advanced/torch-script-parallelism.rst 번역

advanced_source/torch-script-parallelism.rst

@@ -1,20 +1,20 @@
-Dynamic Parallelism in TorchScript
-==================================
+TorchScript의 동적 병렬 처리(Dynamic Parallelism)
+===================================================
 
-In this tutorial, we introduce the syntax for doing *dynamic inter-op parallelism*
-in TorchScript. This parallelism has the following properties:
+이 튜토리얼에서는, TorchScript에서 *동적 inter-op 병렬처리* 를 하는 구문(syntax)을 소개합니다.
+이 병렬처리에는 다음과 같은 속성이 있습니다:
 
-* dynamic - The number of parallel tasks created and their workload can depend on the control flow of the program.
-* inter-op - The parallelism is concerned with running TorchScript program fragments in parallel. This is distinct from *intra-op parallelism*, which is concerned with splitting up individual operators and running subsets of the operator's work in parallel.
-Basic Syntax
+* 동적(dynamic) - 생성된 병렬 작업의 수와 작업 부하는 프로그램의 제어 흐름에 따라 달라질 수 있습니다.
+* inter-op - 병렬 처리는 TorchScript 프로그램 조각을 병렬로 실행하는 것과 관련이 있습니다. 이는 개별 연산자를 분할하고 연산자 작업의 하위 집합을 병렬로 실행하는 방식인 *intra-op parallelism* 와는 구별됩니다.
+기본 구문
 ------------
 
-The two important APIs for dynamic parallelism are:
+동적 병렬 처리를 위한 두 가지 중요한 API는 다음과 같습니다:
 
 * ``torch.jit.fork(fn : Callable[..., T], *args, **kwargs) -> torch.jit.Future[T]``
 * ``torch.jit.wait(fut : torch.jit.Future[T]) -> T``
 
-A good way to demonstrate how these work is by way of an example:
+이러한 작동 방식은 다음 예제에서 잘 이해할 수 있습니다:
 
 .. code-block:: python
 
@@ -25,37 +25,37 @@ A good way to demonstrate how these work is by way of an example:
 
     @torch.jit.script
     def example(x):
-        # Call `foo` using parallelism:
-        # First, we "fork" off a task. This task will run `foo` with argument `x`
+        # 병렬적으로 `foo` 를 호출합니다.
+        # 먼저, 작업을 "fork" 합니다. 이 작업은 `x` 인자(argument)와 함께 `foo` 를 실행합니다.
         future = torch.jit.fork(foo, x)
 
-        # Call `foo` normally
+        # 일반적으로 `foo`를 호출합니다.
         x_normal = foo(x)
 
-        # Second, we "wait" on the task. Since the task may be running in
-        # parallel, we have to "wait" for its result to become available.
-        # Notice that by having lines of code between the "fork()" and "wait()"
-        # call for a given Future, we can overlap computations so that they
-        # run in parallel.
+        # 둘째, 작업을 "기다립니다". 
+        # 작업이 병렬로 실행 중일 수 있으므로 결과를 사용할 수 있을 때까지 "대기" 해야합니다.
+        # 계산을 병렬로 수행하기 위해서  
+        # "fork()" 와 "wait()" 사이에서
+        # Future를 호출하는 점에 유의하세요.
         x_parallel = torch.jit.wait(future)
 
         return x_normal, x_parallel
 
     print(example(torch.ones(1))) # (-1., -1.)
 
