From fb130f1e3c0ae6b6ee58e5a902f4d7a389ae880a Mon Sep 17 00:00:00 2001
From: fliklab <fliklab@users.noreply.github.com>
Date: Sun, 13 Oct 2019 18:21:58 +0900
Subject: [PATCH 1/3] Update applications.md
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

단어 변경 1차

인자→인수
인풋→입력
(인풋의 형태→인풋 형태)
(디폴트 인풋 사이즈 → 기본 입력 크기)
(인풋 채널→입력 채널)
아웃풋→출력(값)
(4D 텐서 출력, 모델의 출력값 등)
텐서플로우→Tensorflow
글로벌 → 전역(전역 평균값 풀링)
레이어 → 층(중간 층, 컨볼루션 층, 완전연결층)
Dense 레이어 -> 완전연결층
---
 sources/applications.md | 386 ++++++++++++++++++++--------------------
 1 file changed, 193 insertions(+), 193 deletions(-)

diff --git a/sources/applications.md b/sources/applications.md
index 2631e0fa..5d7fd82b 100644
--- a/sources/applications.md
+++ b/sources/applications.md
@@ -3,7 +3,7 @@
 케라스 어플리케이션은 선행학습된 가중치와 함께 사용할 수 있도록 한 딥러닝 모델입니다.
 이 모델로 예측, 특성추출, 파인튜닝을 할 수 있습니다.
 
-가중치는 모델을 인스턴스화 할 때 자동으로 다운로드 됩니다. 이는 `~/.keras/models/`에 저장됩니다.
+가중치는 모델을 인스턴스화 할 때 자동으로 다운로드됩니다. 이는 `~/.keras/models/`에 저장됩니다.
 
 ## 사용 가능한 모델
 
@@ -20,11 +20,11 @@
 - [DenseNet](#densenet)
 - [NASNet](#nasnet)
 
-위의 아키텍쳐 전부는 모든 백엔드(TensorFlow, Theano, and CNTK)와 호환가능하고, 인스턴스화 시 `~/.keras/keras.json`의 케라스 구성에 세팅된 이미지 데이터 포멧에 따라 모델이 만들어집니다. 예를 들어, 만약 `image_data_format=channels_last`로 세팅이 되어있다면, 이 리포지토리에서 불러온 모든 모델은 "Height-Width-Depth"의 텐서플로우 데이터 포맷 형식에 따라서 만들어집니다.
+위의 아키텍쳐 전부는 모든 백엔드(TensorFlow, Theano, and CNTK)와 호환가능하고, 인스턴스화 시 `~/.keras/keras.json`의 케라스 구성에 세팅된 이미지 데이터 포멧에 따라 모델이 만들어집니다. 예를 들어, 만약 `image_data_format=channels_last`로 세팅이 되어있다면, 이 리포지토리에서 불러온 모든 모델은 "Height-Width-Depth"의 Tensorflow 데이터 포맷 형식에 따라서 만들어집니다.
 
 참고로:
-- `Keras < 2.2.0`의 경우, Xception 모델은 `SeparableConvolution` 레이어를 이용하기 때문에 TensorFlow로만 사용가능합니다.
-- `Keras < 2.1.5`의 경우, MobileNet 모델은 `DepthwiseConvolution` 레이어를 이용하기 때문에 TensorFlow로만 사용가능합니다.
+- `Keras < 2.2.0`의 경우, Xception 모델은 `SeparableConvolution` 층을 이용하기 때문에 TensorFlow로만 사용가능합니다.
+- `Keras < 2.1.5`의 경우, MobileNet 모델은 `DepthwiseConvolution` 층을 이용하기 때문에 TensorFlow로만 사용가능합니다.
 
