diff --git a/intermediate_source/ensembling.py b/intermediate_source/ensembling.py
index 8102b7bc1..57998182c 100644
--- a/intermediate_source/ensembling.py
+++ b/intermediate_source/ensembling.py
@@ -1,25 +1,24 @@
 # -*- coding: utf-8 -*-
 """
-Model ensembling
+모델 앙상블
 ================
+번역 : `조형서 <https://github.com/ChoHyoungSeo/>`_
 
-This tutorial illustrates how to vectorize model ensembling using ``torch.vmap``.
+본 튜토리얼에서는 ``torch.vmap`` 을 활용하여 모델 앙상블을 벡터화하는 방법을 설명합니다.
 
-What is model ensembling?
+모델 앙상블이란?
 -------------------------
-Model ensembling combines the predictions from multiple models together.
-Traditionally this is done by running each model on some inputs separately
-and then combining the predictions. However, if you're running models with
-the same architecture, then it may be possible to combine them together
-using ``torch.vmap``. ``vmap`` is a function transform that maps functions across
-dimensions of the input tensors. One of its use cases is eliminating
-for-loops and speeding them up through vectorization.
+모델 앙상블은 여러 모델의 예측값을 함께 결합하는 것을 의미합니다.
+일반적으로 이 작업은 일부 입력값에 대해 각 모델을 개별적으로 실행한 다음 예측을 결합하는 방식으로 실행됩니다.
+하지만 동일한 아키텍처로 모델을 실행하는 경우, ``torch.vmap`` 을 활용하여 함께 결합할 수 있습니다.
+``vmap`` 은 입력 tensor의 여러 차원에 걸쳐 함수를 매핑하는 함수 변환입니다. 이 함수의
+사용 사례 중 하나는 for 문을 제거하고 벡터화를 통해 속도를 높이는 것입니다.
 
-Let's demonstrate how to do this using an ensemble of simple MLPs.
+간단한 MLP 앙상블을 활용하여 이를 수행하는 방법을 살펴보겠습니다.
 
 .. note::
 
-   This tutorial requires PyTorch 2.0.0 or later.
+   본 튜토리얼에서는 파이토치 2.0.0 이상의 버전이 필요합니다.
 """
 
 import torch
@@ -27,7 +26,7 @@
 import torch.nn.functional as F
 torch.manual_seed(0)
 
-# Here's a simple MLP
+# 다음은 간단한 MLP 입니다.
 class SimpleMLP(nn.Module):
     def __init__(self):
         super(SimpleMLP, self).__init__()
@@ -45,10 +44,9 @@ def forward(self, x):
         return x
 
 ######################################################################
-# Let’s generate a batch of dummy data and pretend that we’re working with
-# an MNIST dataset. Thus, the dummy images are 28 by 28, and we have a
-# minibatch of size 64. Furthermore, lets say we want to combine the predictions
-# from 10 different models.
+# 더미 데이터를 생성하고 MNIST 데이터 셋으로 작업한다고 가정해 보겠습니다.
+# 따라서 이미지는 28x28 사이즈이며 미니 배치 크기는 64입니다.
+# 더 나아가 10개의 서로 다른 모델에서 나온 예측값을 결합하고 싶다고 가정해 보겠습니다.
 
 device = 'cuda'
 num_models = 10
@@ -59,52 +57,49 @@ def forward(self, x):
 models = [SimpleMLP().to(device) for _ in range(num_models)]
 
 ######################################################################
-# We have a couple of options for generating predictions. Maybe we want to
-# give each model a different randomized minibatch of data. Alternatively,
-# maybe we want to run the same minibatch of data through each model (e.g.
-# if we were testing the effect of different model initializations).
+# 예측값을 생성하는 데는 몇 가지 옵션이 있습니다.
+# 각각의 모델에 다른 무작위 미니 배치 데이터를 줄 수 있고
+# 각각의 모델에 동일한 미니 배치의 데이터를 줄 수 있습니다.
+# (예를 들어, 다른 모델 초기값의 영향을 테스트할 경우)
 