 
-``fork()`` takes the callable ``fn`` and arguments to that callable ``args``
-and ``kwargs`` and creates an asynchronous task for the execution of ``fn``.
-``fn`` can be a function, method, or Module instance. ``fork()`` returns a
-reference to the value of the result of this execution, called a ``Future``.
-Because ``fork`` returns immediately after creating the async task, ``fn`` may
-not have been executed by the time the line of code after the ``fork()`` call
-is executed. Thus, ``wait()`` is used to wait for the async task to complete
-and return the value.
+``fork()`` 는 호출 가능한(callable) ``fn`` ,그에 대한 호출 가능한 인자 ``args``
+및 ``kwargs`` 를 취하고 ``fn`` 실행을 위한 비동기(asynchronous) 작업을 생성합니다.
+``fn`` 은 함수, 메소드, 또는 모듈 인스턴스일 수 있습니다.
+``fork()`` 는 ``Future`` 라고 불리는 이 실행 결과의 값에 대한 참조(reference)를 반환합니다.
+``fork`` 는 비동기 작업을 생성한 직후에 반환되기 때문에,  
+``fork()`` 호출 후 코드 라인이 실행될 때까지 ``fn`` 이 실행되지 않을 수 있습니다.
+따라서, ``wait()`` 은 비동기 작업이 완료 될때까지 대기하고 값을 
+반환하는데 사용됩니다.
 
-These constructs can be used to overlap the execution of statements within a
-function (shown in the worked example section) or be composed with other language
-constructs like loops:
+이러한 구조는 함수 내에서 명령문 실행을 중첩하거나
+작업된 (예제 섹션에 표시됨) 루프와 같은 다른
+언어 구조로 구성 될 수 있습니다:
 
 .. code-block:: python
 
@@ -81,55 +81,55 @@ constructs like loops:
 
 .. note::
 
-    When we initialized an empty list of Futures, we needed to add an explicit
-    type annotation to ``futures``. In TorchScript, empty containers default
-    to assuming they contain Tensor values, so we annotate the list constructor
-    # as being of type ``List[torch.jit.Future[torch.Tensor]]``
+    Future의 빈 리스트(list)를 초기화할때, 명시적인 유형 주석을 ``futures`` 에 추가해야 했습니다.
+    TorchScript에서 빈 컨테이너(container)는 기본적으로 tensor 값을 포함한다고 가정하므로
+    리스트 생성자(constructor) #에 
+    ``List[torch.jit.Future[torch.Tensor]]`` 유형의 주석을 달았습니다.
 
-This example uses ``fork()`` to launch 100 instances of the function ``foo``,
-waits on the 100 tasks to complete, then sums the results, returning ``-100.0``.
+이 예제는 ``fork()`` 를 사용하여 함수 ``foo`` 의 인스턴스 100개를 시작하고, 100개의 작업이 완료 될때까지
+대기한 다음, 결과를 합산하여 ``-100.0`` 을 반환합니다.
 
-Applied Example: Ensemble of Bidirectional LSTMs
-------------------------------------------------
+적용된 예시: 양방향(bidirectional) LSTMs의 앙상블(Ensemble)
+------------------------------------------------------------
 
-Let's try to apply parallelism to a more realistic example and see what sort
-of performance we can get out of it. First, let's define the baseline model: an
-ensemble of bidirectional LSTM layers.
+보다 현실적인 예시에 병렬화를 적용하고 어떤 성능을 얻을 수 있는지 살펴봅시다.
+먼저, 양방향 LSTM 계층의 앙상블인 
+기준 모델을 정의합시다.
 
 .. code-block:: python
 
     import torch, time
 
-    # In RNN parlance, the dimensions we care about are:
-    # # of time-steps (T)
-    # Batch size (B)
-    # Hidden size/number of "channels" (C)
+    # RNN 용어에서는 우리가 관심 갖는 차원들을 아래와 같이 부릅니다:
+    # 단위시간의 갯수 (T)
+    # 배치 크기 (B)
+    # "channels"의 숨겨진 크기/숫자 (C)
     T, B, C = 50, 50, 1024
 
-    # A module that defines a single "bidirectional LSTM". This is simply two
-    # LSTMs applied to the same sequence, but one in reverse
+    # 단일 "양방향 LSTM"을 정의하는 모듈입니다.
+    # 이는 단순히 동일한 시퀀스에 적용된 두 개의 LSTM이지만 하나는 반대로 적용됩니다.
     class BidirectionalRecurrentLSTM(torch.nn.Module):
         def __init__(self):
             super().__init__()
             self.cell_f = torch.nn.LSTM(input_size=C, hidden_size=C)
             self.cell_b = torch.nn.LSTM(input_size=C, hidden_size=C)
 
         def forward(self, x : torch.Tensor) -> torch.Tensor:
-            # Forward layer
+            # Forward 계층
             output_f, _ = self.cell_f(x)
 