 -----
 
@@ -72,7 +72,7 @@ x = preprocess_input(x)
 features = model.predict(x)
 ```
 
-### VGG19를 사용한 임의의 중간 레이어로부터의 특성추출
+### VGG19를 사용한 임의의 중간 층으로부터의 특성추출
 
 ```python
 from keras.applications.vgg19 import VGG19
@@ -105,39 +105,39 @@ from keras import backend as K
 # 선행학습된 기준모델을 만듭니다
 base_model = InceptionV3(weights='imagenet', include_top=False)
 
-# 글로벌 공간 평균값 풀링 레이어를 더합니다
+# 전역 공간 평균값 풀링층을 더합니다
 x = base_model.output
 x = GlobalAveragePooling2D()(x)
-# 완전 연결 레이어를 더합니다
+# 완전연결층을 더합니다
 x = Dense(1024, activation='relu')(x)
-# 로지스틱 레이어를 더합니다 -- 200가지 클래스가 있다고 가정합니다
+# 로지스틱 층을 더합니다 -- 200가지 클래스가 있다고 가정합니다
 predictions = Dense(200, activation='softmax')(x)
 
 # 다음은 학습할 모델입니다
 model = Model(inputs=base_model.input, outputs=predictions)
 
-# 첫째로: (난수로 초기값이 설정된) 가장 상위 레이어들만 학습시킵니다
-# 다시 말해서 모든 InceptionV3 콘볼루션 레이어를 고정합니다
+# 첫째로: (난수로 초기값이 설정된) 가장 상위 층들만 학습시킵니다
+# 다시 말해서 모든 InceptionV3 컨볼루션 층을 고정합니다
 for layer in base_model.layers:
     layer.trainable = False
 
-# 모델을 컴파일합니다 (*꼭* 레이어를 학습불가 상태로 세팅하고난 *후*에 컴파일합니다)
+# 모델을 컴파일합니다 (*꼭* 층을 학습불가 상태로 세팅하고난 *후*에 컴파일합니다)
 model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
 
-# 모델을 새로운 데이터에 대해 몇 세대간 학습합니다
+# 모델을 새로운 데이터에 대해서 몇 에폭 학습합니다
 model.fit_generator(...)
 
-# 이 시점에서 상위 레이어들은 충분히 학습이 되었기에,
-# inception V3의 콘볼루션 레이어에 대한 파인튜닝을 시작합니다 
-# 가장 밑 N개의 레이어를 고정하고 나머지 상위 레이어를 학습시킵니다
+# 이 시점에서 상위 층들은 충분히 학습이 되었기에,
+# inception V3의 컨볼루션 층에 대한 파인튜닝을 시작합니다 
+# 가장 밑 N개의 층을 고정하고 나머지 상위 층을 학습시킵니다
 
-# 레이어 이름과 레이어 인덱스를 시각화하여
-# 얼마나 많은 레이어를 고정시켜야 하는지 확인합니다:
+# 층의 이름과 층의 인덱스를 시각화하여
+# 얼마나 많은 층을 고정시켜야 하는지 확인합니다:
 for i, layer in enumerate(base_model.layers):
    print(i, layer.name)
 
 # 가장 상위 2개의 inception 블록을 학습하기로 고릅니다,
-# 다시 말하면 첫 249개의 레이어는 고정시키고 나머지는 고정하지 않습니다:
+# 다시 말하면 첫 249개의 층은 고정시키고 나머지는 고정하지 않습니다:
 for layer in model.layers[:249]:
    layer.trainable = False
 for layer in model.layers[249:]:
@@ -149,18 +149,18 @@ from keras.optimizers import SGD
 model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy')
 
 # 다시 한 번 모델을 학습시킵니다
-# (이번엔 상위 2개의 inception 블록을 상위의 밀집 레이어들과 함께 파인튜닝합니다)
+# (이번엔 상위 2개의 inception 블록을 상위의 완전연결층들과 함께 파인튜닝합니다)
 model.fit_generator(...)
 ```
 
 
-### 커스텀 인풋 텐서에 대한 InceptionV3 빌드 
+### 커스텀 입력 텐서에 대한 InceptionV3 빌드 
 
 ```python
 from keras.applications.inception_v3 import InceptionV3
 from keras.layers import Input
 
