용어 개선: 지점-대-지점 => 점-대-점 (#37)

Author: 9bow

intermediate_source/dist_tuto.rst

@@ -78,7 +78,7 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
 ``dist.init_process_group`` 에서 일어나는 놀라운 일을 살펴볼 것이지만, 기본적으로는
 프로세스가 자신의 위치를 공유함으로써 서로 통신할 수 있도록 합니다.
 
-지점-대-지점 간(Point-to-Point) 통신
+점-대-점 간(Point-to-Point) 통신
 ---------------------------------------
 
 .. figure:: /_static/img/distributed/send_recv.png
@@ -89,13 +89,13 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
    송신과 수신
 
 
-하나의 프로세스에서 다른 프로세스로 데이터를 전송하는 것을 지점-대-지점 간 통신이라고 합니다.
+하나의 프로세스에서 다른 프로세스로 데이터를 전송하는 것을 점-대-점 간 통신이라고 합니다.
 지점간 통신은  ``send`` 와 ``recv`` 함수 또는 즉시 응답하는(*immediate* counter-parts)
 ``isend`` 와 ``irecv`` 를 사용합니다.
 
 .. code:: python
 
-    """블로킹(blocking) 지점-대-지점 간 통신"""
+    """블로킹(blocking) 점-대-점 간 통신"""
 
     def run(rank, size):
         tensor = torch.zeros(1)
@@ -118,7 +118,7 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
 
 .. code:: python
 
-    """논-블로킹(non-blocking) 지점-대-지점 간 통신"""
+    """논-블로킹(non-blocking) 점-대-점 간 통신"""
 
     def run(rank, size):
         tensor = torch.zeros(1)
@@ -145,7 +145,7 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
 그러나, ``req.wait()`` 를 실행한 후에는 통신이 이루어진 것을 보장받을 수 있기 때문에,
 ``tensor[0]`` 에 저장된 값은 1.0이 됩니다.
 
-지점-대-지점 간 통신은 프로세스 간 통신에 대한 세밀한 제어를 원할 때 유용합니다.
+점-대-점 간 통신은 프로세스 간 통신에 대한 세밀한 제어를 원할 때 유용합니다.
 `바이두(Baidu)의 DeepSpeech <https://github.com/baidu-research/baidu-allreduce>`__ 나
 `페이스북(Facebook)의 대규모 실험 <https://research.fb.com/publications/imagenet1kin1h/>`__
 에서 사용하는 것과 같은 멋진 알고리즘을 구현할 때 사용할 수 있습니다.
@@ -178,7 +178,7 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
 +----------------------------------------------------+-----------------------------------------------------+
 
 
-지점-대-지점 간 통신과 달리 집합 통신은 **그룹** 의 모든 프로세스에 걸친 통신 패턴을
+점-대-점 간 통신과 달리 집합 통신은 **그룹** 의 모든 프로세스에 걸친 통신 패턴을
 허용합니다. 그룹은 모든 프로세스의 부분 집합입니다. 그룹을 생성하기 위해서는
 ``dist.new_group(group)`` 에 순서(rank) 목록을 전달합니다. 기본적으로, 집합 통신은
 **월드(world)** 라고 부르는 전체 프로세스에서 실행됩니다. 예를 들어, 모든 프로세스에
@@ -189,7 +189,7 @@ PyTorch에 포함된 분산 패키지(예. ``torch.distributed``)는 연구자
 
     """ All-Reduce 예제 """
     def run(rank, size):
-        """ 간단한 지점-대-지점 간 통신 """
+        """ 간단한 점-대-점 간 통신 """
         group = dist.new_group([0, 1])
         tensor = torch.ones(1)
         dist.all_reduce(tensor, op=dist.reduce_op.SUM, group=group)
@@ -365,7 +365,7 @@ PyTorch에는 현재 ``dist.all_reduce(tensor, op, group)`` 외에도 6개의 
 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 추가로 DeepSpeech의 효율적인 링 올리듀스(ring allreduce)를 구현하고 싶다고 가정해보겠습니다.
-이것은 지점-대-지점 집합 통신(point-to-point collectives)으로 쉽게 구현할 수 있습니다.
+이것은 점-대-점 집합 통신(point-to-point collectives)으로 쉽게 구현할 수 있습니다.
 
 .. code:: python
 
@@ -444,7 +444,7 @@ CUDA Tensor에 대한 집합 연산 구현은 NCCL 백엔드에서 제공하는
 **MPI 백엔드**
 
 MPI(Message Passing Interface)는 고성능 컴퓨팅 분야의 표준 도구입니다.
-이는 지점-대-지점 간 통신과 집합 통신을 허용하며 ``torch.distributed`` 의 API에
+이는 점-대-점 간 통신과 집합 통신을 허용하며 ``torch.distributed`` 의 API에
 영감을 주었습니다. 다양한 목적에 따라 최적화된 몇몇 MPI 구현체들(예.
 `Open-MPI <https://www.open-mpi.org/>`__,
 `MVAPICH2 <http://mvapich.cse.ohio-state.edu/>`__,