PyTorchKorea · ehdtjr · May 16, 2026
diff --git a/recipes_source/distributed_device_mesh.rst b/recipes_source/distributed_device_mesh.rst
@@ -1,42 +1,41 @@
-Getting Started with DeviceMesh
+DeviceMesh 시작하기
 =====================================================
 
-**Author**: `Iris Zhang <https://github.com/wz337>`__, `Wanchao Liang <https://github.com/wanchaol>`__
+**저자**: `Iris Zhang <https://github.com/wz337>`__, `Wanchao Liang <https://github.com/wanchaol>`__
 
 .. note::
-   |edit| View and edit this tutorial in `github <https://github.com/pytorchkorea/tutorials-kr/blob/main/recipes_source/distributed_device_mesh.rst>`__.
+   |edit| 이 튜토리얼은 `github <https://github.com/PyTorchKorea/tutorials-kr/blob/master/recipes_source/distributed_device_mesh.rst>`__ 에서 보거나 편집할 수 있습니다.
 
-Prerequisites:
+사전 준비(Prerequisites):
 
-- `Distributed Communication Package - torch.distributed <https://pytorch.org/docs/stable/distributed.html>`__
+- `분산 통신 패키지 - torch.distributed <https://pytorch.org/docs/stable/distributed.html>`__
 - Python 3.8 - 3.11
 - PyTorch 2.2
 
 
-Setting up distributed communicators, i.e. NVIDIA Collective Communication Library (NCCL) communicators, for distributed training can pose a significant challenge. For workloads where users need to compose different parallelisms,
-users would need to manually set up and manage NCCL communicators (for example, :class:`ProcessGroup`) for each parallelism solution. This process could be complicated and susceptible to errors.
-:class:`DeviceMesh` can simplify this process, making it more manageable and less prone to errors.
+분산 학습을 위해 분산 통신기(communicator), 즉 NVIDIA Collective Communication Library(NCCL) 통신기를 설정하는 일은 상당한 어려움이 될 수 있습니다. 서로 다른 병렬화 방식을 조합해야 하는 작업이라면,
+각 병렬화 방식마다 NCCL 통신기(예: :class:`ProcessGroup`)를 직접 설정하고 관리해야 합니다. 이 과정은 복잡하고 오류가 발생하기 쉽습니다.
+:class:`DeviceMesh` 는 이 과정을 단순화할 수 있고, 더 다루기 쉽게 만들며 오류 발생 가능성도 줄여줍니다.
 
-What is DeviceMesh
-------------------
-:class:`DeviceMesh` is a higher level abstraction that manages :class:`ProcessGroup`. It allows users to effortlessly
-create inter-node and intra-node process groups without worrying about how to set up ranks correctly for different sub process groups.
-Users can also easily manage the underlying process_groups/devices for multi-dimensional parallelism via :class:`DeviceMesh`.
+DeviceMesh란 무엇인가
+---------------------
+:class:`DeviceMesh` 는 :class:`ProcessGroup` 을 관리하는 상위 수준의 추상화입니다.
+서로 다른 하위 프로세스 그룹에 대해 랭크(rank)를 어떻게 올바르게 설정할지 고민하지 않고도, 노드 간(inter-node) 및 노드 내(intra-node) 프로세스 그룹을 손쉽게 만들 수 있습니다.
+또한 :class:`DeviceMesh` 를 통해 다차원 병렬화에 사용되는 내부의 프로세스 그룹과 디바이스를 쉽게 관리할 수 있습니다.
 
 .. figure:: /_static/img/distributed/device_mesh.png
    :width: 100%
    :align: center
    :alt: PyTorch DeviceMesh
 
-Why DeviceMesh is Useful
+DeviceMesh가 유용한 이유
 ------------------------
-DeviceMesh is useful when working with multi-dimensional parallelism (i.e. 3-D parallel) where parallelism composability is required. For example, when your parallelism solutions require both communication across hosts and within each host.
-The image above shows that we can create a 2D mesh that connects the devices within each host, and connects each device with its counterpart on the other hosts in a homogeneous setup.
+DeviceMesh는 여러 병렬화 방식을 조합(composability)해야 하는 다차원 병렬화(예: 3-D 병렬)를 다룰 때 유용합니다. 예를 들어, 병렬화 방식이 호스트 간 통신과 각 호스트 내부의 통신을 모두 요구하는 경우가 그렇습니다.
+위 이미지는 균일한 환경에서 각 호스트 내부의 디바이스를 연결하고, 각 디바이스를 다른 호스트의 대응 디바이스와 연결하는 2D 메시를 만들 수 있음을 보여줍니다.
 