 ######################################################################
-# Option 1: different minibatch for each model
+# 옵션 1: 각각의 모델에 다른 미니 배치를 주는 경우
 
 minibatches = data[:num_models]
 predictions_diff_minibatch_loop = [model(minibatch) for model, minibatch in zip(models, minibatches)]
 
 ######################################################################
-# Option 2: Same minibatch
+# 옵션 2: 같은 미니 배치를 주는 경우
 
 minibatch = data[0]
 predictions2 = [model(minibatch) for model in models]
 
 ######################################################################
-# Using ``vmap`` to vectorize the ensemble
+# ``vmap`` 을 활용하여 앙상블 벡터화하기
 # ------------------------------------
 #
-# Let's use ``vmap`` to speed up the for-loop. We must first prepare the models
-# for use with ``vmap``.
+# ``vmap`` 을 사용하여 for 문의 속도를 높여보겠습니다. 먼저 ``vmap`` 과 함께 사용할 모델을 준비해야 합니다.
 #
-# First, let’s combine the states of the model together by stacking each
-# parameter. For example, ``model[i].fc1.weight`` has shape ``[784, 128]``; we are
-# going to stack the ``.fc1.weight`` of each of the 10 models to produce a big
-# weight of shape ``[10, 784, 128]``.
 #
-# PyTorch offers the ``torch.func.stack_module_state`` convenience function to do
-# this.
+# 먼저, 각 매개변수를 쌓아 모델의 상태를 결합해 보겠습니다.
+# 예를 들어, ``model[i].fc1.weight`` 의 shape은 ``[784, 128]`` 입니다.
+# 이 10개의 모델 각각에 대해 ``.fc1.weight`` 를 쌓아 ``[10, 784, 128]`` shape의 큰 가중치를 생성할 수 있습니다.
+#
+# 파이토치에서는 이를 위해 ``torch.func.stack_module_state`` 라는 함수를 제공하고 있습니다.
+#
 from torch.func import stack_module_state
 
 params, buffers = stack_module_state(models)
 
 ######################################################################
-# Next, we need to define a function to ``vmap`` over. The function should,
-# given parameters and buffers and inputs, run the model using those
-# parameters, buffers, and inputs. We'll use ``torch.func.functional_call``
-# to help out:
+# 다음으로, ``vmap`` 에 대한 함수를 정의해야 합니다. 이 함수는 파라미터, 버퍼, 입력값이 주어지면 모델을 실행합니다.
+# 여기서는 ``torch.func.functional_call`` 을 활용하겠습니다.
 
 from torch.func import functional_call
 import copy
 
-# Construct a "stateless" version of one of the models. It is "stateless" in
-# the sense that the parameters are meta Tensors and do not have storage.
+# 모델 중 하나의 "stateless" 버전을 구축합니다.
+# "stateless"는 매개변수가 메타 tensor이며 저장소가 없다는 것을 의미합니다.
 base_model = copy.deepcopy(models[0])
 base_model = base_model.to('meta')
 
@@ -112,47 +107,45 @@ def fmodel(params, buffers, x):
     return functional_call(base_model, (params, buffers), (x,))
 
 ######################################################################
-# Option 1: get predictions using a different minibatch for each model.
+# 옵션 1: 각 모델에 대해 서로 다른 미니 배치를 활용하여 예측합니다.
 #
-# By default, ``vmap`` maps a function across the first dimension of all inputs to
-# the passed-in function. After using ``stack_module_state``, each of
-# the ``params`` and buffers have an additional dimension of size 'num_models' at
-# the front, and minibatches has a dimension of size 'num_models'.
+# 기본적으로, ``vmap`` 은 모든 입력의 첫 번째 차원에 걸쳐 함수에 매핑합니다.
+# ``stack_module_state`` 를 사용하면 각 ``params`` 와 버퍼는 앞쪽에 'num_models' 
+# 크기의 추가 차원을 가지며, 미니 배치는 'num_models' 크기가 됩니다.
 
