beginner_source/ddp_series_multigpu.rst 번역 (#912)

* Translate beginner_source/ddp_series_multigpu.rst

Author: NK590

beginner_source/ddp_series_multigpu.rst

@@ -6,61 +6,59 @@
 `minGPT Training <../intermediate/ddp_series_minGPT.html>`__
 
 
-Multi GPU training with DDP
+DDP를 이용한 다중 GPU 훈련
 ===========================
 
-Authors: `Suraj Subramanian <https://github.com/suraj813>`__
+저자: `Suraj Subramanian <https://github.com/suraj813>`__
+역자: `Nathan Kim <https://github.com/NK590>`__
 
 .. grid:: 2
 
-   .. grid-item-card:: :octicon:`mortar-board;1em;` What you will learn
+   .. grid-item-card:: :octicon:`mortar-board;1em;` 여기에서 배우는 것
 
-      -  How to migrate a single-GPU training script to multi-GPU via DDP
-      -  Setting up the distributed process group
-      -  Saving and loading models in a distributed setup
+      -  DDP를 이용하여 단일 GPU 학습 스크립트를 다중 GPU 학습 스크립트로 바꾸는 법
+      -  분산 프로세스 그룹(distributed process group)을 설정하는 법
+      -  분산 환경에서 모델을 저장 및 읽어오는 법
 
       .. grid:: 1
 
          .. grid-item::
 
-            :octicon:`code-square;1.0em;` View the code used in this tutorial on `GitHub <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/multigpu.py>`__
+            :octicon:`code-square;1.0em;` 이 튜토리얼에서 사용된 코드는 `GitHub <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/multigpu.py>`__ 에서 확인 가능
 
-   .. grid-item-card:: :octicon:`list-unordered;1em;` Prerequisites
+   .. grid-item-card:: :octicon:`list-unordered;1em;` 들어가기 앞서 준비할 것
+      
+      * `DDP가 어떻게 동작하는지 <ddp_series_theory.html>`__ 에 대한 전반적인 이해도
+      * 다중 GPU를 가진 하드웨어 (이 튜토리얼에서는 AWS p3.8xlarge 인스턴스를 이용함)
+      * CUDA 환경에서 `설치된 PyTorch <https://pytorch.org/get-started/locally/>`__
 
-      * High-level overview of `how DDP works  <ddp_series_theory.html>`__
-      * A machine with multiple GPUs (this tutorial uses an AWS p3.8xlarge instance)
-      * PyTorch `installed <https://pytorch.org/get-started/locally/>`__ with CUDA
-
-Follow along with the video below or on `youtube <https://www.youtube.com/watch/-LAtx9Q6DA8>`__.
+아래의 비디오 혹은 `유튜브 <https://www.youtube.com/watch/-LAtx9Q6DA8>`__ 도 참고해주세요.
 
 .. raw:: html
 
    <div style="margin-top:10px; margin-bottom:10px;">
      <iframe width="560" height="315" src="https://www.youtube.com/embed/-LAtx9Q6DA8" frameborder="0" allow="accelerometer; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
    </div>
 
-In the `previous tutorial <ddp_series_theory.html>`__, we got a high-level overview of how DDP works; now we see how to use DDP in code.
-In this tutorial, we start with a single-GPU training script and migrate that to running it on 4 GPUs on a single node.
-Along the way, we will talk through important concepts in distributed training while implementing them in our code.
+`이전 튜토리얼 <ddp_series_theory.html>`__ 에서, DDP가 어떻게 동작하는지에 대해 전반적으로 알아보았으므로, 이제 실제로 DDP를 어떻게 사용하는지 코드를 볼 차례입니다.
+이 튜토리얼에서는, 먼저 단일 GPU 학습 스크립트에서 시작하여, 단일 노드를 가진 4개의 GPU에서 동작하게 만들 것입니다.
+이 과정에서, 분산 훈련(distributed training)에 대한 중요한 개념들을 직접 코드로 구현하면서 다루게 될 것입니다.
 
 .. note::
-   If your model contains any ``BatchNorm`` layers, it needs to be converted to ``SyncBatchNorm`` to sync the running stats of ``BatchNorm``
-   layers across replicas.
-
-   Use the helper function
-   `torch.nn.SyncBatchNorm.convert_sync_batchnorm(model) <https://pytorch.org/docs/stable/generated/torch.nn.SyncBatchNorm.html#torch.nn.SyncBatchNorm.convert_sync_batchnorm>`__ to convert all ``BatchNorm`` layers in the model to ``SyncBatchNorm``.
+   만약 당신의 모델이 ``BatchNorm`` 레이어를 가지고 있다면, 해당 레이어 간 동작 상황의 동기화를 위해 이걸 모두 ``SyncBatchNorm`` 으로 바꿀 필요가 있습니다.
 
+   도움 함수(helper function) 
+   `torch.nn.SyncBatchNorm.convert_sync_batchnorm(model) <https://pytorch.org/docs/stable/generated/torch.nn.SyncBatchNorm.html#torch.nn.SyncBatchNorm.convert_sync_batchnorm>`__ 를 이용하여 모델 안의 ``BatchNorm`` 레이어를 ``SyncBatchNorm`` 레이어로 바꿔주세요.
 
