Update from 4e28c14

Edit a typing error

site/ko/tutorials/eager/automatic_differentiation.ipynb

@@ -71,7 +71,7 @@
     "id": "vDJ4XzMqodTy"
    },
    "source": [
-    "이전 튜토리얼에서 우리는 Tensor와 Tensor의 연산들에 대해서 알아보았습니다. 이번 튜토리얼에서는 머신러닝 모델을 최적화할 수 있는 주요 기술 중 하나인 [자동미분(automatic differentiation)](https://en.wikipedia.org/wiki/Automatic_differentiation)에 대해 알아보겠습니다."
+    "이전 튜토리얼에서 우리는 텐서(tensor)와 텐서의 연산들에 대해서 알아보았습니다. 이번 튜토리얼에서는 머신러닝 모델을 최적화할 수 있는 주요 기술 중 하나인 [자동미분(automatic differentiation)](https://en.wikipedia.org/wiki/Automatic_differentiation)에 대해 알아보겠습니다."
    ]
   },
   {
@@ -286,7 +286,7 @@
    "source": [
     "## 다음 단계\n",
     "\n",
-    "이번 튜토리얼에서는 텐서플로에서 그래디언트 계산법을 배웠습니다. 이를 통해 우리는 신경망을 구축하고 훈련시키는 데 필요한 기본 요소를 충분히 확보할 수 있습니다."
+    "이번 튜토리얼에서는 텐서플로에서 그래디언트 계산법을 배웠습니다. 이를 통해 우리는 신경망(neural network)을 구축하고 훈련시키는 데 필요한 기본 요소를 충분히 확보할 수 있습니다."
    ]
   }
  ],
@@ -314,7 +314,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.1"
+   "version": "3.6.7"
   }
  },
  "nbformat": 4,

site/ko/tutorials/eager/custom_layers.ipynb

@@ -100,7 +100,7 @@
     "\n",
     "머신러닝을 위한 코드를 작성하는 대부분의 시간에 우리는, 개별적인 연산과 변수를 조작하는 것보다는 고수준의 추상화 수준에서 작업하기를 원합니다.\n",
     "\n",
-    "많은 머신러닝 모델은 비교적 단순한 layer의 구성과 적층(stacking)으로 표현가능합니다. 또한 텐서플로는 여러 표준 레이어 세트를 제공하므로 사용자 고유의 응용 프로그램에 관련된 레이어를 처음부터 작성하거나, 기존 레이어의 구성으로 쉽게 작성할 수 있습니다.\n",
+    "많은 머신러닝 모델은 비교적 단순한 layer의 구성과 적층(stacking)으로 표현가능합니다. 또한 텐서플로는 여러 표준 layer 세트를 제공하므로 사용자 고유의 응용 프로그램에 관련된 layer를 처음부터 작성하거나, 기존 layer의 구성으로 쉽게 작성할 수 있습니다.\n",
     "\n",
     "텐서플로는 [Keras](https://keras.io) API 의 풀패키지를 tf.keras package에 포함하고 있습니다. Keras layer는 모델을 구축하는데 매우 유용합니다."
    ]
@@ -349,7 +349,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.1"
+   "version": "3.6.7"
   }
  },
  "nbformat": 4,