-# 다음의 inpu_tensor에 다른 케라스 모델이나 레이어의 아웃풋이 들어갈 수도 있습니다
+# 다음의 input_tensor에 다른 케라스 모델이나 층의 출력값이 들어갈 수도 있습니다
 input_tensor = Input(shape=(224, 224, 3))  # K.image_data_format() == 'channels_last'라고 가정합니다
 
 model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=True)
@@ -170,7 +170,7 @@ model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=T
 
 # 각 모델에 대한 설명서
 
-| 모델 | 사이즈 | 상위-1 정확성 | 상위-5 정확성 | 매개변수 | 깊이 |
+| 모델 | 사이즈 | 상위-1 정확도 | 상위-5 정확도 | 매개변수 | 깊이 |
 | ----- | ----: | --------------: | --------------: | ----------: | -----: |
 | [Xception](#xception) | 88 MB | 0.790 | 0.945 | 22,910,480 | 126 |
 | [VGG16](#vgg16) | 528 MB | 0.713 | 0.901 | 138,357,544 | 23 |
@@ -193,9 +193,9 @@ model = InceptionV3(input_tensor=input_tensor, weights='imagenet', include_top=T
 | [NASNetMobile](#nasnet) | 23 MB | 0.744 | 0.919 | 5,326,716 | - |
 | [NASNetLarge](#nasnet) | 343 MB | 0.825 | 0.960 | 88,949,818 | - |
 
-상위-1과 상위-5 정확성은 ImageNet의 검증 데이터셋에 대한 모델의 성능을 가리킵니다.
+상위-1과 상위-5 정확도은 ImageNet의 검증 데이터셋에 대한 모델의 성능을 가리킵니다.
 
-깊이란 네트워크의 토폴로지 깊이를 말합니다. 이는 활성화 레이어, 배치 정규화 레이어 등을 포함합니다.
+깊이란 네트워크의 토폴로지 깊이를 말합니다. 이는 활성화 층, 배치 정규화 층 등을 포함합니다.
 
 -----
 
@@ -209,38 +209,38 @@ keras.applications.xception.Xception(include_top=True, weights='imagenet', input
 
 ImageNet에 대해 가중치가 선행학습된 Xception V1 모델.
 
-이 모델은 ImageNet에 대해서 0.790의 상위-1 검증 정확성을 가집니다.
-또한 0.945의 상위-5 검증 정확성을 가집니다.
+이 모델은 ImageNet에 대해서 0.790의 상위-1 검증 정확도를 가집니다.
+또한 0.945의 상위-5 검증 정확도를 가집니다.
 
 이 모델은 `'channels_last'` (height, width, channels) 데이터 포맷만 지원하는 것을 참고하십시오.
 
-이 모델의 디폴트 인풋 사이즈는 299x299입니다.
+이 모델의 기본 입력 크기는 299x299입니다.
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(229, 229 3)`이어야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(229, 229 3)`이어야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 71 미만이어서는 안됩니다.
     예시. `(150, 150, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지박 콘볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 콘볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋은 2D 텐서임을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력에 적용되어
+        모델의 출력값은 2D 텐서임을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스 수, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 특정되지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 특정되지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -268,34 +268,34 @@ ImageNet에 대해 가중치가 선행학습된 VGG16 모델
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 224x224 입니다.
+이 모델의 기본 입력 크기는 224x224 입니다.
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 3개의 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 3개의 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 인풋 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -323,34 +323,34 @@ ImageNet에 대해 가중치가 선행학습된 VGG19 모델.
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 224x224입니다.
+이 모델의 기본 입력 크기는 224x224입니다.
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 3개의 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 3개의 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -386,35 +386,35 @@ ImageNet에 대해 가중치가 선행학습된 ResNet 모델, ResNetV2 모델,
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 224x224입니다.
+이 모델의 기본 입력 크기는 224x224입니다.
 
