Revert "Translate lines 3 to 28 in intermediate_source/optimizer_step_in_backward_tutorial.py to Korean"

This reverts commit 91a810d.

Author: hadh93

intermediate_source/optimizer_step_in_backward_tutorial.py

@@ -1,31 +1,31 @@
 """
 
-옵티마이저 단계를 역전파 과정에 합쳐서 메모리 절약하기
+How to save memory by fusing the optimizer step into the backward pass
 ======================================================================
 
-안녕하세요! 이 튜토리얼에서는 *변화도(gradient)* 가 차지하는 메모리를
-줄임으로써 학습 루프(training loop)에서의 메모리 사용량을 줄이는 한 가지
-방법을 소개합니다. 모델이 있는 상황에서 메모리 부족(Out of Memory, OOM)
-오류를 방지하고 싶거나, GPU의 성능을 최대한 활용하고 싶은 경우 이 방법이 
-도움이 될 수 있습니다. (변화도가 메모리의 일부(partition)를 차지하고 있으며,
-변화도 누적(accumulation)이 필요하지 않은 경우라면 말입니다)
-이 튜토리얼은 다음 내용을 다룹니다:
-
-1. 학습 또는 미세조정(finetuning) 단계 중 메모리를 차지하는 요소들,
-2. 메모리 스냅샷(snapshot)을 캡처하고 시각화하여 병목 현상을 파악하는 방법,
-3. 새로운 ``Tensor.register_post_accumulate_grad_hook(hook)`` API, 그리고
-4. 이 모든 것을 감안한 단 10줄의 코드로 메모리를 절약하는 법.
-
-이 튜토리얼을 실행하기 위해 필요한 것:
-
-*  2.1.0 혹은 그 이상의 버전의 PyTorch와 ``torchvision``
-*  메모리 시각화를 로컬에서 실행하려면, CUDA GPU 1개.
-   메모리 시각화를 제외하면 이 방법은 모든 장치에서 유사한 이점을 제공합니다.
-
-먼저 필요한 모듈과 모델을 import 하겠습니다. 여기에서는 torchvision의 비전 
-트랜스포머 모델을 사용하지만, 다른 모델로 대체해도 좋습니다. 또 옵티마이저로 
-``torch.optim.Adam`` 을 사용하지만, 마찬가지로 다른 옵티마이저로 대체해도 
-됩니다.
+Hello there! This tutorial aims to showcase one way of reducing the
+memory footprint of a training loop by reducing the memory taken by
+the *gradients*. Say you have a model and you're interested in ways to
+optimize memory to avoid ``Out of Memory`` (OOM) errors or simply to ooze
+more out of your GPU. Well, you _might_ be in luck (if gradients take up
+a portion of your memory and you do not need to do gradient accumulation).
+We will explore the following:
+
+1. What takes up memory during your training or finetuning loop,
+2. How to capture and visualize memory snapshots to determine the bottleneck,
+3. The new ``Tensor.register_post_accumulate_grad_hook(hook)`` API, and finally,
+4. How everything fits together in 10 lines to achieve memory savings.
+
+To run this tutorial, you will need:
+
+*  PyTorch 2.1.0 or newer with ``torchvision``
+*  1 CUDA GPU if you'd like to run the memory visualizations locally.
+   Otherwise, this technique would benefit similarly on any device.
+
+Let us start by importing the required modules and models. We will use a
+vision transformer model from torchvision, but feel free to substitute
+with your own model. We will also use ``torch.optim.Adam`` as our optimizer,
+but, again, feel free to substitute with your own optimizer.
 
 """