fix: apply easier to read suggestions

Co-authored-by: Sohyun Sim <96299403+sim-so@users.noreply.github.com>
Co-authored-by: Hyeonseo Yun <0525yhs@gmail.com>

docs/source/ko/serialization.mdx

@@ -14,19 +14,19 @@ specific language governing permissions and limitations under the License.
 
 프로덕션 환경에 🤗 Transformers 모델을 배포할 때에는 특수 런타임 및 하드웨어 위에 올리고 실행할 수 있도록 직렬화된 형식으로 내보내기를 권장합니다. 이 가이드에서는 🤗 Transformers 모델을 [ONNX (Open Neural Network eXchange)](http://onnx.ai)로 내보내는 방법을 안내합니다.
 
-ONNX는 딥러닝 모델을 표현하기 위한 공통 파일 형식과 연산자들을 정의하는 오픈 표준으로써 PyTorch, TensorFlow 등 다양한 프레임워크에서 지원됩니다. 모델이 ONNX 형식으로 내보내지면, (보통 _중간 표현 (Intermediate Representation; IR)_이라고 불리는) 계산 그래프가 구성됩니다. 신경망을 통해 데이터가 흐르는 방식, 즉 어떤 연산이 어느 부분에 사용되었는지를 나타냅니다.
+ONNX는 딥러닝 모델을 표현하기 위한 공통 파일 형식과 연산자들을 정의하는 개방형 표준으로써 PyTorch, TensorFlow 등 다양한 프레임워크에서 지원됩니다. 모델을 ONNX 형식으로 내보내면, (보통 _중간 표현 (Intermediate Representation; IR)_이라고 불리는) 계산 그래프가 구성됩니다. 계산 그래프는 신경망을 통해 데이터가 흐르는 방식, 즉 어떤 연산이 어느 부분에 사용되었는지를 나타냅니다.
 
-표준 연산 및 데이터 형식을 사용하여 그래프를 노출하기 때문에 ONNX는 프레임워크 간 전환을 쉽게 만듭니다. 예를 들어, PyTorch에서 훈련된 모델은 ONNX 형식으로 내보낸 뒤, TensorFlow에서 가져올 수 있습니다. 물론 그 반대도 가능합니다.
+표준 연산 및 데이터 형식을 사용하여 그래프를 노출하기 때문에 ONNX를 사용하면 프레임워크 간 전환이 쉬워집니다. 예를 들어, PyTorch에서 훈련된 모델은 ONNX 형식으로 내보낸 뒤, TensorFlow에서 가져올 수 있습니다. 물론 그 반대도 가능합니다.
 
 🤗 Transformers는 모델 체크포인트를 ONNX 그래프로 변환할 수 있게 해주는 [`transformers.onnx`](main_classes/onnx) 패키지를 제공합니다. 이걸 가능케 하는 구성 객체는 여러 모델 아키텍처를 대상으로 미리 제작되어 있으며, 다른 아키텍처로도 쉽게 확장할 수 있도록 설계되었습니다.
 
 <Tip>
 
 🤗 Optimum에서 [`optimum.exporters.onnx` 패키지](https://huggingface.co/docs/optimum/exporters/onnx/usage_guides/export_a_model)를 사용하여 🤗 Transformers 모델을 내보낼 수도 있습니다.
 
-내보낸 후, 모델은 다음과 같이 사용될 수 있습니다:
+모델을 내보낸 후 다음과 같이 사용될 수 있습니다:
 
-- 양자화 및 그래프 최적화와 같은 기술을 통해 추론을 위해 최적화합니다.
+- 양자화 및 그래프 최적화와 같은 기술을 통해 추론에 최적화합니다.
 - [`ORTModelForXXX` 클래스](https://huggingface.co/docs/optimum/onnxruntime/package_reference/modeling_ort)를 통해 ONNX 런타임에서 실행합니다. 이 클래스들은 🤗 Transformers에서 사용하는 `AutoModel` API와 동일합니다.
 - [최적화된 추론 파이프라인](https://huggingface.co/docs/optimum/main/en/onnxruntime/usage_guides/pipelines) 위에 실행합니다. 이 파이프라인은 🤗 Transformers의 [`pipeline`] 함수와 동일한 API를 갖습니다.
 