-print([p.size(0) for p in params.values()]) # show the leading 'num_models' dimension
+print([p.size(0) for p in params.values()]) # 선행 'num_models' 차원 표시
 
-assert minibatches.shape == (num_models, 64, 1, 28, 28) # verify minibatch has leading dimension of size 'num_models'
+assert minibatches.shape == (num_models, 64, 1, 28, 28) # 미니 배치의 선행 차원이 'num_models' 크기인지 확인합니다.
 
 from torch import vmap
 
 predictions1_vmap = vmap(fmodel)(params, buffers, minibatches)
 
-# verify the ``vmap`` predictions match the
+# ``vmap`` 예측이 맞는지 확인합니다.
 assert torch.allclose(predictions1_vmap, torch.stack(predictions_diff_minibatch_loop), atol=1e-3, rtol=1e-5)
 
 ######################################################################
-# Option 2: get predictions using the same minibatch of data.
+# 옵션 2: 동일한 미니 배치 데이터를 활용하여 예측합니다.
 #
-# ``vmap`` has an ``in_dims`` argument that specifies which dimensions to map over.
-# By using ``None``, we tell ``vmap`` we want the same minibatch to apply for all of
-# the 10 models.
+# ``vmap`` 에는 매핑할 차원을 지정하는 ``in_dims`` 라는 인자가 있습니다.
+# ``None`` 을 사용하면 10개 모델에 모두 동일한 미니 배치를 적용하도록
+# ``vmap`` 에 알려줄 수 있습니다.
 
 predictions2_vmap = vmap(fmodel, in_dims=(0, 0, None))(params, buffers, minibatch)
 
 assert torch.allclose(predictions2_vmap, torch.stack(predictions2), atol=1e-3, rtol=1e-5)
 
 ######################################################################
-# A quick note: there are limitations around what types of functions can be
-# transformed by ``vmap``. The best functions to transform are ones that are pure
-# functions: a function where the outputs are only determined by the inputs
-# that have no side effects (e.g. mutation). ``vmap`` is unable to handle mutation
-# of arbitrary Python data structures, but it is able to handle many in-place
-# PyTorch operations.
+# 참고 사항: ``vmap`` 으로 변환할 수 있는 함수 유형에는 제한이 있습니다.
+# 변환하기에 가장 좋은 함수는 입력값에 의해서만 출력이 결정되고
+# 다른 부작용 (예. 변이) 이 없는 순수 함수(pure function) 입니다.
+# ``vmap`` 은 임의의 변이된 파이썬 자료구조는 처리할 수 없지만, 
+# 다양한 내장된 파이토치 연산은 처리할 수 있습니다.
 
 ######################################################################
-# Performance
+# 성능
 # -----------
-# Curious about performance numbers? Here's how the numbers look.
+# 성능 수치가 궁금하신가요? 수치는 다음과 같습니다.
 
 from torch.utils.benchmark import Timer
 without_vmap = Timer(
@@ -165,11 +158,9 @@ def fmodel(params, buffers, x):
 print(f'Predictions with vmap {with_vmap.timeit(100)}')
 
 ######################################################################
-# There's a large speedup using ``vmap``!
+# ``vmap`` 을 사용하면 속도가 크게 향상됩니다!
 #
-# In general, vectorization with ``vmap`` should be faster than running a function
-# in a for-loop and competitive with manual batching. There are some exceptions
-# though, like if we haven’t implemented the ``vmap`` rule for a particular
-# operation or if the underlying kernels weren’t optimized for older hardware
-# (GPUs). If you see any of these cases, please let us know by opening an issue
-# on GitHub.
+# 일반적으로, ``vmap`` 을 사용한 벡터화는 for 문에서 함수를 실행하는 것보다
+# 빠르며 수동 일괄 처리와 비슷한 속도를 냅니다. 하지만 특정 연산에 대해 ``vmap`` 규칙을
+# 구현하지 않았거나 기본 커널이 구형 하드웨어(GPUs)에 최적화되지 않은 경우와 같이
+# 몇 가지 예외가 있습니다. 이러한 경우가 발견되면, GitHub에 이슈를 생성해서 알려주시기 바랍니다.