Resnext translation

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
@@ -25,23 +18,20 @@ 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)
 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)
 ```