site/ko/tutorials/eager/custom_training.ipynb

@@ -73,7 +73,7 @@
    "source": [
     "이전 튜토리얼에서 우리는 머신러닝을 위한 기초 빌딩 블록인 자동미분(automatic differentiation)을 위한 텐서플로 API들을 알아보았습니다. 이번 튜토리얼에서는 이전 튜토리얼에서 소개되었던 초기 타입의 텐서플로를 사용하여 간단한 머신러닝을 구축해보겠습니다. \n",
     "\n",
-    "텐서플로는 상용구를 줄이기 위해 유용한 추상화를 제공하는 고수준 신경망 API인 (`tf.keras`)를 포함하고 있습니다. 신경망에 관련하여 일을 하고 있는 사람들에게는 이러한 고수준의 API들을 강하게 추천합니다. 그러나 이번 짧은 튜토리얼에서는 탄탄한 기초를 기르기 위한 신경망 학습을 다루겠습니다. "
+    "텐서플로는 상용구를 줄이기 위해 유용한 추상화를 제공하는 고수준 신경망(neural network) API인 `tf.keras`를 포함하고 있습니다. 신경망에 관련하여 일을 하고 있는 사람들에게는 이러한 고수준의 API들을 강하게 추천합니다. 그러나 이번 짧은 튜토리얼에서는 탄탄한 기초를 기르기 위한 신경망 학습을 다루겠습니다. "
    ]
   },
   {
@@ -119,7 +119,7 @@
    "source": [
     "## 변수\n",
     "\n",
-    "텐서플로 안에서 텐서(Tensor)는 상태가 없고, 변경이 불가능한(immutable stateless) 객체입니다. 그러나 머신러닝은 상태가 변경될 필요가 있습니다(stateful). 예를 들어, 모델 학습에서 예측을 계산하기 위한 동일한 코드는 시간이 지남에 따라 다른 양상(희망적으로, 더 낮은 손실로 가는 방향으로)을 보여야 합니다. 이 계산 과정을 통해 변화되어야 하는 상태를 표현하기 위해 상태가 변경 가능한 파이썬 언어에 의존한 선택이 가능합니다. "
+    "텐서플로 안에서 텐서(Tensor)는 상태가 없고, 변경이 불가능한(immutable stateless) 객체입니다. 그러나 머신러닝은 상태가 변경될(stateful) 필요가 있습니다. 예를 들어, 모델 학습에서 예측을 계산하기 위한 동일한 코드는 시간이 지남에 따라 다른 양상(희망적으로, 더 낮은 손실로 가는 방향으로)을 보여야 합니다. 이 계산 과정을 통해 변화되어야 하는 상태를 표현하기 위해 상태가 변경 가능한 파이썬 언어에 의존한 선택이 가능합니다. "
    ]
   },
   {
@@ -167,7 +167,7 @@
     "v.assign(3.0)\n",
     "assert v.numpy() == 3.0\n",
     "\n",
-    "# 텐서플로 연산자 내에서 `v` 사용 \n",
+    "# 텐서플로 연산내에서 `v` 사용 \n",
     "v.assign(tf.square(v))\n",
     "assert v.numpy() == 9.0"
    ]
@@ -181,7 +181,7 @@
    "source": [
     "변수들을 사용한 계산은 그래디언트가 계산될 때 자동적으로 추적됩니다. 임베딩(embedding)을 나타내는 변수의 경우 초기값으로부터 드물게 업데이트됩니다. 이는 계산과 메모리에 있어 더욱 효율적입니다. \n",
     "\n",
-    "또한 변수를 사용하는 것은 코드를 읽는 과정에서 변경 가능한 상태(state mutable)의 조각을 빠르게 인식하는 방법입니다."
+    "또한 변수를 사용하는 것은 코드를 읽는 과정에서 상태가 변경 가능한 상태(state mutable)의 조각을 빠르게 인식하는 방법입니다."
    ]
   },
   {
@@ -341,7 +341,7 @@
     "plt.scatter(inputs, model(inputs), c='r')\n",
     "plt.show()\n",
     "\n",
-    "print('Current loss: '),\n",
+    "print('현재 손실: '),\n",
     "print(loss(model(inputs), outputs).numpy())"
    ]
   },
@@ -406,7 +406,7 @@
     "  current_loss = loss(model(inputs), outputs)\n",
     "\n",
     "  train(model, inputs, outputs, learning_rate=0.1)\n",
-    "  print('Epoch %2d: W=%1.2f b=%1.2f, loss=%2.5f' %\n",
+    "  print('에포크 %2d: W=%1.2f b=%1.2f, 손실=%2.5f' %\n",
     "        (epoch, Ws[-1], bs[-1], current_loss))\n",
     "\n",
     "# Let's plot it all\n",
@@ -458,7 +458,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.1"
+   "version": "3.6.7"
   }
  },
  "nbformat": 4,

