diff --git a/beginner_source/data_loading_tutorial.py b/beginner_source/data_loading_tutorial.py index 12c0f9f1d..3d485b2bf 100644 --- a/beginner_source/data_loading_tutorial.py +++ b/beginner_source/data_loading_tutorial.py @@ -44,7 +44,7 @@ # .. figure:: /_static/img/landmarked_face2.png # :width: 400 # -# 각각의 얼굴에 68개의 서로다른 중요 포인트들이 존재합니다. +# 각각의 얼굴에 68개의 서로 다른 중요 포인트들이 존재합니다. # # .. note:: # 이 `링크 `_ 를 통해 데이터셋을 다운로드 해주세요. @@ -104,7 +104,7 @@ def show_landmarks(image, landmarks): # ``torch.utils.data.Dataset`` 은 데이터셋을 나타내는 추상클래스입니다. # 여러분의 데이터셋은 ``Dataset`` 에 상속하고 아래와 같이 오버라이드 해야합니다. # -# - ``len(dataset)`` 에서 호출되는 ``__len__`` 은 데이터셋의 크기를 리턴해야합니다. +# - ``len(dataset)`` 에서 호출되는 ``__len__`` 은 데이터셋의 크기를 리턴해야 합니다. # - ``dataset[i]`` 에서 호출되는 ``__getitem__`` 은 # :math:`i`\ 번째 샘플을 찾는데 사용됩니다. # @@ -196,7 +196,7 @@ def __getitem__(self, idx): # - ``ToTensor``: numpy 이미지에서 torch 이미지로 변경합니다. # (축변환이 필요합니다) # -# 간단한 함수대신에 호출 할 수 있는 클래스로 작성 합니다. +# 간단한 함수 대신에 호출 할 수 있는 클래스로 작성 합니다. # 이렇게 한다면, 클래스가 호출 될 때마다 전이(Transform)의 매개변수가 전달 되지 않아도 됩니다. # 이와 같이, ``__call__`` 함수를 구현해야 합니다. # 필요하다면, ``__init__`` 함수도 구현해야 합니다. 다음과 같이 전이(transform)를 사용할 수 있습니다. @@ -303,9 +303,9 @@ def __call__(self, sample): # # 이미지의 가장 짧은 측면을 256개로 rescale하고, # 그후에 무작위로 224개를 자른다고 가정합시다. -# 다시말해, ``Rescale`` 과 ``RandomCrop`` 을 사용해봅시다. +# 다시 말해, ``Rescale`` 과 ``RandomCrop`` 을 사용해봅시다. # -# ``torchvision.transforms.Compose`` 는 위의 두작업을 하는 간단한 호출할 수 있는 클래스입니다. +# ``torchvision.transforms.Compose`` 는 위의 두 작업을 하는 간단한 호출할 수 있는 클래스입니다. # scale = Rescale(256) @@ -331,13 +331,13 @@ def __call__(self, sample): # 데이터셋을 이용한 반복작업 # ----------------------------- # -# 전이(transform)를 적용한 dataset을 만들기위해서 만들었던것을 다 집어 넣어 봅시다. +# 전이(transform)를 적용한 dataset을 만들기 위해서 만들었던 것을 다 집어넣어 봅시다. # # 요약하자면, 데이터셋은 다음과 같이 샘플링 됩니다. # -# - 이미지는 파일 전체를 메모리에 올리지않고 필요할때마다 불러와서 읽습니다. +# - 이미지는 파일 전체를 메모리에 올리지 않고 필요할 때마다 불러와서 읽습니다. # - 그 후에 읽은 이미지에 Transform을 적용합니다. -# - transfroms 중 하나가 랜덤이기 때문에, 데이터는 샘플링때 증가합니다. +# - transfroms 중 하나가 랜덤이기 때문에, 데이터는 샘플링 때 증가합니다. # # # 우리는 이제 이전에 사용하던 것 처럼 ``for i in range`` 를 사용해서 @@ -367,7 +367,7 @@ def __call__(self, sample): # # - 데이터를 묶는 과정 # - 데이터를 섞는 과정 -# - 병렬처리 과정에서 ``multiprocessing`` 을 사용할때 데이터를 불러오는 것 +# - 병렬처리 과정에서 ``multiprocessing`` 을 사용할 때 데이터를 불러오는 것 # # ``torch.utils.data.DataLoder`` 는 위와 같은 기능을 모두 제공해주는 반복자(iterator)입니다. # 사용되는 매개변수(Parameters)는 명확해야 합니다. @@ -398,7 +398,7 @@ def show_landmarks_batch(sample_batched): plt.title('Batch from dataloader') -# Windows를 사용 중이라면, 다음 줄의 주석을 제거하고 for 반복문을 들여쓰기합니다. +# Windows를 사용 중이라면, 다음 줄의 주석을 제거하고 for 반복문을 들여쓰기 합니다. # ``num_workers`` 를 0으로 변경해야 할 수도 있습니다. # if __name__ == '__main__': @@ -422,7 +422,7 @@ def show_landmarks_batch(sample_batched): # 이번 튜토리얼에서는, 데이터셋 작성과 사용, 전이(transforms), 데이터를 불러오는 방법에 대해서 알아봤습니다. # ``torchvision`` 패키지는 몇몇의 일반적인 데이터셋과 전이(transforms)들을 제공합니다. # 클래스들을 따로 작성하지 않아도 될 것입니다. -# torchvision에서의 사용가능한 일반적인 데이터셋 중 하나는 ``ImageFolder`` 입니다. +# torchvision에서의 사용 가능한 일반적인 데이터셋 중 하나는 ``ImageFolder`` 입니다. # 이것은 다음과 같은 방식으로 구성되어 있다고 가정합니다: :: # # root/ants/xxx.png @@ -437,7 +437,7 @@ def show_landmarks_batch(sample_batched): # # 여기서'ants', 'bees'는 class labels입니다. # 비슷하게, ``RandomHorizontalFlip`` , ``Scale`` 과 같이 ``PIL.Image`` 에서 작동하는 -# 일반적인 전이(transforms)도 사용가능합니다. 이와 같이 데이터로더(dataloader)를 사용할 수 있습니다: :: +# 일반적인 전이(transforms)도 사용 가능합니다. 이와 같이 데이터로더(dataloader)를 사용할 수 있습니다: :: # # import torch # from torchvision import transforms, datasets @@ -456,4 +456,4 @@ def show_landmarks_batch(sample_batched): # num_workers=4) # # training code에 대한 예시를 알고 싶다면, -# :doc:`transfer_learning_tutorial` 문서를 참고해주세요 +# :doc:`transfer_learning_tutorial` 문서를 참고해 주세요.