Update utils.md

sources/utils.md

@@ -11,7 +11,7 @@ keras.utils.CustomObjectScope()
 글로벌 커스텀 객체로의 변환은
 `with` 명령문의 영역 내에서 유효합니다. `with` 명령문이 끝나면,
 글로벌 커스텀 객체는 
-`with` 명령문 시작에서의 상태로 되돌아갑니다.
+`with` 명령문 시작 상태로 되돌아갑니다.
 
 __예시__
 
@@ -21,12 +21,12 @@ __예시__
 ```python
 with CustomObjectScope({'MyObject':MyObject}):
     layer = Dense(..., kernel_regularizer='MyObject')
-    # save, load, 등의 함수가 이름을 통해 커스텀 객체를 인지합니다 
+    # save, load, 등의 함수가 주어진 이름으로 커스텀 객체를 인지합니다.
 ```
 
 ----
 
-<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/utils/io_utils.py#L26)</span>
+<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/utils/io_utils.py#L25)</span>
 ### HDF5Matrix
 
 ```python
@@ -43,18 +43,18 @@ x_data = HDF5Matrix('input/file.hdf5', 'data')
 model.predict(x_data)
 ```
 
-`start`와 `end`를 제공해서 데이터셋을 조각으로 잘라 사용할 수 있도록 합니다.
+`start`와 `end` 인수를 이용하여 데이터셋을 자를 수 있습니다.
 
-선택적으로 정규화 함수(혹은 람다)를 사용할 수 있습니다.
+추가적으로 정규화 함수(혹은 람다)를 사용할 수 있습니다.
 이는 회수된 모든 데이터 조각에 대해 호출됩니다.
 
 __인수__
 
 - __datapath__: 문자열, HDF5 파일의 경로입니다
-- __dataset__: 문자열, datapath에 명시된 파일 내 HDF5 데이터셋의
-    이름입니다.
-- __start__: 정수, 명시된 데이터셋의 원하는 조각의 시작부분입니다
-- __end__: 정수, 명시된 데이터셋의 원하는 조각의 끝부분입니다
+- __dataset__: 문자열, 'datapath'에 명시된 파일 내 HDF5 데이터셋의
+    이름입니다
+- __start__: 정수, 데이터셋에서 자르기 원하는 부분의 시작점입니다
+- __end__: 정수, 데이터셋에서 자르기 원하는 부분의 끝점입니다
 - __normalizer__: 데이터가 회수될 때 데이터에 대해서 호출할 함수
 
 __반환값__
@@ -73,14 +73,14 @@ keras.utils.Sequence()
 데이터셋 등의 데이터 시퀀스를 학습하기 위한 베이스 객체.
 
 모든 `Sequence`는 `__getitem__`과 `__len__` 메서드를 실행해야 합니다.
-`on_epoch_end`를 실행하여 세대와 세대 사이에 데이터셋을 수정할 수 있습니다.
+`on_epoch_end`메서드를 사용하면, 매 에폭의 끝에서 데이터셋을 수정할 수 있습니다.
 `__getitem__` 메서드는 완전한 배치를 반환해야 합니다.
 
 __안내_
 
 
 `Sequence`는 멀티프로세싱을 보다 안전하게 실행합니다.
-생성기와는 다르게 네트워크가 각 세대에 한 샘플을 한 번만 학습하도록
+생성기와는 다르게 네트워크가 각 에폭당 한 샘플을 한 번만 학습하도록
 보장해줍니다.
 
 __예시__
@@ -91,8 +91,8 @@ from skimage.io import imread
 from skimage.transform import resize
 import numpy as np
 
-# 여기서 `x_set`은 이미지 파일 경로의 리스트입니다
-# 그리고 `y_set`은 연관 클래스입니다.
+# 여기서 `x_set`은 이미지 파일 경로의 목록입니다
+# 그리고 `y_set`은 관련 클래스입니다.
 
 class CIFAR10Sequence(Sequence):
 
@@ -131,12 +131,12 @@ __인수__
 - __y__: 행렬로 변환할 클래스 벡터
     (0부터 num_classes까지의 정수).
 - __num_classes__: 클래스의 총 개수.
-- __dtype__: 문자열로 표현된 인풋의 데이터 자료형
+- __dtype__: 문자열로 표현된 입력의 데이터 자료형
     (`float32`, `float64`, `int32`...)
 
 __반환값__
 
-인풋의 이진행렬 표현.
+입력 값의 이진행렬 표현.
 클래스 축이 마지막에 위치합니다.
 
 __예시__
@@ -191,7 +191,7 @@ keras.utils.get_file(fname, origin, untar=False, md5_hash=None, file_hash=None,
 
 캐시에 파일이 존재하지 않으면 URL에서 파일을 다운로드 합니다.
 