@@ -109,7 +109,7 @@ ONNX는 딥러닝 모델을 표현하기 위한 공통 파일 형식과 연산
 - XLM-RoBERTa-XL
 - YOLOS
 
-다음 두 섹션에서는 아래를 살펴보겠습니다:
+앞으로의 두 섹션에서는 아래 내용을 살펴보겠습니다:
 
 * `transformers.onnx` 패키지를 사용하여 지원되는 모델 내보내기
 * 지원되지 않는 아키텍처를 위해 사용자 정의 모델 내보내기
@@ -118,7 +118,7 @@ ONNX는 딥러닝 모델을 표현하기 위한 공통 파일 형식과 연산
 
 <Tip>
 
-모델을 내보내는 권장 방법은 이제 [`optimum.exporters.onnx`](https://huggingface.co/docs/optimum/main/en/exporters/onnx/usage_guides/export_a_model#exporting-a-model-to-onnx-using-the-cli)를 사용하는 것입니다. 걱정하지 마세요, `transformers.onnx`와 매우 유사합니다!
+이제 모델을 내보낼 때 [`optimum.exporters.onnx`](https://huggingface.co/docs/optimum/main/en/exporters/onnx/usage_guides/export_a_model#exporting-a-model-to-onnx-using-the-cli)를 사용하도록 권장합니다. `transformers.onnx`와 매우 유사하니 걱정하지 마세요!
 
 </Tip>
 
@@ -148,7 +148,7 @@ optional arguments:
   --atol ATOL           Absolute difference tolerance when validating the model.
 ```
 
-미리 제작된 구성을 사용하여 체크포인트를 내보내는 것은 다음과 같이 수행할 수 있습니다:
+다음과 같이 미리 제작된 구성을 사용하여 체크포인트를 내보낼 수 있습니다:
 
 ```bash
 python -m transformers.onnx --model=distilbert-base-uncased onnx/
@@ -165,7 +165,7 @@ Validating ONNX model...
 All good, model saved at: onnx/model.onnx
 ```
 
-이렇게하면 `--model` 인자로 정의된 체크포인트의 ONNX 그래프가 내보내집니다. 예시에서는 `distilbert-base-uncased`이지만, Hugging Face Hub에서 가져왔거나 로컬에 저장된 체크포인트들 모두 가능합니다.
+이렇게 `--model` 인수로 정의된 체크포인트의 ONNX 그래프를 내보냅니다. 예시에서는 `distilbert-base-uncased`이지만, Hugging Face Hub에서 가져왔거나 로컬에 저장된 체크포인트들 모두 가능합니다.
 
 결과로 나온 `model.onnx` 파일은 ONNX 표준을 지원하는 [다양한 가속기](https://onnx.ai/supported-tools.html#deployModel) 중 하나에서 실행할 수 있습니다. 예를 들어, 다음과 같이 [ONNX Runtime](https://onnxruntime.ai/)에서 모델을 가져오고 실행할 수 있습니다:
 
@@ -191,13 +191,13 @@ All good, model saved at: onnx/model.onnx
 ["last_hidden_state"]
 ```
 
-Hub의 TensorFlow 체크포인트의 경우 과정은 동일합니다. 예를 들어, [Keras organization](https://huggingface.co/keras-io)에서 TensorFlow 체크포인트를 내보내려면:
+Hub의 TensorFlow 체크포인트의 경우에도 과정은 동일합니다. 예를 들어, 다음과 같이 [Keras organization](https://huggingface.co/keras-io)에서 TensorFlow 체크포인트를 내보낼 수 있습니다:
 
 ```bash
 python -m transformers.onnx --model=keras-io/transformers-qa onnx/
 ```
 
-로컬에 저장된 모델을 내보내려면 모델의 가중치 및 토크나이저 파일이 저장된 디렉토리가 필요합니다. 예를 들어, 체크포인트를 가져오고 저장하려면:
+로컬에 저장된 모델을 내보내려면 모델의 가중치 및 토크나이저 파일이 저장된 디렉토리가 필요합니다. 예를 들어, 다음과 같이 체크포인트를 가져오고 저장할 수 있습니다:
 
 <frameworkcontent> <pt>
 ```python
@@ -211,7 +211,7 @@ python -m transformers.onnx --model=keras-io/transformers-qa onnx/
 >>> pt_model.save_pretrained("local-pt-checkpoint")
 ```
 
-체크포인트를 저장한 후, `transformers.onnx` 패키지의 `--model` 인자를 원하는 디렉토리로 지정하여 ONNX로 내보낼 수 있습니다:
+체크포인트를 저장한 후, `transformers.onnx` 패키지의 `--model` 인수를 원하는 디렉토리로 지정하여 ONNX로 내보낼 수 있습니다:
 
 ```bash
 python -m transformers.onnx --model=local-pt-checkpoint onnx/
@@ -228,7 +228,7 @@ python -m transformers.onnx --model=local-pt-checkpoint onnx/
 >>> tf_model.save_pretrained("local-tf-checkpoint")
 ```
 
