Update README

Author: Axect

README.md

@@ -20,7 +20,7 @@ A flexible and reusable template for PyTorch-based machine learning experiments.
 
 * **Reproducibility:** Ensure consistent results with built-in seed management.
 
-## 🚀 Quick Start
+## Quick Start
 
 1.  **Create Your Repository:** Click "Use this template" on the GitHub page to create your own repository based on this template.
 
@@ -66,7 +66,7 @@ A flexible and reusable template for PyTorch-based machine learning experiments.
     python analyze.py
     ```
 
-## 📖 Documentation
+## Documentation
 
 For a deeper dive into the components and customization options, check out the detailed documentation:
 

README_KR.md

@@ -4,24 +4,32 @@
 
 PyTorch 기반 머신러닝 실험을 위한 유연하고 재사용 가능한 템플릿입니다. YAML 설정, 통합된 하이퍼파라미터 최적화(Optuna), 실험 추적(Weights & Biases), 커스텀 컴포넌트, 쉬운 결과 분석으로 워크플로우를 간소화하세요.
 
-## ✨ 주요 특징
+## 주요 특징
 
-* **📄 YAML 설정:** 간단한 YAML 파일을 사용하여 모든 실험 설정(모델, 옵티마이저, 스케줄러, 학습 파라미터)을 쉽게 관리합니다.
-* **🚀 하이퍼파라미터 최적화:** Optuna 통합을 통해 최적의 하이퍼파라미터를 자동으로 찾습니다.
-* **📊 실험 추적:** Weights & Biases를 사용하여 메트릭, 설정, 모델을 원활하게 로깅합니다.
-* **✂️ 고급 프루닝:** Predicted Final Loss (PFL) Pruner와 같은 커스텀 프루너를 사용하여 최적화 속도를 높입니다.
-* **⚙️ 커스터마이징 가능한 컴포넌트:** 모델 ([`model.py`](model.py)), 학습률 스케줄러, 옵티마이저, 학습 루프 ([`Trainer` in `util.py`](util.py))를 쉽게 추가하거나 수정할 수 있습니다.
-* **📈 분석 도구:** 학습된 모델과 최적화 결과를 대화형으로 로드, 분석 및 평가합니다 ([`analyze.py`](analyze.py)).
-* **🔄 재현성:** 내장된 시드(seed) 관리를 통해 일관된 결과를 보장합니다.
+* **YAML 설정:** 간단한 YAML 파일을 사용하여 모든 실험 설정(모델, 옵티마이저, 스케줄러, 학습 파라미터)을 쉽게 관리합니다.
 
-## 🚀 빠른 시작
+* **하이퍼파라미터 최적화:** Optuna 통합을 통해 최적의 하이퍼파라미터를 자동으로 찾습니다.
+
+* **실험 추적:** Weights & Biases를 사용하여 메트릭, 설정, 모델을 원활하게 로깅합니다.
+
+* **고급 프루닝:** Predicted Final Loss (PFL) Pruner와 같은 커스텀 프루너를 사용하여 최적화 속도를 높입니다.
+
+* **커스터마이징 가능한 컴포넌트:** 모델 ([`model.py`](model.py)), 학습률 스케줄러, 옵티마이저, 학습 루프 ([`Trainer` in `util.py`](util.py))를 쉽게 추가하거나 수정할 수 있습니다.
+
+* **분석 도구:** 학습된 모델과 최적화 결과를 대화형으로 로드, 분석 및 평가합니다 ([`analyze.py`](analyze.py)).
+
+* **재현성:** 내장된 시드(seed) 관리를 통해 일관된 결과를 보장합니다.
+
+## 빠른 시작
 
 1.  **저장소 만들기:** GitHub 페이지에서 "Use this template"을 클릭하여 이 템플릿을 기반으로 자신의 저장소를 만듭니다.
+
 2.  **저장소 복제(Clone):**
     ```bash
     git clone https://github.com/<your-username>/<your-new-repository-name>.git
     cd <your-new-repository-name>
     ```
+
 3.  **환경 설정 및 의존성 설치:** ([uv](https://github.com/astral-sh/uv) 사용 권장)
     ```bash
     # 가상 환경 생성 및 활성화
@@ -36,24 +44,28 @@ PyTorch 기반 머신러닝 실험을 위한 유연하고 재사용 가능한 
 
     # 또는 pip 사용: pip install -r requirements.txt
     ```
+
 4.  **(선택) Weights & Biases 로그인:**
     ```bash
     wandb login
     ```
+
 5.  **기본 실험 실행:**
     ```bash
     python main.py --run_config configs/run_template.yaml
     ```
+
 6.  **하이퍼파라미터 최적화 실행:**
     ```bash
     python main.py --run_config configs/run_template.yaml --optimize_config configs/optimize_template.yaml
     ```
+
 7.  **결과 분석:**
     ```bash
     python analyze.py
     ```
 
-## 📖 문서
+## 문서
 
 컴포넌트 및 커스터마이징 옵션에 대한 자세한 내용은 상세 문서를 참조하세요: