diff --git a/intermediate_source/autograd_saved_tensors_hooks_tutorial.py b/intermediate_source/autograd_saved_tensors_hooks_tutorial.py
index 570b7d4ec..abe5fffb7 100644
--- a/intermediate_source/autograd_saved_tensors_hooks_tutorial.py
+++ b/intermediate_source/autograd_saved_tensors_hooks_tutorial.py
@@ -1,58 +1,46 @@
 """
-Hooks for autograd saved tensors
-=======================
+미분자동화(autograd) 저장된 텐서를 위한 Hooks
+===========================================
 
 """
 
 
 ######################################################################
-# PyTorch typically computes gradients using backpropagation. However,
-# certain operations require intermediary results to be saved in order to
-# perform backpropagation. This tutorial walks through how these tensors
-# are saved/retrieved and how you can define hooks to control the
-# packing/unpacking process.
-#
-# This tutorial assumes you are familiar with how backpropagation works in
-# theory. If not, read this first:
-# https://colab.research.google.com/drive/1aWNdmYt7RcHMbUk-Xz2Cv5-cGFSWPXe0#scrollTo=AHcEJ6nXUb7W
-#
+# 파이토치는 일반적으로 역전파를 사용하여 기울기를 계산합니다. 
+# 그러나 특정 작업에서는 역전파를 수행하기 위한 중간결과를 저장해야 합니다. 
+# 이번 튜토리얼에서는 이러한 텐서를 저장/검색하는 방법과 패킹/언패킹 프로세스를 제어하기위한 hooks을 정하는 방법을 안내합니다. 
 
+# 이 튜토리얼에서는 사용자가 역전파가 이론상에서 작동하는 방식에 익숙하다고 가정합니다. 아니라면, 아래의 자료를 먼저 읽어보세요.
+# https://colab.research.google.com/drive/1aWNdmYt7RcHMbUk-Xz2Cv5-cGFSWPXe0#scrollTo=AHcEJ6nXUb7W
 
 ######################################################################
-# Saved tensors
+# 저장된 tensor
 # -------------
-#
 
 
 ######################################################################
-# Training a model usually consumes more memory than running it for
-# inference. Broadly speaking, one can say that it is because “PyTorch
-# needs to save the computation graph, which is needed to call
-# ``backward``”, hence the additional memory usage. One goal of this
-# tutorial is to finetune this understanding.
-#
-# In fact, the graph in itself sometimes does not consume much more memory
-# as it never copies any tensors. However, the graph can keep *references*
-# to tensors that would otherwise have gone out of scope: those are
-# referred to as **saved tensors**.
+# 모델의 훈련은 일반적으로 모델을 인퍼런스하는 것보다 학습하는 과정에서 메모리를 더 많이 사용합니다. 
+# 대략적으로 말하면 파이토치는 역전파를 호출하는데 필요한 계산 그래프를 저장해야하므로 추가 메모리 사용량이 있기 때문입니다. 
+# 이 튜토리얼의 한가지 목표는 이러한 이해에 대한 미세 조정을 실행하는 것입니다.
 #
+# 사실, 이 그래프 자체로는 가끔은 그다지 많은 메모리를 사용하진 않습니다. 여타의 텐서들을 복제하지 않는 것 처럼요.
+# 그러나, 그래프는 *참조* 를 유지할 수 있습니다. 
+# 그렇지 않으면 범위를 벗어난 텐서를 : **저장된 텐서** 라고 명명할 수 있습니다. 
 
 
 ######################################################################
-# Why does training a model (typically) requires more memory than evaluating it?
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-#
+# (일반적으로)모델을 훈련하는데 평가보다 더 많은 메모리를 소하게 되는 이유는 무엇일까요?
+# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 
 ######################################################################
-# We start with a simple example: :math: `y = a \mapsto \cdot b` , for which
-# we know the gradients of :math:`y` with respect to :math:`a` and
-# :math:`b`:
-#
-# .. math::  \frac{\partial y}{\partial a} = b
-#
-# .. math::  \frac{\partial y}{\partial b} = a
-#
+# 간단한 예제를 시작해봅시다: :math: `y = a \mapsto \cdot b` , 이것은 미분량(그래디언트)로 알고있는 :math: `y`,로 각각 :math: `a` and
+# :math: `b`:로 상정합니다. 
+
+
+ .. math::  \frac{\partial y}{\partial a} = b
+ .. math::  \frac{\partial y}{\partial b} = a
+
 
