한국어
ENN-PyTorch는 PyTorch 기반 공간·시간성 모델링을 위한 런타임 중심 학습·예측 프레임워크다.
이 프로젝트는 모델 아키텍처만 제공하는 단순 라이브러리가 아니다. 입력 데이터를 학습과 예측에 적합한 형태로 준비하고, 워커 기반 런타임에서 학습과 예측을 실행하며, 커널 선택, 정밀도 제어, 분산 처리, 체크포인트, 예측 안정화, 모델 저장과 내보내기까지 하나의 실행 흐름 안에서 다룬다.
범용 머신러닝 프레임워크로 보는 것도 정확하지 않다. PyTorch나 Lightning처럼 다양한 모델을 일반적으로 학습시키기 위한 범용 프레임워크라기보다는, ENN 모델 구조를 중심으로 데이터 준비, 학습, 예측, 저장, 내보내기를 묶은 특화 런타임 프레임워크로 보는 것이 적절하다.
English
ENN-PyTorch is a runtime-centered training and prediction framework for PyTorch-based spatial and temporal modeling.
This project is not a simple library that only provides a model architecture. It prepares input data in a form suitable for training and prediction, executes training and prediction through a worker-based runtime, and handles kernel selection, precision control, distributed execution, checkpoints, prediction stabilization, model saving, and model export within a single execution flow.
It is also not accurate to describe it as a general-purpose machine learning framework. Rather than a general framework like PyTorch or Lightning for training many kinds of models, ENN-PyTorch is better understood as a specialized runtime framework that brings together data preparation, training, prediction, saving, and export around the ENN model structure.
한국어
ENN-PyTorch를 이해하려면 모델 코드만 보는 것으로는 부족하다. 이 프로젝트는 모델이 실제로 학습되고 예측되는 전체 실행 흐름을 함께 봐야 한다.
입력 데이터 준비
→ 모델 구성
→ 커널과 정밀도 선택
→ 학습 또는 예측 실행
→ 체크포인트와 결과 저장
→ 필요 시 외부 런타임용 모델 내보내기
이 흐름에서 모델은 중심 구성요소지만, 유일한 구성요소는 아니다. 데이터가 어떤 형태로 준비되는지, 어떤 런타임에서 실행되는지, 어떤 precision과 kernel 경로가 선택되는지, 예측 결과가 불안정할 때 어떤 fallback을 거치는지가 함께 중요하다.
English
Understanding ENN-PyTorch requires more than reading the model code. The project should be read as an end-to-end execution flow in which the model is actually trained and used for prediction.
Input data preparation
→ Model configuration
→ Kernel and precision selection
→ Training or prediction execution
→ Checkpoint and result storage
→ Model export for external runtimes when needed
In this flow, the model is the central component, but it is not the only important component. It is also important to understand how data is prepared, what runtime executes the workload, which precision and kernel paths are selected, and which fallback paths are used when prediction results become unstable.