docs: 번역어 통일 - '메서드'를 '메소드'로 통일

Author: rltq

advanced_source/semi_structured_sparse.py

@@ -503,7 +503,7 @@ def measure_execution_time(model, batch_sizes, dataset):
 
 ######################################################################
 # 그 다음, 단일 가지치기 단계를 수행합니다. 모든 가지치기 도구(pruner)는 가지치기 도구의 구현
-# 논리에 따라 마스크를 업데이트하는 ``update_mask()`` 메서드를 구현합니다. 이 단계 메서드는
+# 논리에 따라 마스크를 업데이트하는 ``update_mask()`` 메소드를 구현합니다. 이 단계 메소드는
 # 희소성 설정(sparse config)에서 지정된 가중치에 대해 이 ``update_mask`` 함수를 호출합니다.
 #
 # 또한 모델을 평가하여 미세 조정/재학습 없이 가지치기(zero-shot) 또는 가지치기의 정확도 저하를 보여줄 것입니다.

beginner_source/blitz/neural_networks_tutorial.py

@@ -8,7 +8,7 @@
 지금까지 ``autograd`` 를 살펴봤는데요, ``nn`` 은 모델을 정의하고 미분하는데
 ``autograd`` 를 사용합니다.
 ``nn.Module`` 은 계층(layer)과 ``output`` 을 반환하는 ``forward(input)``
-메서드를 포함하고 있습니다.
+메소드를 포함하고 있습니다.
 
 숫자 이미지를 분류하는 신경망을 예제로 살펴보겠습니다:
 

beginner_source/chatbot_tutorial.py

@@ -261,9 +261,9 @@ def extractSentencePairs(conversations):
 # 이를 위해 우리는 ``Voc`` 라는 클래스를 만들어 단어에서 인덱스로의
 # 매핑, 인덱스에서 단어로의 역 매핑, 각 단어의 등장 횟수, 전체 단어 수
 # 등을 관리하려 합니다. 이 클래스는 어휘집에 새로운 단어를 추가하는
-# 메서드( ``addWord``), 문장에 등장하는 모든 단어를 추가하는
-# 메서드( ``addSentence``), 그리고 자주 등장하지 않는 단어를 정리하는
-# 메서드( ``trim``)를 제공합니다. 단어를 정리하는 내용에 대해서는 뒤에서
+# 메소드( ``addWord``), 문장에 등장하는 모든 단어를 추가하는
+# 메소드( ``addSentence``), 그리고 자주 등장하지 않는 단어를 정리하는
+# 메소드( ``trim``)를 제공합니다. 단어를 정리하는 내용에 대해서는 뒤에서
 # 좀 더 자세히 살펴보겠습니다.
 #
 

beginner_source/introyt/introyt1_tutorial.py

@@ -214,7 +214,7 @@ def num_flat_features(self, x):
 # -  모델은 ``forward()`` 함수를 가지고 있다. 여기서 실제 계산이 수행됩니다.
 #    입력은 네트워크 계층 및 다양한 기능들을 통과시켜 결과를 생성합니다.
 # -  그 외에는 다른 파이썬 클래스처럼 모델 클래스를 구성할 수 있습니다.
-#    Python 클래스, 모델의 계산을 지원하는 데 필요한 속성 및 메서드를 추가합니다.
+#    Python 클래스, 모델의 계산을 지원하는 데 필요한 속성 및 메소드를 추가합니다.
 #
 # 자 이제 만든 오브젝트를 인스턴스화하고 샘플 입력을 통해 실행합니다.
 #

beginner_source/nlp/deep_learning_tutorial.py

@@ -181,7 +181,7 @@
 # 또한 손실 함수를 계산하는 방법, PyTorch에 내장된 음의 로그 우도를 사용하는 방법,
 # 역전파를 통해 매개 변수를 업데이트하는 방법을 볼 것입니다.
 #
-# 모든 네트워크 구성 요소는 nn.Module에서 상속 받아 forward() 메서드를 재정의해야합니다.
+# 모든 네트워크 구성 요소는 nn.Module에서 상속 받아 forward() 메소드를 재정의해야합니다.
 # 이것은 상용구에 관한 것입니다. nn.Module에서의 상속은 구성 요소에 기능을 제공합니다.
 # 예를 들어 그것은 학습 가능한 매개변수를 추적하도록 만들고,
 # ``.to(device)`` 로 CPU와 GPU 를 교환할수 있습니다.

intermediate_source/pipeline_tutorial.py

@@ -331,7 +331,7 @@ def train():
         data, targets = get_batch(train_data, i)
         optimizer.zero_grad()
         # Pipe는 단일 호스트 내에 있고
-        # forward 메서드로 반환된 ``RRef`` 프로세스는 이 노드에 국한되어 있기 때문에
+        # forward 메소드로 반환된 ``RRef`` 프로세스는 이 노드에 국한되어 있기 때문에
         # ``RRef.local_value()`` 를 통해 간단히 찾을 수 있습니다.
         output = model(data).local_value()
         # 타겟을 파이프라인 출력이 있는

recipes_source/recipes/timer_quick_start.py

@@ -60,7 +60,7 @@
 # 2. 실제 실행 시간(wall time): Timer.blocked_autorange(...)
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 #
-# 이 메서드(method)는 몇 번이나 반복할지 적절한 횟수를 고르거나, 쓰레드의 수를
+# 이 메소드(method)는 몇 번이나 반복할지 적절한 횟수를 고르거나, 쓰레드의 수를
 # 변경(fix)하거나,결과를 편하게 표현하는 방법을 제공하는 등, 세부적인 사항들을
 # 처리(handle)합니다.
 #
@@ -167,7 +167,7 @@
 # 일단 더 자세한 분석을 위해, 특정 호출(call)을 살펴보겠습니다.
 # ``CallgrindStats.stats()`` 은 이를 더 쉽게해주는 ``FunctionCounts`` 객체를 반환합니다.
 # 개념적으로, ``FunctionCounts`` 는 각 쌍(pair)이 `(명령어 호출 횟수, 파일 경로 및 함수 이름)`
-# 인 형태로 구성된, 유용한 메서드(utility method)가 있는 쌍(pair)의 튜플(tuple)로
+# 인 형태로 구성된, 유용한 메소드(utility method)가 있는 쌍(pair)의 튜플(tuple)로
 # 생각할 수 있습니다.
 #
 # 경로(path)에 대한 참고 사항: