즉, 계산된 변화도의 값이 연산 그래프의 모든 잎(leaf) 노드의 ``grad`` 속성에 -# 추가됩니다. 따라서 제대로된 변화도를 계산하기 위해서는 ``grad`` 속성을 먼저 0으로 만들어야 +# 추가됩니다. 따라서 제대로 된 변화도를 계산하기 위해서는 ``grad`` 속성을 먼저 0으로 만들어야 # 합니다. 실제 학습 과정에서는 *옵티마이저(optimizer)*\ 가 이 과정을 도와줍니다. ###################################################################### @@ -211,6 +211,6 @@ # ################################################################# -# 더 읽어보기 +# 더 읽어 보기 # ~~~~~~~~~~~~~~~~~ # - `Autograd Mechanics `_