site/ko/tutorials/eager/eager_basics.ipynb

@@ -93,7 +93,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 2,
    "metadata": {
     "cellView": "code",
     "colab": {},
@@ -116,7 +116,7 @@
    "source": [
     "## 텐서\n",
     "\n",
-    "텐서는 다차원 배열입니다. 넘파이(NumPy) `ndarray` 객체와 비슷하며, `Tensor` 객체는 데이터 타입과 형태를 가지고 있습니다. 또한 텐서는 GPU 같은 가속기내에 상주할 수 있습니다. 텐서플로는 텐서를 생성하고 계산하는 풍부한 연산 라이브러리를 제공합니다. ([tf.add](https://www.tensorflow.org/api_docs/python/tf/add), [tf.matmul](https://www.tensorflow.org/api_docs/python/tf/matmul), [tf.linalg.inv](https://www.tensorflow.org/api_docs/python/tf/linalg/inv) etc.). 이러한 연산자들은 자동적으로 순수 파이썬 타입을 전환합니다. 예를 들어:\n"
+    "텐서는 다차원 배열입니다. 넘파이(NumPy) `ndarray` 객체와 비슷하며, `Tensor` 객체는 데이터 타입과 형태를 가지고 있습니다. 또한 텐서는 GPU 같은 가속기내에 상주할 수 있습니다. 텐서플로는 텐서를 생성하고 계산하는 풍부한 연산 라이브러리([tf.add](https://www.tensorflow.org/api_docs/python/tf/add), [tf.matmul](https://www.tensorflow.org/api_docs/python/tf/matmul), [tf.linalg.inv](https://www.tensorflow.org/api_docs/python/tf/linalg/inv) etc.)를 제공합니다. 이러한 연산자들은 자동적으로 순수 파이썬 타입을 전환합니다. 예를 들어:\n"
    ]
   },
   {
@@ -136,7 +136,7 @@
     "print(tf.reduce_sum([1, 2, 3]))\n",
     "print(tf.encode_base64(\"hello world\"))\n",
     "\n",
-    "# Operator overloading is also supported\n",
+    "# 연산자의 오버로딩 또한 지원합니다.\n",
     "print(tf.square(2) + tf.square(3))"
    ]
   },
@@ -172,7 +172,7 @@
     "id": "eBPw8e8vrsom"
    },
    "source": [
-    "넘파이 `ndarray`와 `Tensor`의 가장 확실한 차이는 다음과 같습니다:\n",
+    "넘파이 `ndarray`와 텐서플로 `Tensor`의 가장 확연한 차이는 다음과 같습니다:\n",
     "\n",
     "1. `Tensor`는 가속기 메모리(GPU, TPU와 같은)의 사용이 가능합니다.\n",
     "2. `Tensor`는 불변성(immutable)을 가집니다."
@@ -189,8 +189,8 @@
     "\n",
     "`Tensor`와 `ndarray`사이의 전환은 다소 간단합니다.\n",
     "\n",
-    "* 텐서플로 연산는 자동적으로 넘파이 ndarray를 Tensor로 전환합니다.\n",
-    "* 넘파이 연산는 자동적으로 텐서플로 Tensor를 넘파이 ndarray로 전환합니다.\n",
+    "* 텐서플로 연산은 자동적으로 넘파이 ndarray를 Tensor로 전환합니다.\n",
+    "* 넘파이 연산은 자동적으로 텐서플로 Tensor를 넘파이 ndarray로 전환합니다.\n",
     "\n",
     "Tensor는 `.numpy()` 메서드(method)를 호출하여 넘파이 ndarray로 전환할 수 있습니다.\n",
     "가능한 경우, Tensor와 ndarray은 메모리 표현을 공유하기 때문에 이러한 전환은 일반적으로 간단(저렴)합니다. 그러나 Tensor는 GPU 메모리에 저장될 수 있고, 넘파이 ndarray은 항상 호스트 메모리에 백업이 되므로, 이러한 전환이 항상 가능한 것은 아닙니다. 따라서 GPU에서 호스트 메모리로의 복사가 포함됩니다."
@@ -210,15 +210,15 @@
     "\n",
     "ndarray = np.ones([3, 3])\n",
     "\n",
-    "print(\"TensorFlow operations convert numpy arrays to Tensors automatically\")\n",
+    "print(\"텐서플로 연산은 자동적으로 넘파이 배열을 텐서로 전환합니다.\")\n",
     "tensor = tf.multiply(ndarray, 42)\n",
     "print(tensor)\n",
     "\n",
     "\n",
-    "print(\"And NumPy operations convert Tensors to numpy arrays automatically\")\n",
+    "print(\"그리고 넘파이 연산은 자동적으로 텐서를 넘파이 배열로 전환합니다.\")\n",