-체크포인트를 저장한 후, `transformers.onnx` 패키지의 `--model` 인자를 원하는 디렉토리로 지정하여 ONNX로 내보낼 수 있습니다:
+체크포인트를 저장한 후, `transformers.onnx` 패키지의 `--model` 인수를 원하는 디렉토리로 지정하여 ONNX로 내보낼 수 있습니다:
 
 ```bash
 python -m transformers.onnx --model=local-tf-checkpoint onnx/
@@ -239,11 +239,11 @@ python -m transformers.onnx --model=local-tf-checkpoint onnx/
 
 <Tip>
 
-모델을 내보내는 권장 방법은 이제 `optimum.exporters.onnx`를 사용하는 것입니다. 작업을 선택하는 방법을 알아보려면 [🤗 Optimum 문서](https://huggingface.co/docs/optimum/main/en/exporters/onnx/usage_guides/export_a_model#selecting-a-task)를 확인하세요.
+이제 모델을 내보낼 때 `optimum.exporters.onnx`를 사용하도록 권장합니다. 작업을 선택하는 방법을 알아보려면 [🤗 Optimum 문서](https://huggingface.co/docs/optimum/main/en/exporters/onnx/usage_guides/export_a_model#selecting-a-task)를 확인하세요.
 
 </Tip>
 
-각 미리 제작된 구성에는 다른 유형의 작업에 대한 모델을 내보내도록 하는 일련의 _기능_이 포함되어 있습니다. 아래 표에 나와 있는대로 각 기능은 다른 `AutoClass`와 연관되어 있습니다.
+다른 유형의 태스크에 맞춰서 모델을 내보낼 수 있도록 미리 제작된 구성마다 일련의 _기능_이 포함되어 있습니다. 아래 표에 나와 있는대로 각 기능은 다른 `AutoClass`와 연관되어 있습니다.
 
 | Feature                              | Auto Class                           |
 | ------------------------------------ | ------------------------------------ |
@@ -265,7 +265,7 @@ python -m transformers.onnx --model=local-tf-checkpoint onnx/
 ["default", "masked-lm", "causal-lm", "sequence-classification", "token-classification", "question-answering"]
 ```
 
-그런 다음 `transformers.onnx` 패키지의 `--feature` 인자에 이러한 기능 중 하나를 전달할 수 있습니다. 예를 들어, 텍스트 분류 모델을 내보내려면 Hub에서 미세 조정된 모델을 선택하고 다음과 같이 실행할 수 있습니다:
+그런 다음 `transformers.onnx` 패키지의 `--feature` 인수에 이러한 기능 중 하나를 전달할 수 있습니다. 예를 들어, 텍스트 분류 모델을 내보내려면 다음과 같이 Hub에서 미세 조정된 모델을 선택하고 실행할 수 있습니다:
 
 ```bash
 python -m transformers.onnx --model=distilbert-base-uncased-finetuned-sst-2-english \
@@ -350,7 +350,7 @@ DistilBERT는 인코더 기반 모델이므로 해당 구성은 `OnnxConfig`를
 
 <Tip>
 
-`DistilBertOnnxConfig`의 `inputs` 속성이 `OrderedDict`라는 것에 유의하세요. 이렇게하면 그래프를 따라 흐를 때 입력이 `PreTrainedModel.forward()` 메서드 속 알맞은 상대적인 위치에 있도록 보장합니다. 사용자 정의 ONNX 구성을 구현할 때도 `inputs` 및 `outputs` 속성으로 `OrderedDict`를 사용하는 것을 권장드립니다.
+`DistilBertOnnxConfig`의 `inputs` 속성이 `OrderedDict`라는 것에 유의하세요. 이렇게 하면 입력이 그래프를 따라 흐를 때 `PreTrainedModel.forward()` 메소드 속 알맞은 상대적인 위치에 있도록 보장합니다. 사용자 정의 ONNX 구성을 구현할 때도 `inputs` 및 `outputs` 속성으로 `OrderedDict`를 사용하는 것을 권장합니다.
 
 </Tip>
 
@@ -377,7 +377,7 @@ ONNX 구성을 구현한 후에는 다음과 같이 기본 모델의 구성을 
 OrderedDict([("last_hidden_state", {0: "batch", 1: "sequence"})])
 ```
 