-디폴트로 url `origin`에서 cache_subdir인 `datasets` 내 위치한
+기본적으로 url `origin`에서 cache_subdir인 `datasets` 내 위치한
 cache_dir인 `~/.keras`로 파일이 다운로드되고
 `fname`으로 파일이름이 붙습니다. 그러므로
 `example.txt` 파일의 최종위치는 `~/.keras/datasets/example.txt`가 됩니다.
@@ -206,25 +206,25 @@ __인수__
     바로 그 위치로 파일이 저장됩니다.
 - __origin__: 파일의 본래 URL.
 - __untar__: 'untar'대신 'extract'를 권장합니다. 
-    파일의 압축을 풀지 여부에 대한 불리언.
+    불리언 형식의 입력으로 파일의 압축 해제 여부를 선택합니다.
 - __md5_hash__: 'md5_hash'대신 'file_hash'를 권장합니다.
     파일검사용 md5 해시.
 - __file_hash__: 다운로드 후 예산되는 파일의 해시 문자열.
     해시 알고리즘인 sha256과 md5 둘 모두 지원됩니다.
-- __cache_subdir__: 파일이 저장되는 케라스 캐시 디렉토리 내 서브디렉토리.
+- __cache_subdir__: 파일이 저장되는 케라스 캐시 디렉토리 내 하위 디렉토리.
     절대적 경로 `/path/to/folder`가 명시된 경우
     바로 그 위치로 파일이 저장됩니다.
 - __hash_algorithm__: 파일을 검사하기 위한 해시 알고리즘을 선택합니다.
     'md5', 'sha256', 그리고 'auto'를 선택할 수 있습니다.
-    디폴트 값인 'auto'는 사용중인 해시 알고리즘을 감지합니다.
+    기본값인 'auto'는 사용중인 해시 알고리즘을 감지합니다.
 - __extract__: True 값일 경우 tar 혹은 zip처럼 Archive로 파일을 추출합니다.
 - __archive_format__: 파일 추출을 시도할 Archive 형식.
     'auto', 'tar', 'zip', 그리고 None을 선택할 수 있습니다.
     'tar'는 tar, tar.gz, 그리고 tar.bz 파일을 포함합니다.
-    디폴트 'auto'는 ['tar', 'zip']입니다.
-    None 혹은 빈 리스트는 '발견된 매치가 없음'을 반환합니다.
+    'auto'를 선택할 경우 기본값으로 ['tar', 'zip']가 선택됩니다.
+    None 혹은 빈 목록는 '발견된 매치가 없음'을 메시지를 반환합니다.
 - __cache_dir__: 캐시된 파일을 저장할 위치.
-    None일 경우 디폴트 값은 [케라스 디렉토리](/faq/#where-is-the-keras-configuration-filed-stored)입니다.
+    None일 경우 기본값은 [케라스 디렉토리](/faq/#where-is-the-keras-configuration-filed-stored)입니다.
 
 __반환값__
 
@@ -240,21 +240,21 @@ keras.utils.print_summary(model, line_length=None, positions=None, print_fn=None
 ```
 
 
-모델을 요약하여 프린트합니다.
+모델을 요약하여 출력합니다.
 
 __인수__
 
 - __model__: 케라스 모델 인스턴스.
-- __line_length__: 프린트된 라인의 총 개수
-    (예. 터미널 창의 크기에 맞도록
+- __line_length__: 출력 결과의 가로 길이
+    (예. 터미널 창의 가로 길이에 맞도록
     이 값을 설정합니다).
 - __positions__: 각 라인의 로그 요소의 절대적 혹은 상대적 위치.
-    값을 특정하지 않으면 디폴트 값인 `[.33, .55, .67, 1.]`로 설정됩니다.
-- __print_fn__: 사용할 프린트 함수.
+    값을 특정하지 않으면 기본값인 `[.33, .55, .67, 1.]`로 설정됩니다.
+- __print_fn__: 사용할 출력 함수.
     모델 요약의 각 라인마다 호출됩니다.
     문자열 요약을 캡처하려면
     이 값을 커스텀 함수로 설정할 수 있습니다.
-    디폴트 값은 `print`(stdout으로 프린트)입니다.
+    기본값은 `print`(stdout으로 출력)입니다.
 
 ----
 
@@ -266,26 +266,26 @@ keras.utils.plot_model(model, to_file='model.png', show_shapes=False, show_layer
 ```
 
 
-케라스 모델을 도트 형식으로 전환하고 파일에 저장합니다.
+케라스 모델을 도트 형식으로 변환하고 파일에 저장합니다.
 
