Merge pull request #128 from insurgent92/issue_40

#40 : Translate 5.4 - paragraph 1 / 17
KerasKorea · Oct 5, 2018 · ba0b356 · ba0b356
2 parents 7844ce4 + eb9e0f1
commit ba0b356
Showing 1 changed file with 32 additions and 23 deletions.
diff --git a/40_Keras와 Jupyter Notebook으로 시작하는 딥러닝/5.4-CNN 시각화해보기.ipynb b/40_Keras와 Jupyter Notebook으로 시작하는 딥러닝/5.4-CNN 시각화해보기.ipynb
@@ -2,23 +2,16 @@
  "cells": [
   {
    "cell_type": "code",
-   "execution_count": 1,
+   "execution_count": 2,
    "metadata": {},
    "outputs": [
-    {
-     "name": "stderr",
-     "output_type": "stream",
-     "text": [
-      "Using TensorFlow backend.\n"
-     ]
-    },
     {
      "data": {
       "text/plain": [
-       "'2.0.8'"
+       "'2.2.2'"
       ]
      },
-     "execution_count": 1,
+     "execution_count": 2,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -39,12 +32,36 @@
     "\n",
     "----\n",
     "\n",
-    "It is often said that deep learning models are \"black boxes\", learning representations that are difficult to extract and present in a \n",
-    "human-readable form. While this is partially true for certain types of deep learning models, it is definitely not true for convnets. The \n",
-    "representations learned by convnets are highly amenable to visualization, in large part because they are _representations of visual \n",
-    "concepts_. Since 2013, a wide array of techniques have been developed for visualizing and interpreting these representations. We won't \n",
-    "survey all of them, but we will cover three of the most accessible and useful ones:\n",
+    "It is often said that deep learning models are \"black boxes\", learning representations that are difficult to extract and present in a human-readable form. \n",
+    "\n",
+    "While this is partially true for certain types of deep learning models, it is definitely not true for convnets. \n",
+    "\n",
+    "The representations learned by convnets are highly amenable to visualization, in large part because they are _representations of visual concepts_. \n",
+    "\n",
+    "Since 2013, a wide array of techniques have been developed for visualizing and interpreting these representations. \n",
+    "\n",
+    "We won't survey all of them, but we will cover three of the most accessible and useful ones:"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# Paragraph 1\n",
+    "# 컨볼루션이 무엇을 학습하고 있는지 시각화해보기 \n",
+    "이 Notebook은 [Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python?a_aid=keras&a_bid=76564dff)의 5장 4절에 나오는 예제 코드가 포함되어 있습니다.\n",
+    "원본 텍스트(Deep Learning with Python)에 훨씬 더 많은 자료, 특히 추가 설명과 그림들이 포함되어 있습니다.\n",
+    "여기에서는 예제 코드와 코드에 관련된 설명만 제공됩니다.\n",
+    "\n",
+    "----\n",
     "\n",
+    "딥러닝 모델을 \"black boxex\"라고 부르기도합니다. 딥러닝이 학습한 특징들을 사람이 이해할만한 형태로 표현하기 힘들기 때문입니다. 물론 이 주장에 특정 딥러닝 모델에서는 어느정도 사실일수도 있지만, 컨볼루션 네트워크의 경우에는 이야기가 달라집니다. 컨볼루션 네트워크로 학습시킨 특징들은 아주 많은 부분에서 시각화 하기 아주 유용합니다. 컨볼루션 네트워크 자체가 _시각적인 특징들_ 을 학습하기 때문입니다.  2013년부터 컨볼루션 네트워크의 특징들을 잘 시각화하고 해석하고자 하는 기술들이 많이 개발되어 왔습니다. 지금 시간에 모든 기술들을 살펴볼 수는 없겠지만 가장 접근하기 쉽고 유용한 세 가지 기법만 한번 다뤄보도록 하겠습니다. "
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
     "# Paragraph 2\n",
     "* Visualizing intermediate convnet outputs (\"intermediate activations\"). This is useful to understand how successive convnet layers \n",
     "transform their input, and to get a first idea of the meaning of individual convnet filters.\n",
@@ -57,14 +74,6 @@
     "classification problem two sections ago. For the next two methods, we will use the VGG16 model that we introduced in the previous section."
    ]
   },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "# Paragraph 1\n",
-    "To do"
-   ]
-  },
   {
    "cell_type": "markdown",
    "metadata": {},