-            # Backward layer. Flip input in the time dimension (dim 0), apply the
-            # layer, then flip the outputs in the time dimension
+            # Backward 계층. 시간 차원(time dimension)(dim 0)에서 입력을 flip (dim 0),
+            # 계층 적용하고, 시간 차원에서 출력을 flip 합니다.
             x_rev = torch.flip(x, dims=[0])
             output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
             output_b_rev = torch.flip(output_b, dims=[0])
 
             return torch.cat((output_f, output_b_rev), dim=2)
 
 
-    # An "ensemble" of `BidirectionalRecurrentLSTM` modules. The modules in the
-    # ensemble are run one-by-one on the same input then their results are
-    # stacked and summed together, returning the combined result.
+    # `BidirectionalRecurrentLSTM` 모듈의 "ensemble"입니다. 
+    # 앙상블의 모듈은 같은 입력으로 하나하나씩 실행되고, 
+    # 누적되고 합산된 결과를 반환합니다.
     class LSTMEnsemble(torch.nn.Module):
         def __init__(self, n_models):
             super().__init__()
@@ -143,110 +143,110 @@ ensemble of bidirectional LSTM layers.
                 results.append(model(x))
             return torch.stack(results).sum(dim=0)
 
-    # For a head-to-head comparison to what we're going to do with fork/wait, let's
-    # instantiate the model and compile it with TorchScript
+    # fork/wait으로 실행할 것들의 직접 비교를 위해
+    # 모듈을 인스턴스화하고 TorchScript를 통해 컴파일해 봅시다.
     ens = torch.jit.script(LSTMEnsemble(n_models=4))
 
-    # Normally you would pull this input out of an embedding table, but for the
-    # purpose of this demo let's just use random data.
+    # 일반적으로 임베딩 테이블(embedding table)에서 입력을 가져오지만,
+    # 데모를 위해 여기서는 무작위 데이터를 사용하겠습니다.
     x = torch.rand(T, B, C)
 
-    # Let's run the model once to warm up things like the memory allocator
+    # 메모리 할당자(memory allocator) 등을 준비시키기 위해 모델을 먼저 한번 실행합니다.
     ens(x)
 
     x = torch.rand(T, B, C)
 
-    # Let's see how fast it runs!
+    # 얼마나 빠르게 실행되는지 봅시다!
     s = time.time()
     ens(x)
     print('Inference took', time.time() - s, ' seconds')
 
-On my machine, this network runs in ``2.05`` seconds. We can do a lot better!
+제 컴퓨터에서는 네트워크가 ``2.05`` 초 만에 실행되었습니다. 훨씬 더 빠르게 할 수 있습니다!
 
-Parallelizing Forward and Backward Layers
------------------------------------------
+Forward, Backward 계층 병렬화
+----------------------------------
 
-A very simple thing we can do is parallelize the forward and backward layers
-within ``BidirectionalRecurrentLSTM``. For this, the structure of the computation
-is static, so we don't actually even need any loops. Let's rewrite the ``forward``
-method of ``BidirectionalRecurrentLSTM`` like so:
+간단하게 할 수 있는 일로는 ``BidirectionalRecurrentLSTM`` 내에서 forward, backward 계층들을 병렬화하는 것이 있습니다.
+이 때, 계산 구조는 고정되어 있으므로 우리는 어떤 루프도 필요로 하지 않습니다.
+``BidirectionalRecurrentLSTM`` 의 ``forward`` 메소드를 다음과 같이 재작성해봅시다:
 
 .. code-block:: python
 
         def forward(self, x : torch.Tensor) -> torch.Tensor:
-            # Forward layer - fork() so this can run in parallel to the backward
-            # layer
+
+            # Backward 계층과 병렬로 실행시키기 위해 forward layer를 fork()를 한다.
             future_f = torch.jit.fork(self.cell_f, x)
 