-Without DeviceMesh, users would need to manually set up NCCL communicators, cuda devices on each process before applying any parallelism, which could be quite complicated.
-The following code snippet illustrates a hybrid sharding 2-D Parallel pattern setup without :class:`DeviceMesh`.
-First, we need to manually calculate the shard group and replicate group. Then, we need to assign the correct shard and
-replicate group to each rank.
+DeviceMesh가 없다면, 어떤 병렬화를 적용하기 전에 각 프로세스마다 NCCL 통신기와 CUDA 디바이스를 직접 설정해야 하며, 이는 꽤 복잡한 작업입니다.
+다음 코드는 :class:`DeviceMesh` 없이 하이브리드 샤딩(hybrid sharding) 2-D 병렬 패턴을 설정하는 예시입니다.
+먼저 샤드(shard) 그룹과 복제 그룹을 직접 계산하고, 각 랭크에 알맞은 그룹을 할당해야 합니다.
 
 .. code-block:: python
 
@@ -45,17 +44,17 @@ replicate group to each rank.
     import torch
     import torch.distributed as dist
 
-    # Understand world topology
+    # 월드 토폴로지 이해
     rank = int(os.environ["RANK"])
     world_size = int(os.environ["WORLD_SIZE"])
     print(f"Running example on {rank=} in a world with {world_size=}")
 
-    # Create process groups to manage 2-D like parallel pattern
+    # 2-D 형태의 병렬 패턴을 관리하기 위한 프로세스 그룹 생성
     dist.init_process_group("nccl")
     torch.cuda.set_device(rank)
 
-    # Create shard groups (e.g. (0, 1, 2, 3), (4, 5, 6, 7))
-    # and assign the correct shard group to each rank
+    # 샤드 그룹 생성 (예: (0, 1, 2, 3), (4, 5, 6, 7))
+    # 각 랭크에 올바른 샤드 그룹 할당
     num_node_devices = torch.cuda.device_count()
     shard_rank_lists = list(range(0, num_node_devices // 2)), list(range(num_node_devices // 2, num_node_devices))
     shard_groups = (
@@ -66,8 +65,8 @@ replicate group to each rank.
         shard_groups[0] if rank in shard_rank_lists[0] else shard_groups[1]
     )
 
-    # Create replicate groups (for example, (0, 4), (1, 5), (2, 6), (3, 7))
-    # and assign the correct replicate group to each rank
+    # 복제 그룹 생성 (예: (0, 4), (1, 5), (2, 6), (3, 7))
+    # 각 랭크에 올바른 복제 그룹 할당
     current_replicate_group = None
     shard_factor = len(shard_rank_lists[0])
     for i in range(num_node_devices // 2):
@@ -76,44 +75,44 @@ replicate group to each rank.
         if rank in replicate_group_ranks:
             current_replicate_group = replicate_group
 
-To run the above code snippet, we can leverage PyTorch Elastic. Let's create a file named ``2d_setup.py``.
-Then, run the following `torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ command.
+위 코드를 실행하려면 PyTorch Elastic을 활용할 수 있습니다. ``2d_setup.py`` 라는 파일을 만든 뒤,
+`torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ 명령을 실행하세요.
 
 .. code-block:: python
 
     torchrun --nproc_per_node=8 --rdzv_id=100 --rdzv_endpoint=localhost:29400 2d_setup.py
 
 .. note::
-    For simplicity of demonstration, we are simulating 2D parallel using only one node. Note that this code snippet can also be used when running on multi hosts setup.
+    예시를 간단히 보여주기 위해 단일 노드만 사용해 2D 병렬을 시뮬레이션하고 있습니다. 이 코드는 멀티 호스트 환경에서도 그대로 사용할 수 있습니다.
 
-With the help of :func:`init_device_mesh`, we can accomplish the above 2D setup in just two lines, and we can still
-access the underlying :class:`ProcessGroup` if needed.
+:func:`init_device_mesh` 를 활용하면 위의 2D 설정을 단 두 줄로 끝낼 수 있고, 필요할 때는
+내부의 :class:`ProcessGroup` 에도 그대로 접근할 수 있습니다.
 
 
 .. code-block:: python
 
     from torch.distributed.device_mesh import init_device_mesh
     mesh_2d = init_device_mesh("cuda", (2, 4), mesh_dim_names=("replicate", "shard"))
 
-    # Users can access the underlying process group thru `get_group` API.
+    # `get_group` API를 통해 내부 프로세스 그룹에 접근할 수 있습니다.
     replicate_group = mesh_2d.get_group(mesh_dim="replicate")
     shard_group = mesh_2d.get_group(mesh_dim="shard")
 
-Let's create a file named ``2d_setup_with_device_mesh.py``.
-Then, run the following `torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ command.
+``2d_setup_with_device_mesh.py`` 라는 파일을 만든 뒤,
+`torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ 명령을 실행하세요.
 
 .. code-block:: python
 
     torchrun --nproc_per_node=8 2d_setup_with_device_mesh.py
 
 
-How to use DeviceMesh with HSDP
+HSDP에서 DeviceMesh를 사용하는 방법
 -------------------------------
 
-Hybrid Sharding Data Parallel(HSDP) is 2D strategy to perform FSDP within a host and DDP across hosts.
+Hybrid Sharding Data Parallel(HSDP)은 호스트 내부에서는 FSDP를, 호스트 간에는 DDP를 수행하는 2D 전략입니다.
 
-Let's see an example of how DeviceMesh can assist with applying HSDP to your model with a simple setup. With DeviceMesh,
-users would not need to manually create and manage shard group and replicate group.
+DeviceMesh가 간단한 설정으로 모델에 HSDP를 적용하는 데 어떻게 도움이 되는지 예시로 살펴보겠습니다. DeviceMesh를 사용하면
+샤드 그룹과 복제 그룹을 직접 만들고 관리하지 않아도 됩니다.
 
 .. code-block:: python
 
@@ -141,39 +140,39 @@ users would not need to manually create and manage shard group and replicate gro
         ToyModel(), device_mesh=mesh_2d
     )
 
-Let's create a file named ``hsdp.py``.
-Then, run the following `torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ command.
+``hsdp.py`` 라는 파일을 만든 뒤,
+`torch elastic/torchrun <https://pytorch.org/docs/stable/elastic/quickstart.html>`__ 명령을 실행하세요.
 
 .. code-block:: python
 
     torchrun --nproc_per_node=8 hsdp.py
 
-How to use DeviceMesh for your custom parallel solutions
+사용자 정의 병렬 방식에서 DeviceMesh를 사용하는 방법
 --------------------------------------------------------
-When working with large scale training, you might have more complex custom parallel training composition. For example, you may need to slice out sub-meshes for different parallelism solutions.
-DeviceMesh allows users to slice child mesh from the parent mesh and re-use the NCCL communicators already created when the parent mesh is initialized.
+대규모 학습 환경에서는 더 복잡한 사용자 정의 병렬 학습 구성을 다뤄야 할 수도 있습니다. 예를 들어, 서로 다른 병렬화 방식에 맞춰 하위 메시(sub-mesh)를 잘라내야 할 수 있습니다.
+DeviceMesh를 사용하면 상위 메시에서 하위 메시를 잘라내고, 상위 메시를 초기화할 때 이미 만들어진 NCCL 통신기를 그대로 재사용할 수 있습니다.
 
 .. code-block:: python
 
     from torch.distributed.device_mesh import init_device_mesh
     mesh_3d = init_device_mesh("cuda", (2, 2, 2), mesh_dim_names=("replicate", "shard", "tp"))
 
-    # Users can slice child meshes from the parent mesh.
+    # 상위 메시에서 하위 메시를 잘라낼 수 있습니다.
     hsdp_mesh = mesh_3d["replicate", "shard"]
     tp_mesh = mesh_3d["tp"]
 
-    # Users can access the underlying process group thru `get_group` API.
+    # `get_group` API를 통해 내부 프로세스 그룹에 접근할 수 있습니다.
     replicate_group = hsdp_mesh["replicate"].get_group()
     shard_group = hsdp_mesh["shard"].get_group()
     tp_group = tp_mesh.get_group()
 
 
-Conclusion
+결론
 ----------
-In conclusion, we have learned about :class:`DeviceMesh` and :func:`init_device_mesh`, as well as how
-they can be used to describe the layout of devices across the cluster.
+지금까지 :class:`DeviceMesh` 와 :func:`init_device_mesh` 를 살펴보고,
+이를 활용해 클러스터에 분산된 디바이스의 배치를 표현하는 방법도 알아봤습니다.
 
-For more information, please see the following:
+더 자세한 내용은 다음 자료를 참고하세요.
 
-- `2D parallel combining Tensor/Sequence Parallel with FSDP <https://github.com/pytorch/examples/blob/main/distributed/tensor_parallelism/fsdp_tp_example.py>`__
+- `Tensor/Sequence Parallel과 FSDP를 결합한 2D 병렬 예제 <https://github.com/pytorch/examples/blob/main/distributed/tensor_parallelism/fsdp_tp_example.py>`__
 - `Composable PyTorch Distributed with PT2 <https://static.sched.com/hosted_files/pytorch2023/d1/%5BPTC%2023%5D%20Composable%20PyTorch%20Distributed%20with%20PT2.pdf>`__