-출력 속성이 입력과 동일한 구조임을 유의하세요. 각 출력은 이름과 차원이 `OrderedDict`의 키-값으로 저장되어 있습니다. 출력 구조는 구성을 초기화할 때 선택한 기능과 관련이 있습니다. 기본적으로 ONNX 구성은 `AutoModel` 클래스로 가져온 모델을 내보낼 때 쓰이는 `default` 기능으로 초기화됩니다. 다른 태스크를 위해 모델을 내보내려면 ONNX 구성을 초기화할 때 `task` 인수에 다른 기능을 넣으면 됩니다. 예를 들어, 앞에 시퀀스 분류를 하도록 DistilBERT를 내보내려면:
+출력 속성이 입력과 동일한 구조임을 유의하세요. 각 출력은 이름과 차원이 `OrderedDict`의 키-값으로 저장되어 있습니다. 출력 구조는 구성을 초기화할 때 선택한 기능과 관련이 있습니다. 기본적으로 ONNX 구성은 `AutoModel` 클래스로 가져온 모델을 내보낼 때 쓰이는 `default` 기능으로 초기화됩니다. 다른 태스크를 위해 모델을 내보내려면 ONNX 구성을 초기화할 때 `task` 인수에 다른 기능을 넣으면 됩니다. 예를 들어, 시퀀스 분류 단계를 덧붙인 DistilBERT를 내보내려면, 이렇게 해볼 수 있습니다:
 
 ```python
 >>> from transformers import AutoConfig
@@ -390,7 +390,7 @@ OrderedDict([('logits', {0: 'batch'})])
 
 <Tip>
 
-[`~onnx.config.OnnxConfig`]나 다른 구성 클래스에 연결된 모든 기본 속성 및 메서드는 필요에 따라 모두 재정의할 수 있습니다. 고급 예제로 [`BartOnnxConfig`]를 확인하세요.
+[`~onnx.config.OnnxConfig`]나 다른 구성 클래스에 연결된 모든 기본 속성 및 메소드는 필요에 따라 모두 재정의할 수 있습니다. 고급 예제로 [`BartOnnxConfig`]를 확인하세요.
 
 </Tip>
 
@@ -422,7 +422,7 @@ ONNX 구성을 구현했다면, 다음 단계는 모델을 내보내는 것입
 
 <Tip>
 
-모델 크기가 2GB보다 큰 경우 내보내기 중에 여러 추가 파일들이 생성되는 것을 볼 수 있습니다. 사실 ONNX는 모델을 저장하기 위해 [Protocol Buffers](https://developers.google.com/protocol-buffers/)를 사용하는데, 버퍼는 2GB의 크기 제한이 있기 때문에 _예상대로_의 작동입니다. 외부 데이터를 사용하여 모델을 가져오는 방법은 [ONNX 문서](https://github.com/onnx/onnx/blob/master/docs/ExternalData.md)를 참조하세요.
+모델 크기가 2GB보다 큰 경우 내보내는 중에 여러 추가 파일들이 생성되는 것을 볼 수 있습니다. 사실 ONNX는 모델을 저장하기 위해 [Protocol Buffers](https://developers.google.com/protocol-buffers/)를 사용하는데, 버퍼는 2GB의 크기 제한이 있기 때문에 _자연스러운_ 일입니다. 외부 데이터를 사용하여 모델을 가져오는 방법은 [ONNX 문서](https://github.com/onnx/onnx/blob/master/docs/ExternalData.md)를 참조하세요.
 
 </Tip>
 
@@ -438,14 +438,14 @@ ONNX 구성을 구현했다면, 다음 단계는 모델을 내보내는 것입
 ... )
 ```
 
-이 함수는 [`~transformers.onnx.OnnxConfig.generate_dummy_inputs`] 메서드로 기존 및 내보낸 모델의 입력을 생성하며, 검증에 사용될 오차 범위는 구성에서 정의할 수 있습니다. 일반적으로는 1e-6에서 1e-4 범위 내에서 합의하지만, 1e-3보다 작다면 문제 없을 가능성이 높습니다.
+이 함수는 [`~transformers.onnx.OnnxConfig.generate_dummy_inputs`] 메소드로 기존 및 내보낸 모델의 입력을 생성하며, 검증에 사용될 오차 범위는 구성에서 정의할 수 있습니다. 일반적으로는 1e-6에서 1e-4 범위 내에서 합의하지만, 1e-3보다 작다면 문제 없을 가능성이 높습니다.
 
 ## 🤗 Transformers에 새 구성 추가하기[[contributing-a-new-configuration-to-transformers]]
 
-이미 만들어진 구성의 숫자를 늘리려고 노력하고 있으며, 커뮤니티의 기여를 환영합니다! 라이브러리에 당신만의 구성을 추가하려면 다음 단계를 기억해주세요:
+미리 제작된 구성의 숫자를 늘리려고 노력하고 있으며, 커뮤니티의 기여를 환영합니다! 라이브러리에 당신만의 구성을 추가하려면 다음 단계를 기억해주세요:
 
 * `configuration_<model_name>.py` 파일에 ONNX 구성을 구현하세요.
-* [`~onnx.features.FeatureManager`]에 모델 아키텍처 및 해당 기능을 포함시키세요.
+* [`~onnx.features.FeatureManager`]에 모델 아키텍처 및 해당 기능을 포함하세요.
 * `test_onnx_v2.py`의 테스트에 모델 아키텍처를 추가하세요.
 
 아직 감이 안 잡히신다면, [IBERT 구성](https://github.com/huggingface/transformers/pull/14868/files)이 어떻게 기여되었는지 확인해보세요.