-            # Backward layer. Flip input in the time dimension (dim 0), apply the
-            # layer, then flip the outputs in the time dimension
+            # Backward 계층. 시간 차원(time dimension)(dim 0)에서 입력을 flip (dim 0),
+            # 계층을 적용하고, 그리고 시간 차원에서 출력을 flip 합니다.
             x_rev = torch.flip(x, dims=[0])
             output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
             output_b_rev = torch.flip(output_b, dims=[0])
 
-            # Retrieve the output from the forward layer. Note this needs to happen
-            # *after* the stuff we want to parallelize with
+            # Forward 계층에서 출력을 받아옵니다.
+            # 이는 우리가 병렬화하려는 작업 *이후*에 일어나야 함을 주의해야 합니다.
             output_f, _ = torch.jit.wait(future_f)
 
             return torch.cat((output_f, output_b_rev), dim=2)
 
-In this example, ``forward()`` delegates execution of ``cell_f`` to another thread,
-while it continues to execute ``cell_b``. This causes the execution of both the
-cells to be overlapped with each other.
+이 예시에서, ``forward()`` 는 ``cell_b`` 의 실행을 계속하는 동안
+``cell_f`` 를 다른 스레드로 위임합니다.
+이로 인해 두 셀의 실행이 서로 겹칩니다.
 
-Running the script again with this simple modification yields a runtime of
-``1.71`` seconds for an improvement of ``17%``!
 
-Aside: Visualizing Parallelism
-------------------------------
+이 간단한 수정 후에 스크립트를 다시 실행하면
+``17%`` 향상된 ``1.71`` 초의 런타임이 나옵니다!
 
-We're not done optimizing our model but it's worth introducing the tooling we
-have for visualizing performance. One important tool is the `PyTorch profiler <https://pytorch.org/docs/stable/autograd.html#profiler>`_.
+Aside: 병렬화 시각화 (Visualizing Parallelism)
+--------------------------------------------------
 
-Let's use the profiler along with the Chrome trace export functionality to
-visualize the performance of our parallelized model:
+아직 모델 최적화가 끝나지 않았지만 이쯤에서 성능 시각화를 위한 도구를 도입해봅시다.
+한 가지 중요한 도구는 `PyTorch 프로파일러(profiler) <https://pytorch.org/docs/stable/autograd.html#profiler>`_ 입니다.
+
+Chrome의 추적 내보내기 기능(trace export functionality)과 함께 프로파일러를 사용해
+병렬화된 모델의 성능을 시각화해봅시다:
 
 .. code-block:: python
 
     with torch.autograd.profiler.profile() as prof:
         ens(x)
     prof.export_chrome_trace('parallel.json')
 
-This snippet of code will write out a file named ``parallel.json``. If you
-navigate Google Chrome to ``chrome://tracing``, click the ``Load`` button, and
-load in that JSON file, you should see a timeline like the following:
+이 작은 코드 조각은 ``parallel.json`` 파일을 작성합니다. 
+Google Chrome에서 ``chrome://tracing`` 으로 이동하여 ``Load`` 버튼을 클릭하고
+JSON 파일을 로드하면 다음과 같은 타임라인을 보게 될 겁니다:
 
 .. image:: https://i.imgur.com/rm5hdG9.png
 
-The horizontal axis of the timeline represents time and the vertical axis
-represents threads of execution. As we can see, we are running two ``lstm``
-instances at a time. This is the result of our hard work parallelizing the
-bidirectional layers!
+타임라인의 가로축은 시간을, 세로축은 실행 스레드를 나타냅니다.
+보다시피 한 번에 두 개의 ``lstm`` 을 실행하고 있습니다.
+이것은 양방향(forward, backward) 계층을 병렬화하기 위해 
+노력한 결과입니다!
 