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -447,35 +447,35 @@ ImageNet에 대해 가중치가 선행학습된 Inception V3.
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 299x299 입니다.
+이 모델의 기본 입력 크기는 299x299 입니다.
 
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 299, 299)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 299, 299)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 75 미만이어서는 안됩니다.
     예시. `(150, 150, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -502,35 +502,35 @@ ImageNet에 대해 가중치가 선행학습된 Inception-ResNet V2 모델.
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 299x299 입니다.
+이 모델의 기본 입력 크기는 299x299 입니다.
 
 
-### 인수
+### 인자
 
-- include_top: 네트워크의 최상단에 완전 연결 레이어를 넣을지 여부.
+- include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 아웃풋).
+- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 299, 299)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 299, 299)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 75 미만이어서는 안됩니다.
     예시. `(150, 150, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -557,49 +557,49 @@ ImageNet에 대해 가중치가 선행학습된 MobileNet 모델.
 
 이 모델은 `'channels_last'` 데이터 포맷(높이, 넓이, 채널)만 지원하니 참고하십시오.
 
-이 모델의 디폴트 인풋 사이즈는 224x224 입니다.
+이 모델의 기본 입력 크기는 224x224 입니다.
 
-### 인수
+### 인자
 
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - alpha: 네트워크의 넓이를 조정합니다.
-    - `alpha` < 1.0 인 경우, 그에 비례해서 각 레이어의
+    - `alpha` < 1.0 인 경우, 그에 비례해서 각 층의
         필터 숫자를 감소시킵니다.
-    - `alpha` > 1.0 인 경우, 그에 비례해서 각 레이어의
+    - `alpha` > 1.0 인 경우, 그에 비례해서 각 층의
         필터 숫자를 증가시킵니다.
-    - `alpha` = 1 인 경우, 각 레이어의 필터의 수가
-        참고 논문에 따른 디폴트 값으로 정해집니다.
+    - `alpha` = 1 인 경우, 각 층의 필터의 수가
+        참고 논문에 따른 기본값으로 정해집니다.
 - depth_multiplier: 깊이별 컨볼루션의 깊이 승수
     (해상도 승수라고도 합니다)
 - dropout: 드롭아웃 속도
 - include_top: 네트워크의 최상단에
-    완전연결 레이어를 넣을지 여부.
+    완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은
     `'imagenet'` (ImageNet에 대한 선행 학습)
 - input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
     선택적 케라스 텐서
-    (다시말해, `layers.Input()`의 아웃풋).
+    (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -628,39 +628,39 @@ ImageNet에 대해 가중치가 선행학습된 DenseNet.
 
 이 모델에는 `'channels_first'` 데이터 포맷(채널, 높이, 넓이)과 `'channels_last'` 데이터 포맷(높이, 넓이, 채널) 둘 모두 사용할 수 있습니다.
 
-이 모델의 디폴트 인풋 사이즈는 224x224 입니다.
+이 모델의 기본 입력 크기는 224x224 입니다.
 
-### 인수
+### 인자
 
-- blocks: 4개의 밀집 레이어의 빌딩 블록의 수.
+- blocks: 4개의 밀집 층의 빌딩 블록의 수.
 - include_top: 네트워크의 최상단에
-    완전연결 레이어를 넣을지 여부.
+    완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정),
     `'imagenet'` (ImageNet에 대한 선행 학습), 혹은
     가중치 파일을 불러올 경로 중 하나.
 - input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서
-    (다시말해, `layers.Input()`의 아웃풋).
+    (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 인풋의 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
-    혹은 인풋의 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
+    혹은 입력 형태가 `(3, 224, 224)`이고 `'channels_first'` 데이터 포맷을 취해야 합니다).
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 2D 텐서가 됨을 의미합니다.
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -686,43 +686,43 @@ keras.applications.nasnet.NASNetMobile(input_shape=None, include_top=True, weigh
 
 ImageNet에 대해 가중치가 선행학습된 Neural Architecture Search Network (NASNet) 모델.
 