 import torch
 
@@ -61,37 +49,29 @@
 y = a * b
 
 #################################################################
-# Using a torchviz, we can visualize the computation graph
-#
-#  .. figure:: https://user-images.githubusercontent.com/8019486/130124513-72e016a3-c36f-42b9-88e2-53baf3e016c5.png
-#    :width: 300
-#    :align: center
+# torchviz를 사용해서, 계산그래프를 시각화 할 수 있습니다. 
+  .. figure:: https://user-images.githubusercontent.com/8019486/130124513-72e016a3-c36f-42b9-88e2-53baf3e016c5.png
+    :width: 300
+    :align: center
 
 
 ######################################################################
-# In this example, PyTorch saves intermediary values :math:`a` and
-# :math:`b` in order to compute the gradient during the backward.
+# 이 예제에서 파이토치는 중간 값 :math: `a` 및 :math: `b` 를 저장하여 역방향 동안 기울기를 계산합니다.
 #
-#  .. figure:: https://user-images.githubusercontent.com/8019486/130124538-3da50977-6f0b-46d0-8909-5456ade9b598.png
-#    :width: 300
-#    :align: center
+  .. figure:: https://user-images.githubusercontent.com/8019486/130124538-3da50977-6f0b-46d0-8909-5456ade9b598.png
+    :width: 300
+    :align: center
 
 
 ######################################################################
-# Those intermediary values (in orange above) can be accessed (for
-# debugging purposes) by looking for attributes of the ``grad_fn`` of
-# ``y`` which start with the prefix ``_saved``:
-#
+# 이러한 중간 값(위의 주황색)은 접두사 ``_saved``로 시작하는 ``y``의 ``grad_fn`` 속성을 찾아 (디버깅 목적으로) 액세스할 수 있습니다.
 
 print(y.grad_fn._saved_self)
 print(y.grad_fn._saved_other)
 
 
 ######################################################################
-# As the computation graph grows in depth, it will store more *saved
-# tensors*. Meanwhile, those tensors would have gone out of scope if not
-# for the graph.
-#
+# 계산 그래프가 깊어질수록 *저장된 텐서*가 더 많이 저장됩니다. 한편, 텐서는 그래프가 아니었다면 범위를 벗어나게 됩니다. 
 
 def f(x):
     return x * x
@@ -100,31 +80,24 @@ def f(x):
 y = f(f(f(x)))
 
 ######################################################################
-#  .. figure:: https://user-images.githubusercontent.com/8019486/130124570-f1074098-1bb3-459e-bf5a-03bf6f65b403.png
-#    :width: 500
-#    :align: center
-
+ .. figure :: https://user-images.githubusercontent.com/8019486/130124570-f1074098-1bb3-459e-bf5a-03bf6f65b403.png
+    :width: 500
+    :align: center
 
 ######################################################################
-# In the example above, executing without grad would only have kept ``x``
-# and ``y`` in the scope, But the graph additionnally stores ``f(x)`` and
-# ``f(f(x)``. Hence, running a forward pass during training will be more
-# costly in memory usage than during evaluation (more precisely, when
-# autograd is not required).
-#
+# 위의 예제에서 미분(grad)없이 실행하면 범위내의 ``x`` 와 ``y`` 는 유지되지만
+# 그래프에서는 ``f(x)``와 ``f(f(x)`가 추가로 저장됩니다.
+# 따라서 훈련 중 정방향 경로를 실행하면 평가중에 (더 정확하게는 자동미분(auto grad)가 필요하지 않은 경우보다) 메모리 사용비중이 더 많아지게 됩니다. 
 
 
 ######################################################################
-# The concept of packing / unpacking
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-#
+# 패킹과 언패킹의 개념
+# ~~~~~~~~~~~~~~~~~~~
+
 
 
 ######################################################################
-# Going back to the first example: ``y.grad_fn._saved_self`` and
-# ``y.grad_fn._saved_other`` point to the original tensor object,
-# respectively ``a`` and ``b``.
-#
+# 첫 번째 예제로 돌아가서 ``y.grad_fn._saved_self`` 와 ``y.grad_fn._saved_other`` 는 각각 원래 텐서 객체 ``a`` 와 ``b`` 를 가리킵니다.
 
 a = torch.randn(5, requires_grad=True)
 b = torch.ones(5, requires_grad=True)
@@ -135,8 +108,7 @@ def f(x):
 