-Diff for `single_gpu.py <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/single_gpu.py>`__ v/s `multigpu.py <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/multigpu.py>`__
+`single_gpu.py <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/single_gpu.py>`__ 와 `multigpu.py <https://github.com/pytorch/examples/blob/main/distributed/ddp-tutorial-series/multigpu.py>`__ 의 차이
 
-These are the changes you typically make to a single-GPU training script to enable DDP.
+위 코드의 차이를 비교하면서 일반적으로 단일 GPU 학습 스크립트에서 DDP를 적용하는 법을 알 수 있습니다.
 
-Imports
+임포트
 ~~~~~~~
--  ``torch.multiprocessing`` is a PyTorch wrapper around Python's native
-   multiprocessing
--  The distributed process group contains all the processes that can
-   communicate and synchronize with each other.
+-  ``torch.multiprocessing`` 은 Python의 네이티브 멀티프로세싱 모듈의 래퍼(wrapper)입니다.
+
+-  분산 프로세스 그룹(distributed process group)은 서로 정보 교환이 가능하고 동기화가 가능한 모든 프로세스들을 포함합니다.
 
 .. code-block:: diff
 
@@ -75,18 +73,15 @@ Imports
     + import os
 
 
-Constructing the process group
+프로세스 그룹 구성
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
--  First, before initializing the group process, call `set_device <https://pytorch.org/docs/stable/generated/torch.cuda.set_device.html?highlight=set_device#torch.cuda.set_device>`__,
-   which sets the default GPU for each process. This is important to prevent hangs or excessive memory utilization on `GPU:0`
--  The process group can be initialized by TCP (default) or from a
-   shared file-system. Read more on `process group
-   initialization <https://pytorch.org/docs/stable/distributed.html#tcp-initialization>`__
--  `init_process_group <https://pytorch.org/docs/stable/distributed.html?highlight=init_process_group#torch.distributed.init_process_group>`__
-   initializes the distributed process group.
--  Read more about `choosing a DDP
-   backend <https://pytorch.org/docs/stable/distributed.html#which-backend-to-use>`__
+-  먼저, 그룹 프로세스를 초기화하기 전에, `set_device <https://pytorch.org/docs/stable/generated/torch.cuda.set_device.html?highlight=set_device#torch.cuda.set_device>`__ 를 호출하여 
+   각각의 프로세스에 GPU를 할당해주세요. 이 과정은 `GPU:0` 에 과도한 메모리 사용 혹은 멈춤 현상을 방지하기 위해 중요합니다.
+-  이 프로세스 그룹은 TCP(기본) 혹은 공유 파일 시스템 등을 통하여 초기화될 수 있습니다.
+   자세한 내용은 `프로세스 그룹 초기화 <https://pytorch.org/docs/stable/distributed.html#tcp-initialization>`__ 를 참고해주세요.
+-  `init_process_group <https://pytorch.org/docs/stable/distributed.html?highlight=init_process_group#torch.distributed.init_process_group>`__ 으로 분산 프로세스 그룹을 초기화시킵니다.
+-  추가적인 내용은 `DDP 백엔드 선택 <https://pytorch.org/docs/stable/distributed.html#which-backend-to-use>`__ 을 참고해주세요.
 
 .. code-block:: diff
 
@@ -103,21 +98,21 @@ Constructing the process group
 
 
 
-Constructing the DDP model
+DDP 모델 구축
 ~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 .. code-block:: diff
 
     - self.model = model.to(gpu_id)
     + self.model = DDP(model, device_ids=[gpu_id])
 
-Distributing input data
+입력 데이터 분산
 ~~~~~~~~~~~~~~~~~~~~~~~
 
--  `DistributedSampler <https://pytorch.org/docs/stable/data.html?highlight=distributedsampler#torch.utils.data.distributed.DistributedSampler>`__
-   chunks the input data across all distributed processes.
--  Each process will receive an input batch of 32 samples; the effective
-   batch size is ``32 * nprocs``, or 128 when using 4 GPUs.
+-  `DistributedSampler <https://pytorch.org/docs/stable/data.html?highlight=distributedsampler#torch.utils.data.distributed.DistributedSampler>`__ 
+   를 이용하여 모든 분산 프로세스에 입력 데이터를 나눕니다.
+-  각각의 프로세스는 32개 샘플 크기의 입력 배치를 받습니다.
+   이상적인 배치 크기는 ``32 * nprocs``, 혹은 4개의 GPU를 사용할 때 128입니다.
 
 .. code-block:: diff
 
@@ -129,8 +124,8 @@ Distributing input data
     +   sampler=DistributedSampler(train_dataset),
     )
 
--  Calling the ``set_epoch()`` method on the ``DistributedSampler`` at the beginning of each epoch is necessary to make shuffling work
-   properly across multiple epochs. Otherwise, the same ordering will be used in each epoch.
+-  매 에폭(epoch)의 시작마다 ``DistributedSampler`` 의 ``set_epoch()`` 메소드를 호출하는 것은 다수의 에폭에서 순서를 적절히 섞기 위해 필수적입니다.
+   이를 사용하지 않을 경우, 매 에폭마다 같은 순서가 사용됩니다.
 