-NASNetLarge 모델의 디폴트 인풋사이즈는 331x331 이고
+NASNetLarge 모델의 기본 입력 크기는 331x331 이고
 NASNetMobile 모델은 224x224 입니다.
 
-### 인수
+### 인자
 
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
-    (그렇지 않다면 NASNetMobile의 경우 인풋의 형태가 `(224, 224, 3)`이고 
-    `'channels_last'` 데이터 포맷을 취하거나 혹은 인풋의 형태가 `(3, 224, 224)`이고 
+    (그렇지 않다면 NASNetMobile의 경우 입력 형태가 `(224, 224, 3)`이고 
+    `'channels_last'` 데이터 포맷을 취하거나 혹은 태가 `(3, 224, 224)`이고 
     `'channels_first'` 데이터 포맷을 취해야 하며, NASNetLarge의 경우  
     인풋이 `(331, 331, 3)`에 `'channels_last'` 데이터 포맷, 
     혹은 인풋이 `(3, 331, 331)`에 `'channels_first'` 데이터 포맷이어야 합니다).
-    인풋 채널이 정확히 3개여야 하며
+    입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
 - include_top: 네트워크의 최상단에
-    완전연결 레이어를 넣을지 여부.
+    완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은
     `'imagenet'` (ImageNet에 대한 선행 학습)
 - input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
     선택적 케라스 텐서
-    (다시말해, `layers.Input()`의 아웃풋).
+    (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -749,14 +749,14 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
 
 이 모델은 `'channels_last'` 데이터 포맷(높이, 넓이, 채널)만 지원하니 참고하십시오.
 
-이 모델의 디폴트 인풋 사이즈는 224x224 입니다.
+이 모델의 기본 입력 크기는 224x224 입니다.
 
-### 인수
+### 인자
 
 - input_shape: 선택적 형태 튜플로,
     (224, 224, 3)이 아닌 인풋 이미지 해상도를 사용할 경우에만
     특정하십시오.
-    인풋 채널이 정확히 3개(224, 224, 3)이어야 합니다.
+    입력 채널이 정확히 3개(224, 224, 3)이어야 합니다.
     input_tensor에서 input_shape을 추론하고 싶다면
     이 옵션을 생략해도 됩니다.
     input_tensor와 input_shape 둘 모두를 활용하는 경우
@@ -765,37 +765,37 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
     예시. `(160, 160, 3)`은 유효한 값입니다.
 - alpha: 네트워크의 넓이를 조정합니다.
     이는 MobileNetV2 논문에서 넓이 승수로 기술됩니다.
-    - `alpha` < 1.0 인 경우, 그에 비례해서 각 레이어의
+    - `alpha` < 1.0 인 경우, 그에 비례해서 각 층의
         필터 숫자를 감소시킵니다.
-    - `alpha` > 1.0 인 경우, 그에 비례해서 각 레이어의
+    - `alpha` > 1.0 인 경우, 그에 비례해서 각 층의
         필터 숫자를 증가시킵니다.
-    - `alpha` = 1 인 경우, 각 레이어의 필터의 수가
-        참고 논문에 따른 디폴트 값으로 정해집니다.
+    - `alpha` = 1 인 경우, 각 층의 필터의 수가
+        참고 논문에 따른 기본값으로 정해집니다.
 - depth_multiplier: 깊이별 컨볼루션의 깊이 승수
     (해상도 승수라고도 합니다)
 - include_top: 네트워크의 최상단에
-    완전연결 레이어를 넣을지 여부.
+    완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정),
     `'imagenet'` (ImageNet에 대한 선행 학습), 혹은
     가중치 파일을 불러올 경로 중 하나.
 - input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
     선택적 케라스 텐서
-    (다시말해, `layers.Input()`의 아웃풋).
+    (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
-    - `None`은 모델의 아웃풋이
-        마지막 컨볼루션 레이어의
-        4D 텐서 아웃풋임을 의미합니다.
-    - `'avg'`는 글로벌 평균값 풀링이
-        마지막 컨볼루션 레이어의
-        아웃풋에 적용되어
-        모델의 아웃풋이 
+    - `None`은 모델의 출력값이
+        마지막 컨볼루션 층의
+        4D 텐서 출력임을 의미합니다.
+    - `'avg'`는 전역 평균값 풀링이
+        마지막 컨볼루션 층의
+        출력값에 적용되어
+        모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
-    - `'max'`는 글로벌 최대값 풀링이
+    - `'max'`는 전역 최대값 풀링이
         적용됨을 의미합니다.
 - classes: 이미지를 분류하기 위한 선택적 클래스의 수로, 
     `include_top`이 `True`일 경우, 
-    그리고 `weights` 인수가 따로 정해지지 않은 경우만 특정합니다.
+    그리고 `weights` 인자가 따로 정해지지 않은 경우만 특정합니다.
 