 
 ######################################################################
-# However, that may not always be the case.
-#
+# 그러나 이것은 항상 같은 결과를 보여주지 않습니다. 
 
 a = torch.randn(5, requires_grad=True)
 y = torch.exp(a)
@@ -145,25 +117,18 @@ def f(x):
 
 
 ######################################################################
-# Under the hood, PyTorch has **packed** and **unpacked** the tensor
-# ``y`` to prevent reference cycles.
-#
-# As a rule of thumb, you should *not* rely on the fact that accessing
-# the tensor saved for backward will yield the same tensor object as the
-# original tensor. They will however share the same *storage*.
-#
-
+# 내부적으로는 파이토치는 참조주기를 방지하기 위해서 텐서 ``y``를 **패킹** 및 **언패킹** 했습니다
+# 경험상, 역전파 저장된 텐서에 엑세스하면 원래 텐서와 동일한 텐서의 객체가 생성된다는 결과를 기대해서는 *안됩니다.*
+# 그러나 동일한 *저장소*를 공유합니다. 
 
 ######################################################################
-# Saved tensors hooks
+# 저장된 텐서 hooks
 # -------------------
-#
+
 
 
 ######################################################################
-# PyTorch provides an API to control how saved tensors should be packed /
-# unpacked.
-#
+# 파이토치는 텐서들이 패킹되고 언패킹되는지 저장할 수 있는 조정가능한 API를 제공합니다.
 
 def pack_hook(x):
     print("Packing", x)
@@ -182,15 +147,11 @@ def unpack_hook(x):
 
 
 ######################################################################
-# The ``pack_hook`` function will be called everytime an operation saves
-# a tensor for backward.
-# The output of ``pack_hook`` is then stored in the computation graph
-# instead of the original tensor.
-# The ``unpack_hook`` uses that return value to compute a new tensor,
-# which is the one actually used during the backward pass.
-# In general, you want ``unpack_hook(pack_hook(t))`` to be equal to
-# ``t``.
-#
+# ``pack_hook`` 함수는 작업이 역전파를 위해 텐서를 저장할 때 마다 호출됩니다. 그러면 
+# ``pack_hook``의 출력이 원래 텐서 대신 계산 그래프에 저장됩니다.
+# ``unpack_hook``은 해당 반환 값을 사용하여 역방향 전달 중에 실제로 사용된 텐서를 새 텐서로 계산합니다. 
+# 일반적으로 ``unpack_hook(pack_hook(t))`` 가 ``t`` 와 같길 기대합니다.  
+
 
 x = torch.randn(5, requires_grad=True)
 with torch.autograd.graph.saved_tensors_hooks(lambda x: x * 4, lambda x: x / 4):
@@ -200,28 +161,24 @@ def unpack_hook(x):
 
 
 ######################################################################
-# One thing to note is that the output of ``pack_hook`` can be *any Python
-# object*, as long as ``unpack_hook`` can derive a tensor with the correct
-# value from it.
-#
-
+# 한 가지 주의할 점은 ``unpack_hook``이 올바른 값을 가진 텐서를 파생할 수 있는 한 
+# ``pack_hook``의 출력은 *모든 파이썬 객체*가 될 수 있다는 것입니다. 
 
 ######################################################################
-# Some unconventional examples
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-#
+# 몇 가지 특이한 예제들
+# ~~~~~~~~~~~~~~~~~~~~
 
 
-######################################################################
-# First, some silly examples to illustrate what is possible but you
-# probably don’t ever want to do it.
-#
 
 ######################################################################
-# **Returning and int**
+# 먼저, 가능성을 설명하기 위해서 몇 가지 어리석어보이는 예가 있지만 아마 하고싶지 않을 수도 있습니다. 
 