 .. code-block:: diff
 
@@ -142,12 +137,12 @@ Distributing input data
           self._run_batch(source, targets)
 
 
-Saving model checkpoints
+모델 체크포인트(checkpoints) 저장
 ~~~~~~~~~~~~~~~~~~~~~~~~
--  We only need to save model checkpoints from one process. Without this
-   condition, each process would save its copy of the identical mode. Read
-   more on saving and loading models with
-   DDP `here <https://tutorials.pytorch.kr/intermediate/ddp_tutorial.html#save-and-load-checkpoints>`__
+-  모델 체크포인트를 저장할 때, 하나의 프로세스에 대해서만 체크포인트를 저장하면 됩니다. 이렇게 하지 않으면,
+   각각의 프로세스가 모두 동일한 상태를 저장하게 될 것입니다. 
+   `여기 <https://tutorials.pytorch.kr/intermediate/ddp_tutorial.html#save-and-load-checkpoints>`__ 에서
+   DDP 환경에서 모델의 저장과 읽어오기 등에 대해 자세한 내용을 확인할 수 있습니다.
 
 .. code-block:: diff
 
@@ -160,21 +155,19 @@ Saving model checkpoints
       self._save_checkpoint(epoch)
 
 .. warning::
-   `Collective calls <https://pytorch.org/docs/stable/distributed.html#collective-functions>`__ are functions that run on all the distributed processes,
-   and they are used to gather certain states or values to a specific process. Collective calls require all ranks to run the collective code.
-   In this example, `_save_checkpoint` should not have any collective calls because it is only run on the ``rank:0`` process.
-   If you need to make any collective calls, it should be before the ``if self.gpu_id == 0`` check.
-
+   `집합 콜(Collective Calls) <https://pytorch.org/docs/stable/distributed.html#collective-functions>`__ 은 모든 분산 프로세스에서 동작하는 함수(functions)이며,
+   특정 프로세스의 특정한 상태나 값을 모으기 위해 사용됩니다. 집합 콜은 집합 코드(collective code)를 실행하기 위해 모든 랭크(rank)를 필요로 합니다.
+   이 예제에서, `_save_checkpoint`는 오로지 ``rank:0`` 프로세스에서만 실행되기 때문에, 어떠한 집합 콜도 가지고 있으면 안 됩니다.
+   만약 집합 콜을 만들어야 된다면, ``if self.gpu_id == 0`` 확인 이전에 만들어져야 합니다.
 
-Running the distributed training job
+분산 학습 작업의 실행
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
--  Include new arguments ``rank`` (replacing ``device``) and
-   ``world_size``.
--  ``rank`` is auto-allocated by DDP when calling
-   `mp.spawn <https://pytorch.org/docs/stable/multiprocessing.html#spawning-subprocesses>`__.
--  ``world_size`` is the number of processes across the training job. For GPU training,
-   this corresponds to the number of GPUs in use, and each process works on a dedicated GPU.
+-  새로운 인자값 ``rank`` (``device`` 를 대체)와 ``world_size`` 를 도입합니다.
+-  ``rank`` 는 `mp.spawn <https://pytorch.org/docs/stable/multiprocessing.html#spawning-subprocesses>`__ 을 호출할 때 
+   DDP에 의해 자동적으로 할당됩니다.
+-  ``world_size`` 는 학습 작업에 이용되는 프로세스의 개수입니다. GPU를 이용한 학습의 경우에는,
+   이 값은 현재 사용중인 GPU의 개수 및 한 GPU에 할당된 프로세스의 개수에 해당합니다.
 
 .. code-block:: diff
 
@@ -199,11 +192,10 @@ Running the distributed training job
 
 
 
-Further Reading
+더 읽을거리
 ---------------
 
--  `Fault Tolerant distributed training <ddp_series_fault_tolerance.html>`__  (next tutorial in this series)
--  `Intro to DDP <ddp_series_theory.html>`__ (previous tutorial in this series)
--  `Getting Started with DDP <https://tutorials.pytorch.kr/intermediate/ddp_tutorial.html>`__
--  `Process Group
-   initialization <https://pytorch.org/docs/stable/distributed.html#tcp-initialization>`__
+-  `결함 허용(fault tolerant) 분산 시스템 <ddp_series_fault_tolerance.html>`__  (본 시리즈의 다음 튜토리얼)
+-  `DDP 입문 <ddp_series_theory.html>`__ (본 시리즈의 이전 튜토리얼)
+-  `분산 데이터 병렬 처리(DDP) 시작하기 <https://tutorials.pytorch.kr/intermediate/ddp_tutorial.html>`__
+-  `프로세스 그룹 초기화 <https://pytorch.org/docs/stable/distributed.html#tcp-initialization>`__