     "print(np.add(tensor, 1))\n",
     "\n",
-    "print(\"The .numpy() method explicitly converts a Tensor to a numpy array\")\n",
+    "print(\".numpy() 메서드는 텐서를 넘파이 배열로 전환시킵니다.\")\n",
     "print(tensor.numpy())"
    ]
   },
@@ -236,21 +236,32 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 3,
    "metadata": {
     "cellView": "code",
     "colab": {},
     "colab_type": "code",
     "id": "3Twf_Rw-gQFM"
    },
-   "outputs": [],
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "GPU를 사용가능한가 : \n",
+      "False\n",
+      "텐서가 GPU #0에 있는가 :  \n",
+      "False\n"
+     ]
+    }
+   ],
    "source": [
     "x = tf.random_uniform([3, 3])\n",
     "\n",
-    "print(\"Is there a GPU available: \"),\n",
+    "print(\"GPU 사용이 가능한가 : \"),\n",
     "print(tf.test.is_gpu_available())\n",
     "\n",
-    "print(\"Is the Tensor on GPU #0:  \"),\n",
+    "print(\"텐서가 GPU #0에 있는가 :  \"),\n",
     "print(x.device.endswith('GPU:0'))"
    ]
   },
@@ -263,7 +274,7 @@
    "source": [
     "### 장치 이름\n",
     "\n",
-    "`Tensor.device`는 Tensor를 구성하고 있는 호스트 장치의 풀네임을 제공합니다. 이러한 이름은 프로그램이 실행중인 호스트의 네트워크 주소 및 해당 호스트 내의 장치와 같은 많은 세부 정보를 인코딩하며, 이것은 텐서플로 프로그램의 분산 실행에 필요합니다. Tensor가 호스트의 `N`번째 GPU에 놓여지면 문자열은 `GPU:<N>` 끝납니다."
+    "`Tensor.device`는 Tensor를 구성하고 있는 호스트 장치의 풀네임을 제공합니다. 이러한 이름은 프로그램이 실행중인 호스트의 네트워크 주소 및 해당 호스트 내의 장치와 같은 많은 세부 정보를 인코딩하며, 이것은 텐서플로 프로그램의 분산 실행에 필요합니다. Tensor가 호스트의 `N`번째 GPU에 놓여지면 문자열은 `GPU:<N>`으로 끝납니다."
    ]
   },
   {
@@ -333,7 +344,7 @@
     "\n",
     "만약 텐서플로 그래프에 익숙하다면, `Dataset` 객체를 생성하기 위한 API는 즉시실행이 활성화 되어도 동일하게 유지됩니다. 하지만 그러나 데이터셋의 요소를 반복하는 프로세스는 약간 더 간단합니다.\n",
     "또한 `tf.data.Dataset` 객체를 통하여 파이썬 반복문을 사용할 수 있으며, 명시적으로 `tf.data.Iterator` 객체를 생성할 필요가 없습니다.\n",
-    "그 결과, [TensorFlow Guide](https://www.tensorflow.org/guide/datasets)의 반복자(iterator)에 관한 논의는 즉시실행이 활성화될 때에는 관계없습니다. "
+    "그 결과, [텐서플로 가이드](https://www.tensorflow.org/guide/datasets)의 반복자(iterator)에 관한 논의는 즉시실행이 활성화될 때에는 관계없습니다. "
    ]
   },
   {
@@ -343,9 +354,9 @@
     "id": "zI0fmOynH-Ne"
    },
    "source": [
-    "### `Dataset`소스 생성\n",
+    "### `Dataset` 소스 생성\n",
     "\n",
-    "굉장히 유용한 함수중 하나인 [`Dataset.from_tensors`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#from_tensors), [`Dataset.from_tensor_slices`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#from_tensor_slices)를 사용하여 데이터셋 소스를 생성하거나  or 파일로부터 읽어들이는 객체인 [`TextLineDataset`](https://www.tensorflow.org/api_docs/python/tf/data/TextLineDataset) 또는 [`TFRecordDataset`](https://www.tensorflow.org/api_docs/python/tf/data/TFRecordDataset)를 사용하여 데이터셋 소스를 생성하세요. 더 많은 정보는 [TensorFlow Guide](https://www.tensorflow.org/guide/datasets#reading_input_data) 를 참조하세요."