-# Returning the index of a Python list
-# Relatively harmless but with debatable usefulness
+######################################################################
+# **반환 및 int**
+#
+# 파이썬 리스트의 인덱스반환 
+#
+# 상대적으로는 상관없지만 논란의 여지가 있는 유용성
 
 storage = []
 
@@ -240,10 +197,9 @@ def unpack(x):
 assert(x.grad.equal(2 * x))
 
 ######################################################################
-# **Returning a tuple**
-
-# Returning some tensor and a function how to unpack it
-# Quite unlikely to be useful in its current form
+# **튜플의 반환**
+#
+# 일부 텐서와 함수를 반환하고 압축을 푸는 방법은 현재 형태로는 유용하지 않을 것입니다. 
 
 def pack(x):
     delta = torch.randn(*x.size())
@@ -262,10 +218,10 @@ def unpack(packed):
 assert(torch.allclose(x.grad, 2 * x))
 
 ######################################################################
-# **Returning a str**
-
-# Returning the __repr__ of the tensor
-# Probably never do this
+# **str의 반환**
+#
+# 텐서의 __repr__ 반환은
+# 아마도 절대 이렇게 하진 않을 것!
 
 x = torch.randn(5, requires_grad=True)
 with torch.autograd.graph.saved_tensors_hooks(lambda x: repr(x), lambda x: eval("torch." + x)):
@@ -275,28 +231,24 @@ def unpack(packed):
 
 
 ######################################################################
-# Although those examples will not be useful in practice, they
-# illustrate that the output of ``pack_hook`` can really be any Python
-# object as long as it contains enough information to retrieve the
-# content of the original tensor.
-# In the next sections, we focus on more useful applications.
-#
-
+# 이러한 예제는 실제로 유용하지 않을 것이지만 ``pack_hook``의 출력이 원래 텐서의 내용을 검색하기에 충분한 정보를 포함하는 한 
+# 실제로 모든 Python의 객체가 될 수 있음을 보여줍니다. 
+# 다음 섹션에서는 더 유용한 응용프로그램에 중점을 두겠습니다. 
 
 ######################################################################
-# Saving tensors to CPU
-# ~~~~~~~~~~~~~~~~~~~~~
-#
+# 텐서를 CPU에 저장하기
+# ~~~~~~~~~~~~~~~~~~~~
+
 
 
 ######################################################################
-# Very often, the tensors involved in the computation graph live on GPU.
-# Keeping a reference to those tensors in the graph is what causes most
-# models to run out of GPU memory during training while they would have
-# done fine during evaluation.
-#
-# Hooks provide a very simple way to implement that.
+# 매우 빈번하게, 계산 그래프를 수반하는 텐서는 GPU에 있습니다. 
+# 그래프에 이러한 텐서에 대한 참조를 유지하는 것은 대부분의 모델이 평가중에 정상적으로 수행되었을 때 
+# 훈련중에 GPU 메모리가 부족하게 만드는 원인이 됩니다. 
 #
+# hooks는 이를 구현하는 매우 간단한 방법을 제공합니다. 
+
+
 
 def pack_hook(x):
     return (x.device, x.cpu())
@@ -314,9 +266,7 @@ def unpack_hook(packed):
 
 
 ######################################################################
-# In fact, PyTorch provides an API to conveniently use those hooks (as
-# well as the ability to use pinned memory).
-#
+# 실제로 파이토치는 이러한 hooks를 편리하게 사용할 수 있는 API를 제공합니다. (고정된 메모리를 사용하는 기능도 포함.)
 
 import torch.nn as nn
 
@@ -337,16 +287,13 @@ def forward(self, x):
 
 
 ######################################################################
-# In practice, on a A100 GPU, for a resnet-152 with batch size 256, this
-# corresponds to a GPU memory usage reduction from 48GB to 5GB, at the
-# cost of a 6x slowdown.
+# 실제로 A100 GPU에서 배치크기가 256인 resnet-152의 경우 이는 GPU메모리 사용량이
+# 48G에서 5GB로 6배 느려지는 비용 감소에 해당합니다.
 #
-# Of course, you can modulate the tradeoff by only saving to CPU certain
-# parts of the network.
-#
-# For instance, you could define a special ``nn.Module`` that wraps any
-# module and saves its tensors to CPU.
+# 물론 네트워크 특정부분만 CPU에 저장하여 절충안을 조정할 수 있습니다.
 #
+# 예를 들어, 모든 모듈을 감싸두고 해당 텐서를 CPU에 저장하는 특별한 
+# ``nn.Module`` 을 정의할 수 있습니다. 
 
 class SaveToCpu(nn.Module):
     def __init__(self, module):
@@ -369,22 +316,18 @@ def forward(self, *args, **kwargs):
 
 
 ######################################################################
-# Saving tensors to disk
+# 텐서를 디스크에 저장하기
 # ~~~~~~~~~~~~~~~~~~~~~~
-#
 
 
-######################################################################
-# Similarly, you may want to save those tensors to disk. Again, this is
-# achievable with those hooks.
-#
 
+######################################################################
+# 마찬가지로, 이러한 텐서를 디스크에 저장하고 싶을 수 도 있습니다. 다시 말하지만 이것은 앞서말한 hooks로 달성할 수 있습니다. 
 