 ### 반환값
 
@@ -803,7 +803,7 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
 
 ### 오류처리
 
-ValueError: `weights`에 유효하지 않은 인수를 넣은 경우,
+ValueError: `weights`에 유효하지 않은 인자를 넣은 경우,
     혹은 weights='imagenet'일 때 유효하지 않은 형태의 인풋이나 유효하지 않은 depth_multiplier, alpha, rows를 넣은 경우
 
 ### 참고

From c7cd6191188330d6f56d00e73e5b6d42a1f418c1 Mon Sep 17 00:00:00 2001
From: fliklab <fliklab@users.noreply.github.com>
Date: Thu, 17 Oct 2019 20:43:07 +0900
Subject: [PATCH 2/3] Update applications.md
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

컨볼루션->합성곱
인풋->입력
---
 sources/applications.md | 72 ++++++++++++++++++++---------------------
 1 file changed, 36 insertions(+), 36 deletions(-)

diff --git a/sources/applications.md b/sources/applications.md
index 5d7fd82b..40a9f79e 100644
--- a/sources/applications.md
+++ b/sources/applications.md
@@ -117,7 +117,7 @@ predictions = Dense(200, activation='softmax')(x)
 model = Model(inputs=base_model.input, outputs=predictions)
 
 # 첫째로: (난수로 초기값이 설정된) 가장 상위 층들만 학습시킵니다
-# 다시 말해서 모든 InceptionV3 컨볼루션 층을 고정합니다
+# 다시 말해서 모든 InceptionV3 합성곱 층을 고정합니다
 for layer in base_model.layers:
     layer.trainable = False
 
@@ -128,7 +128,7 @@ model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
 model.fit_generator(...)
 
 # 이 시점에서 상위 층들은 충분히 학습이 되었기에,
-# inception V3의 컨볼루션 층에 대한 파인튜닝을 시작합니다 
+# inception V3의 합성곱 층에 대한 파인튜닝을 시작합니다 
 # 가장 밑 N개의 층을 고정하고 나머지 상위 층을 학습시킵니다
 
 # 층의 이름과 층의 인덱스를 시각화하여
@@ -230,10 +230,10 @@ ImageNet에 대해 가중치가 선행학습된 Xception V1 모델.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력에 적용되어
         모델의 출력값은 2D 텐서임을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -285,10 +285,10 @@ ImageNet에 대해 가중치가 선행학습된 VGG16 모델
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -329,7 +329,7 @@ ImageNet에 대해 가중치가 선행학습된 VGG19 모델.
 
 - include_top: 네트워크의 최상단에 3개의 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
     (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
@@ -340,10 +340,10 @@ ImageNet에 대해 가중치가 선행학습된 VGG19 모델.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -393,7 +393,7 @@ ImageNet에 대해 가중치가 선행학습된 ResNet 모델, ResNetV2 모델,
 
 - include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
     (그렇지 않다면 입력 형태가 `(224, 224, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
@@ -404,10 +404,10 @@ ImageNet에 대해 가중치가 선행학습된 ResNet 모델, ResNetV2 모델,
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -454,7 +454,7 @@ ImageNet에 대해 가중치가 선행학습된 Inception V3.
 