+    "굉장히 유용한 함수중 하나인 [`Dataset.from_tensors`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#from_tensors), [`Dataset.from_tensor_slices`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#from_tensor_slices)를 사용하여 데이터셋  소스를 생성하거나 파일로부터 읽어들이는 객체인 [`TextLineDataset`](https://www.tensorflow.org/api_docs/python/tf/data/TextLineDataset) 또는 [`TFRecordDataset`](https://www.tensorflow.org/api_docs/python/tf/data/TFRecordDataset)를 사용하여 데이터셋 소스를 생성하세요. 더 많은 정보를 위해서 [텐서플로 가이드](https://www.tensorflow.org/guide/datasets#reading_input_data)를 참조하세요."
    ]
   },
   {
@@ -360,7 +371,7 @@
    "source": [
     "ds_tensors = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])\n",
     "\n",
-    "# Create a CSV file\n",
+    "# CSV 파일 생성\n",
     "import tempfile\n",
     "_, filename = tempfile.mkstemp()\n",
     "\n",
@@ -382,7 +393,7 @@
    "source": [
     "### 변환 적용\n",
     "\n",
-    "[`map`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#map), [`batch`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#batch), [`shuffle`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#shuffle)와 같은 변환 함수를 사용하세요. 또한 데이터셋의 레코드에 변환을 적용하세요. 세부사항은 [API documentation for `tf.data.Dataset`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset)을 참조하세요."
+    "[`map`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#map), [`batch`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#batch), [`shuffle`](https://www.tensorflow.org/api_docs/python/tf/data/Dataset#shuffle)과 같은 변환 함수를 사용하세요. 또한 데이터셋의 레코드에 변환을 적용하세요. 세부사항은 [`tf.data.Dataset`을 위한 API 문서](https://www.tensorflow.org/api_docs/python/tf/data/Dataset)을 참조하세요."
    ]
   },
   {
@@ -422,11 +433,11 @@
    },
    "outputs": [],
    "source": [
-    "print('Elements of ds_tensors:')\n",
+    "print('ds_tensors 요소:')\n",
     "for x in ds_tensors:\n",
     "  print(x)\n",
     "\n",
-    "print('\\nElements in ds_file:')\n",
+    "print('\\nds_file 요소:')\n",
     "for x in ds_file:\n",
     "  print(x)"
    ]
@@ -456,7 +467,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.7.1"
+   "version": "3.6.7"
   }
  },
  "nbformat": 4,

site/ko/tutorials/eager/index.md

@@ -14,8 +14,8 @@
 [eager execution guide](../../guide/eager).
 
 1. [즉시실행(Eager execution)](eager_basics.ipynb)
-2. [Automatic differentiation and gradient tape](automatic_differentiation.ipynb)
-3. [사용자 정의 학습 : 기본(Custom training: basics)](custom_training.ipynb)
+2. [자동미분과 그래디언트 테이프(Automatic differentiation and gradient tape)](automatic_differentiation.ipynb)
+3. [사용자 정의 학습 : 기초(Custom training: basics)](custom_training.ipynb)
 4. [사용자 정의 layer(Custom layers)](custom_layers.ipynb)
 5. [사용자 정의 학습 : walkthrough(Custom training: walkthrough)](custom_training_walkthrough.ipynb)