 ######################################################################
-# A naive version would look like this.
+# 단순한 버전의 아마 이럴것입니다.
 #
-
-# Naive version - HINT: Don't do this
+# 단순버전 - 힌트: 이렇게 하지 마시오.
 
 import uuid
 tmp_dir = "temp"
@@ -399,12 +342,10 @@ def unpack_hook(name):
 
 
 ######################################################################
-# The reason the above code is bad is that we are leaking files on the
-# disk and they are never cleared. Fixing this is not as trivial as it
-# seems.
+# 위의 코드가 나쁜 이유는 디스크에 저장된 파일이 누출되고 해당 파일을 지울수도 없기 때문입니다. 
+# 이 문제를 해결하는 것은 그렇게 간단하지 않아 보입니다. 
 #
-
-# Incorrect version - HINT: Don't do this
+# 잘못된 버전 - 힌트: 이렇게 하지 마시오.
 
 import uuid
 import os
@@ -424,11 +365,9 @@ def unpack_hook(name):
 
 
 ######################################################################
-# The reason the above code doesn’t work is that ``unpack_hook`` can be
-# called multiple times. If we delete the file during unpacking the first
-# time, it will not be available when the saved tensor is accessed a
-# second time, which will raise an error.
-#
+# 위의 코드가 작동하지 않는 이유는 ``unpack_hook``가 여러번 호출되기 때문입니다. 
+# 먼저 압축을 풀 때 파일을 삭제하면 처음에, 저장된 텐서에 엑세스시에 사용할 수 없습니다.
+# 두 번째에는 오류가 발생합니다. 
 
 x = torch.ones(5, requires_grad=True)
 with torch.autograd.graph.saved_tensors_hooks(pack_hook, unpack_hook):
@@ -442,10 +381,8 @@ def unpack_hook(name):
 
 
 ######################################################################
-# To fix this, we can write a version of those hooks that takes advantage
-# of the fact that PyTorch automatically releases (deletes) the saved data
-# when it is no longer needed.
-#
+# 이문제를 해결하기위해 이점을 활용하는 hooks의 버전을 작성할 수 있습니다.
+# 파이토치가 저장된 데이터를 자동으로 해제(삭제)한다는 사실이 더이상 필요하지 않을 때입니다. 
 
 class SelfDeletingTempFile():
     def __init__(self):
@@ -464,14 +401,15 @@ def unpack_hook(temp_file):
 
 
 ######################################################################
-# When we call ``backward``, the output of ``pack_hook`` will be deleted,
-# which causes the file to be removed, so we’re no longer leaking the
-# files.
-#
-# This can then be used in your model, in the following way:
+# ``backward`` 를 호출하면 ``pack_hook`` 이 삭제되고,
+# 파일이 제거되도록 하므로 더 이상 파일이 누출되지 않습니다. 
 #
+# 다음과 같은 방식으로 모델에 사용할 수 있습니다.
+
 
 # Only save on disk tensors that have size >= 1000
+# 사이즈 >=1000인 텐서만이 디스크에 저장될 수 있습니다.
+
 SAVE_ON_DISK_THRESHOLD = 1000
 
 def pack_hook(x):
@@ -499,14 +437,9 @@ def forward(self, *args, **kwargs):
 
 
 ######################################################################
-# In this last example, we also demonstrate how to filter which tensors
-# should be saved (here, those whose number of elements is greater than
-# 1000) and how to combine this feature with ``nn.DataParallel``.
-#
+# 이 마지막 예에서는 
+# 반드시 저장해야하며 이 기능을 ``nn.DataParallel`` 와 어떻게 조합하는 텐서들에 대해 어떻게 필터하는지에 대한 증명을 해보았습니다. 
 
 
 ######################################################################
-# If you’ve made it this far, congratulations! You now know how to use
-# saved tensor hooks and how they can be useful in a few scenarios to
-# tradeoff memory for compute.
-#
+# 만일 여기까지 따라오셨다면, 축하합니다! 당신은 저장된 텐서 hooks을 어떻게 사용하는지 그리고 계산 메모리의 절충안에서 몇 가지 시나리오를 유용하게 사용할 수 있습니다!