 - include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
     (그렇지 않다면 입력 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
@@ -465,10 +465,10 @@ ImageNet에 대해 가중치가 선행학습된 Inception V3.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -509,7 +509,7 @@ ImageNet에 대해 가중치가 선행학습된 Inception-ResNet V2 모델.
 
 - include_top: 네트워크의 최상단에 완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은 `'imagenet'` (ImageNet에 대한 선행 학습) 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서 (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
     (그렇지 않다면 입력 형태가 `(299, 299, 3)`이고 `'channels_last'` 데이터 포맷을 취하거나
@@ -520,10 +520,10 @@ ImageNet에 대해 가중치가 선행학습된 Inception-ResNet V2 모델.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -575,23 +575,23 @@ ImageNet에 대해 가중치가 선행학습된 MobileNet 모델.
         필터 숫자를 증가시킵니다.
     - `alpha` = 1 인 경우, 각 층의 필터의 수가
         참고 논문에 따른 기본값으로 정해집니다.
-- depth_multiplier: 깊이별 컨볼루션의 깊이 승수
+- depth_multiplier: 깊이별 합성곱의 깊이 승수
     (해상도 승수라고도 합니다)
 - dropout: 드롭아웃 속도
 - include_top: 네트워크의 최상단에
     완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은
     `'imagenet'` (ImageNet에 대한 선행 학습)
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는
     선택적 케라스 텐서
     (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
@@ -638,7 +638,7 @@ ImageNet에 대해 가중치가 선행학습된 DenseNet.
 - weights: `None` (임의의 초기값 설정),
     `'imagenet'` (ImageNet에 대한 선행 학습), 혹은
     가중치 파일을 불러올 경로 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는 선택적 케라스 텐서
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는 선택적 케라스 텐서
     (다시말해, `layers.Input()`의 출력값).
 - input_shape: 선택적 형태 튜플로,
     `include_top`이 `False`일 경우만 특정하십시오.
@@ -650,10 +650,10 @@ ImageNet에 대해 가중치가 선행학습된 DenseNet.
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 2D 텐서가 됨을 의미합니다.
     - `'max'`는 전역 최대값 풀링이
@@ -696,8 +696,8 @@ NASNetMobile 모델은 224x224 입니다.
     (그렇지 않다면 NASNetMobile의 경우 입력 형태가 `(224, 224, 3)`이고 
     `'channels_last'` 데이터 포맷을 취하거나 혹은 태가 `(3, 224, 224)`이고 
     `'channels_first'` 데이터 포맷을 취해야 하며, NASNetLarge의 경우  
-    인풋이 `(331, 331, 3)`에 `'channels_last'` 데이터 포맷, 
-    혹은 인풋이 `(3, 331, 331)`에 `'channels_first'` 데이터 포맷이어야 합니다).
+    입력이 `(331, 331, 3)`에 `'channels_last'` 데이터 포맷, 
+    혹은 입력이 `(3, 331, 331)`에 `'channels_first'` 데이터 포맷이어야 합니다).
     입력 채널이 정확히 3개여야 하며
     넓이와 높이가 32 미만이어서는 안됩니다.
     예시. `(200, 200, 3)`은 유효한 값입니다.
@@ -705,16 +705,16 @@ NASNetMobile 모델은 224x224 입니다.
     완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정) 혹은
     `'imagenet'` (ImageNet에 대한 선행 학습)
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는
     선택적 케라스 텐서
     (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
@@ -754,7 +754,7 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
 ### 인자
 