-Parallelizing Models in the Ensemble
+앙상블에서의 병렬화 모델
 ------------------------------------
 
-You may have noticed that there is a further parallelization opportunity in our
-code: we can also run the models contained in ``LSTMEnsemble`` in parallel with
-each other. The way to do that is simple enough, this is how we should change
-the ``forward`` method of ``LSTMEnsemble``:
+이 코드에 더 많은 병렬화 기회가 있다는 것을 눈치챘을지도 모릅니다:
+``LSTMEnsemble`` 에 포함된 모델들을 서로 병렬로 실행할 수도 있습니다.
+이렇게 하기 위한 방법은 아주 간단합니다.
+바로 ``LSTMEnsemble`` 의 ``forward`` 메소드를 변경하는 방법입니다:
 
 .. code-block:: python
 
         def forward(self, x : torch.Tensor) -> torch.Tensor:
-            # Launch tasks for each model
+            # 각 모델을 위한 작업 실행합니다.
             futures : List[torch.jit.Future[torch.Tensor]] = []
             for model in self.models:
                 futures.append(torch.jit.fork(model, x))
 
-            # Collect the results from the launched tasks
+            # 실행된 작업들에서 결과 수집합니다.
             results : List[torch.Tensor] = []
             for future in futures:
                 results.append(torch.jit.wait(future))
 
             return torch.stack(results).sum(dim=0)
 
-Or, if you value brevity, we can use list comprehensions:
+또는, 만약 간결함을 중요하게 생각한다면 리스트 컴프리헨션(list comprehension)을 사용할 수 있습니다.
 
 .. code-block:: python
 
@@ -255,25 +255,25 @@ Or, if you value brevity, we can use list comprehensions:
             results = [torch.jit.wait(fut) for fut in futures]
             return torch.stack(results).sum(dim=0)
 
-Like described in the intro, we've used loops to fork off tasks for each of the
-models in our ensemble. We've then used another loop to wait for all of the
-tasks to be completed. This provides even more overlap of computation.
+서두에서 설명했듯이, 우리는 루프를 사용해 앙상블의 각 모델들에 대한 작업을 나눴습니다.
+그리고 모든 작업이 완료될 때까지 기다릴 다른 루프를 사용했습니다.
+이는 더 많은 계산의 오버랩을 제공합니다.
 
-With this small update, the script runs in ``1.4`` seconds, for a total speedup
-of ``32%``! Pretty good for two lines of code.
+이 작은 업데이트로 스크립트는 ``1.4`` 초에 실행되어 총 ``32%`` 만큼 속도가 향상되었습니다!
+단 두 줄만에 좋은 효과를 보였습니다.
 
-We can also use the Chrome tracer again to see where's going on:
+또한 Chrome 추적기(tracer)를 다시 사용해 진행 상황을 볼 수 있습니다:
 
 .. image:: https://i.imgur.com/kA0gyQm.png
 
-We can now see that all ``LSTM`` instances are being run fully in parallel.
+이제 모든 ``LSTM`` 인스턴스가 완전히 병렬로 실행되는 것을 볼 수 있습니다.
 
-Conclusion
+결론
 ----------
 
-In this tutorial, we learned about ``fork()`` and ``wait()``, the basic APIs
-for doing dynamic, inter-op parallelism in TorchScript. We saw a few typical
-usage patterns for using these functions to parallelize the execution of
-functions, methods, or ``Modules`` in TorchScript code. Finally, we worked through
-an example of optimizing a model using this technique and explored the performance
-measurement and visualization tooling available in PyTorch.
+이 튜토리얼에서 우리는 TorchScript에서 동적(dynamic), inter-op 병렬 처리를 수행하기 위한 기본 API인
+``fork()`` 와 ``wait()`` 에 대해 배웠습니다. 
+이러한 함수들을 사용해 TorchScript 코드에서 함수, 메소드, 또는 
+``Modules`` 의 실행을 병렬화하는 몇 가지 일반적인 사용 패턴도 보았습니다.
+마지막으로, 이 기술을 사용해 모델을 최적화하는 예를 훑어보고, PyTorch에서 사용 가능한
+성능 측정 및 시각화 도구를 살펴보았습니다.