update review

docs/source/ko/custom_models.mdx

@@ -27,9 +27,9 @@ specific language governing permissions and limitations under the License.
 모델의 `configuration`은 모델을 만들기 위해 필요한 모든 중요한 것들을 포함하고 있는 객체입니다.
 다음 섹션에서 볼 수 있듯이, 모델은 `config`를 사용해서만 초기화할 수 있기 때문에 완벽한 구성이 필요합니다.
 
-아래 예시에서는 ResNet 클래스의 인자(argument)를 조정해보겠습니다.
+아래 예시에서는 ResNet 클래스의 인수(argument)를 조정해보겠습니다.
 다른 구성은 가능한 ResNet 중 다른 유형을 제공합니다.
-그런 다음 몇 가지 유효성을 확인한 후 해당 인자를 저장합니다.
+그런 다음 몇 가지 유효성을 확인한 후 해당 인수를 저장합니다.
 
 ```python
 from transformers import PretrainedConfig
@@ -70,12 +70,12 @@ class ResnetConfig(PretrainedConfig):
 ```
 
 사용자 정의 `configuration`을 작성할 때 기억해야 할 세 가지 중요한 사항은 다음과 같습니다:
-- `PretrainedConfig`을 상속해야 합니다,
+- `PretrainedConfig`을 상속해야 합니다.
 - `PretrainedConfig`의 `__init__`은 모든 kwargs를 허용해야 하고,
 - 이러한 `kwargs`는 상위 클래스 `__init__`에 전달되어야 합니다.
 
 상속은 🤗 Transformers 라이브러리에서 모든 기능을 가져오는 것입니다.
-이러한 점으로 부터 비롯되는 두 가지 제약 조건은 `PretrainedConfig`에 설정하는 것보다 더 많은 필드가 있습니다.
+이러한 점으로부터 비롯되는 두 가지 제약 조건은 `PretrainedConfig`에 설정하는 것보다 더 많은 필드가 있습니다.
 `from_pretrained` 메서드로 구성을 다시 로드할 때 해당 필드는 구성에서 수락한 후 상위 클래스로 보내야 합니다.
 
 모델을 auto 클래스에 등록하지 않는 한, `configuration`에서 `model_type`을 정의(여기서 `model_type="resnet"`)하는 것은 필수 사항이 아닙니다 (마지막 섹션 참조).
@@ -103,7 +103,7 @@ resnet50d_config = ResnetConfig.from_pretrained("custom-resnet")
 이제 ResNet 구성이 있으므로 모델을 작성할 수 있습니다.
 실제로는 두 개를 작성할 것입니다. 하나는 이미지 배치에서 hidden features를 추출하는 것([`BertModel`]과 같이), 다른 하나는 이미지 분류에 적합한 것입니다([`BertForSequenceClassification`]과 같이).
 
-이전에 언급했듯이 이 예제에서는 단순하게 하기 위해 모델의 느슨한 래퍼만 작성할 것입니다.
+이전에 언급했듯이 이 예제에서는 단순하게 하기 위해 모델의 느슨한 래퍼(loose wrapper)만 작성할 것입니다.
 이 클래스를 작성하기 전에 블록 유형과 실제 블록 클래스 간의 매핑 작업만 하면 됩니다.
 그런 다음 `ResNet` 클래스로 전달되어 `configuration`을 통해 모델이 선언됩니다:
 
@@ -189,7 +189,7 @@ class ResnetModelForImageClassification(PreTrainedModel):
 resnet50d = ResnetModelForImageClassification(resnet50d_config)
 ```
 
-다시 말하지만, [`~PreTrainedModel.save_pretrained`] 또는 [`~PreTrainedModel.push_to_hub`] 처럼 [`PreTrainedModel`] 속하는 메소드 모두 사용할 수 있습니다.
+다시 말하지만, [`~PreTrainedModel.save_pretrained`]또는 [`~PreTrainedModel.push_to_hub`]처럼 [`PreTrainedModel`]에 속하는 모든 메소드를 사용할 수 있습니다.
 다음 섹션에서 두 번째 메소드를 사용해 모델 코드와 모델 가중치를 업로드하는 방법을 살펴보겠습니다.
 먼저, 모델 내부에 사전 훈련된 가중치를 로드해 보겠습니다.
 
@@ -237,7 +237,7 @@ Python이 `resnet_model`을 모듈로 사용할 수 있도록 감지하는 목
 
 </Tip>
 
-기존 구성이나 모델을 재사용할(또는 subclass) 수 있습니다.
+기존 구성이나 모델을 재사용(또는 서브 클래스화)할 수 있습니다.
 
 커뮤니티에 모델을 공유하기 위해서는 다음 단계를 따라야 합니다:
 먼저, 새로 만든 파일에 ResNet 모델과 구성을 임포트합니다:
@@ -269,7 +269,6 @@ pretrained_model = timm.create_model("resnet50d", pretrained=True)
 resnet50d.model.load_state_dict(pretrained_model.state_dict())
 ```
 
-Now to send the model to the Hub, make sure you are logged in. Either run in your terminal:
 이제 모델을 Hub로 업로드하기 위해 로그인 상태인지 확인하세요. 
 터미널에서 다음 코드를 실행해 확인할 수 있습니다:
 
@@ -285,7 +284,7 @@ from huggingface_hub import notebook_login
 notebook_login()
 ```
 
-그런 다음 다음과 같이 자신의 네임스페이스(또는 자신이 속한 조직)에 업로드할 수 있습니다:
+그런 다음 이렇게 자신의 네임스페이스(또는 자신이 속한 조직)에 업로드할 수 있습니다:
 ```py
 resnet50d.push_to_hub("custom-resnet50d")
 ```
@@ -339,8 +338,5 @@ AutoModel.register(ResnetConfig, ResnetModel)
 AutoModelForImageClassification.register(ResnetConfig, ResnetModelForImageClassification)
 ```
 
-Note that the first argument used when registering your custom config to [`AutoConfig`] needs to match the `model_type`
-of your custom config, and the first argument used when registering your custom models to any auto model class needs
-to match the `config_class` of those models.
 사용자 정의 구성을 [`AutoConfig`]에 등록할 때 사용되는 첫 번째 인수는 사용자 정의 구성의 `model_type`과 일치해야 합니다.
 또한, 사용자 정의 모델을 auto 클래스에 등록할 때 사용되는 첫 번째 인수는 해당 모델의 `config_class`와 일치해야 합니다.