 __인수__
 
 - __model__: 케라스 모델 인스턴스.
 - __to_file__: 플롯 이미지의 파일 이름.
-- __show_shapes__: 형태 정보를 보여줄지 여부.
-- __show_layer_names__: 레이어 이름을 보여줄지 여부.
+- __show_shapes__: 입출력 형태 정보를 보여줄지 여부.
+- __show_layer_names__: 층 이름을 보여줄지 여부.
 - __rankdir__: `rankdir` 인수가,
     플롯의 형식을 결정하는 문자열인 PyDot으로 전달됩니다:
     'TB'는 세로 플롯;
     'LR'는 가로 플롯을 생성합니다.
 - __expand_nested__: 중첩된 모델을 클러스터로 확장할지 여부.
 - __dpi__: 도트 DPI.
 
-__Returns__
-
-A Jupyter notebook Image object if Jupyter is installed.
-This enables in-line display of the model plots in notebooks.
+Returns:
 
+주피터가 설치된 경우 주피터 노트북 이미지 객체를 반환합니다.
+이 메소드를 이용하면 주피터 노트북에서 모델을 바로 출력하여 확인할 수 있습니다.  
+
 ----
 
 ### multi_gpu_model
@@ -301,17 +301,17 @@ keras.utils.multi_gpu_model(model, gpus=None, cpu_merge=True, cpu_relocation=Fal
 이 함수는 구체적으로 단일기계 다중-GPU 데이터 병렬처리를 실행합니다.
 다음과 같은 방식으로 작동합니다:
 
-- 모델의 인풋을 여러 서브 배치로 나눕니다.
-- 모델 복사본을 각 서브 배치에 적용합니다.
-각 모델 복사본이 특별히 배정된 GPU에서 실행됩니다.
+- 모델의 입력을 여러 하위 배치로 나눕니다.
+- 모델 복사본을 각 하위 배치에 적용합니다.
+각 모델 복사본은 전용 GPU에서 실행됩니다.
 - 결과물을 (CPU에서) 연결하여 하나의 큰 배치로 만듭니다.
 
 예. `batch_size`가 64이고 `gpus=2`라면,
-인풋이 각 32개의 샘플로 구성된 2개의 서브 배치로 나뉘고,
-한 GPU 당 각각의 서브 배치가 처리된 후,
+입력이 각 32개의 샘플로 구성된 2개의 하위 배치로 나뉘고,
+한 GPU 당 각각의 하위 배치가 처리된 후,
 64개의 처리된 샘플로 구성된 완전한 배치를 반환합니다.
 
-8개의 GPU까지는 유사선형적인 속도증가를 유도합니다.
+8개의 GPU까지는 거의 선형적으로 속도 향상이 예상됩니다.
 
 이 함수는 현재 탠서플로우 백엔드에서만
 사용가능합니다.
@@ -322,10 +322,10 @@ __인수__
     메모리 부족 오류를 피하기 위해서 이 모델을 CPU에 생성해두는 방법이 있습니다
     (아래의 사용법 예시를 참고하십시오).
 - __gpus__: 정수 >= 2 혹은 정수 리스트, number of GPUs or
-    생성된 모델 복사본을 위치시킬 GPU의 개수 혹은 GPU ID의 리스트.
-- __cpu_merge__: CPU의 유효범위 내에서 모델 가중치를 합치는 것을 강제할지
+    생성된 모델 복사본을 위치시킬 GPU의 개수 혹은 GPU ID의 목록.
+- __cpu_merge__: CPU의 유효범위 내에서 모델 가중치를 합치는 것을 강제
     여부를 명시하는 불리언 값.
-- __cpu_relocation__: CPU의 유효범위 내에서 모델 가중치를 생성할지
+- __cpu_relocation__: CPU의 유효범위 내에서 모델 가중치를 생성
     여부를 명시하는 불리언 값.
     만약 이전의 어떤 장치의 유효범위에도 모델이 정의되지 않았다면,
     이 옵션을 활성화시켜 문제를 해결할 수 있습니다.
@@ -396,7 +396,7 @@ parallel_model.compile(..)
 ..
 ```
 
-Example 3 - GPU에서 가중치를 병합하는 모델 학습 (NV-link에 권장됩니다)
+예시 3 - GPU에서 가중치를 병합하는 모델 학습 (NV-link에 권장됩니다)
 
 ```python
 ..
@@ -420,3 +420,4 @@ __모델 저장하기__
 다중-GPU 모델을 저장하려면, `multi_gpu_model`에 의해서 반환되는 모델보다는 
 템플릿 모델(`multi_gpu_model`에 전달되는 인수)과 함께
 `.save(fname)` 혹은 `.save_weights(fname)`를 사용하면 됩니다.
+