 - input_shape: 선택적 형태 튜플로,
-    (224, 224, 3)이 아닌 인풋 이미지 해상도를 사용할 경우에만
+    (224, 224, 3)이 아닌 입력 이미지 해상도를 사용할 경우에만
     특정하십시오.
     입력 채널이 정확히 3개(224, 224, 3)이어야 합니다.
     input_tensor에서 input_shape을 추론하고 싶다면
@@ -771,23 +771,23 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
         필터 숫자를 증가시킵니다.
     - `alpha` = 1 인 경우, 각 층의 필터의 수가
         참고 논문에 따른 기본값으로 정해집니다.
-- depth_multiplier: 깊이별 컨볼루션의 깊이 승수
+- depth_multiplier: 깊이별 합성곱의 깊이 승수
     (해상도 승수라고도 합니다)
 - include_top: 네트워크의 최상단에
     완전연결층을 넣을지 여부.
 - weights: `None` (임의의 초기값 설정),
     `'imagenet'` (ImageNet에 대한 선행 학습), 혹은
     가중치 파일을 불러올 경로 중 하나.
-- input_tensor: 모델의 이미지 인풋으로 사용할 수 있는
+- input_tensor: 모델의 이미지 입력으로 사용할 수 있는
     선택적 케라스 텐서
     (다시말해, `layers.Input()`의 출력값).
 - pooling: 특성추출을 위한 선택적 풀링 모드로,
     `include_top`이 `False`일 경우 유효합니다.
     - `None`은 모델의 출력값이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         4D 텐서 출력임을 의미합니다.
     - `'avg'`는 전역 평균값 풀링이
-        마지막 컨볼루션 층의
+        마지막 합성곱 층의
         출력값에 적용되어
         모델의 출력값이 
         2D 텐서가 됨을 의미합니다.
@@ -804,7 +804,7 @@ ImageNet에 대해 가중치가 선행학습된 MobileNetV2 model.
 ### 오류처리
 
 ValueError: `weights`에 유효하지 않은 인자를 넣은 경우,
-    혹은 weights='imagenet'일 때 유효하지 않은 형태의 인풋이나 유효하지 않은 depth_multiplier, alpha, rows를 넣은 경우
+    혹은 weights='imagenet'일 때 유효하지 않은 형태의 입력이나 유효하지 않은 depth_multiplier, alpha, rows를 넣은 경우
 
 ### 참고
 

From 1e31948f7865d72df2018e215068e3068ec097e3 Mon Sep 17 00:00:00 2001
From: fliklab <fliklab@users.noreply.github.com>
Date: Thu, 17 Oct 2019 20:45:03 +0900
Subject: [PATCH 3/3] Update applications.md

---
 sources/applications.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/sources/applications.md b/sources/applications.md
index 40a9f79e..0d6ef07a 100644
--- a/sources/applications.md
+++ b/sources/applications.md
@@ -20,7 +20,7 @@
 - [DenseNet](#densenet)
 - [NASNet](#nasnet)
 
-위의 아키텍쳐 전부는 모든 백엔드(TensorFlow, Theano, and CNTK)와 호환가능하고, 인스턴스화 시 `~/.keras/keras.json`의 케라스 구성에 세팅된 이미지 데이터 포멧에 따라 모델이 만들어집니다. 예를 들어, 만약 `image_data_format=channels_last`로 세팅이 되어있다면, 이 리포지토리에서 불러온 모든 모델은 "Height-Width-Depth"의 Tensorflow 데이터 포맷 형식에 따라서 만들어집니다.
+위의 아키텍쳐 전부는 모든 백엔드(TensorFlow, Theano, and CNTK)와 호환가능하고, 인스턴스화 시 `~/.keras/keras.json`의 케라스 구성에 세팅된 이미지 데이터 포멧에 따라 모델이 만들어집니다. 예를 들어, 만약 `image_data_format=channels_last`로 세팅이 되어있다면, 이 저장소에서 불러온 모든 모델은 "Height-Width-Depth"의 Tensorflow 데이터 포맷 형식에 따라서 만들어집니다.
 
 참고로:
 - `Keras < 2.2.0`의 경우, Xception 모델은 `SeparableConvolution` 층을 이용하기 때문에 TensorFlow로만 사용가능합니다.