From ec104809ec6a42557a751d66eaae246008090eca Mon Sep 17 00:00:00 2001
From: Hyung Jin Harry Chung <harry93001@gmail.com>
Date: Fri, 8 Feb 2019 01:57:03 +0900
Subject: [PATCH 1/4] =?UTF-8?q?History=EA=B9=8C=EC=A7=80=20=EB=B2=88?=
 =?UTF-8?q?=EC=97=AD=20=EC=B4=88=EC=95=88?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

accuracy, validation을 원문 그대로 두었습니다.
---
 sources/callbacks.md | 81 ++++++++++++++++++++++----------------------
 1 file changed, 40 insertions(+), 41 deletions(-)

diff --git a/sources/callbacks.md b/sources/callbacks.md
index e922538e..43b42fd5 100644
--- a/sources/callbacks.md
+++ b/sources/callbacks.md
@@ -1,6 +1,6 @@
-## Usage of callbacks
+## callbacks의 용도
 
-A callback is a set of functions to be applied at given stages of the training procedure. You can use callbacks to get a view on internal states and statistics of the model during training. You can pass a list of callbacks (as the keyword argument `callbacks`) to the `.fit()` method of the `Sequential` or `Model` classes. The relevant methods of the callbacks will then be called at each stage of the training. 
+callback은 주어진 학습 단계에서 적용될 수 있는 함수들의 집합입니다. 여러분은 모델의 훈련 도중 모델 내의 상태와 통계를 보기 위해 callbacks를 이용할 수 있습니다. callbacks의 리스트(키워드 인수 'callbacks'로)를 'Sequential' 또는 'Model' 클래스의 '.fit()' 메소드에 전달할 수 있습니다. 주어진 callbacks의 메소드는 훈련의 각 단계별로 호출될 것입니다.
 
 ---
 
@@ -11,31 +11,31 @@ A callback is a set of functions to be applied at given stages of the training p
 keras.callbacks.Callback()
 ```
 
-Abstract base class used to build new callbacks.
+새로운 callbacks를 빌드하는데 사용되는 추상화 기초 클래스(abstract base class)입니다.
 
 __Properties__
 
-- __params__: dict. Training parameters
-    (eg. verbosity, batch size, number of epochs...).
-- __model__: instance of `keras.models.Model`.
-    Reference of the model being trained.
+- __params__: 딕셔너리. 훈련 매개변수
+    (eg. 자세한 정도, 배치 크기, 에포크 수 등...).
+- __model__: 'keras.models.Model'의 인스턴스.
+    훈련되고 있는 모델의 기준
 
-The `logs` dictionary that callback methods
-take as argument will contain keys for quantities relevant to
-the current batch or epoch.
+callbacks의 메소드들이 인수로 받아들이는 'logs' 딕셔너리는 
+현재 배치, 또는 에포크에 해당하는 키 값들을 갖고 있습니다.
 
-Currently, the `.fit()` method of the `Sequential` model class
-will include the following quantities in the `logs` that
-it passes to its callbacks:
+지금은 'Sequential' 모델 클래스의 '.fit()' 메소드가 'logs'
+에 다음과 같은 값들을 포함하고 있을것이며, 이 값들을 callbacks
+에 넘깁니다.:
 
-on_epoch_end: logs include `acc` and `loss`, and
-optionally include `val_loss`
-(if validation is enabled in `fit`), and `val_acc`
-(if validation and accuracy monitoring are enabled).
-on_batch_begin: logs include `size`,
-the number of samples in the current batch.
-on_batch_end: logs include `loss`, and optionally `acc`
-(if accuracy monitoring is enabled).
+on_epoch_end: 한 에포크가 끝날 때 logs에는 'acc' 와 'loss',
+그리고 선택적으로 'val_loss'(만약 validation이 'fit'에 활성화되어있다면)
+와 'val_acc'(만약 validation과 accuracy 모니터링이 활성화 되어있다면)
+를 포함합니다.
+on_batch_begin: 한 배치의 시작점에 logs는 현재 배치에 들어 있는
+샘플의 수인 'size'를 포함합니다.
+on_batch_end: 한 배치가 끝나는 지점에 logs는 'loss'를 포함하고,
+선택적으로 'acc'(만약 accuracy 모니터링이 활성화 되어있다면)를
+포함합니다.
 
 ----
 
@@ -45,17 +45,16 @@ on_batch_end: logs include `loss`, and optionally `acc`
 ```python
 keras.callbacks.BaseLogger(stateful_metrics=None)
 ```
+측정 단위의 에포크별 평균을 누적시키는 콜백
 
-Callback that accumulates epoch averages of metrics.
-
-This callback is automatically applied to every Keras model.
+이 콜백은 모든 케라스 모델에 자동으로 적용됩니다.
 
 __Arguments__
 
-- __stateful_metrics__: Iterable of string names of metrics that
-    should *not* be averaged over an epoch.
-    Metrics in this list will be logged as-is in `on_epoch_end`.
-    All others will be averaged in `on_epoch_end`.
+- __stateful_metrics__: 에포크 단위별로 평균을 취하지 *말아야* 할
+    반복될 수 있는 측정 단위의 이름(스트링)
+    이 리스트에 해당하는 측정 단위들은 'on_epoch_end' log에 값 그대로
+    포함 되며, 다른 측정 단위들은 'on_epoch_end'에 평균되어 들어갑니다.
     
 ----
 
@@ -66,6 +65,7 @@ __Arguments__
 keras.callbacks.TerminateOnNaN()
 ```
 
+훈련 도중 loss 값이 NaN이 나왔을 때 종결시키는 콜백.
 Callback that terminates training when a NaN loss is encountered.
 
 ----
@@ -77,21 +77,20 @@ Callback that terminates training when a NaN loss is encountered.
 keras.callbacks.ProgbarLogger(count_mode='samples', stateful_metrics=None)
 ```
 
-Callback that prints metrics to stdout.
+stdout 에 측정단위들을 프린트하는 콜백
 
 __Arguments__
 
-- __count_mode__: One of "steps" or "samples".
-    Whether the progress bar should
-    count samples seen or steps (batches) seen.
-- __stateful_metrics__: Iterable of string names of metrics that
-    should *not* be averaged over an epoch.
-    Metrics in this list will be logged as-is.
-    All others will be averaged over time (e.g. loss, etc).
+- __count_mode__: "steps"나 "samples"중 하나.
+    진행 표시줄이 샘플 갯수를 셀 지 배치 단계를 셀 지 정해줍니다.
+- __stateful_metrics__: 에포크 단위별로 평균을 취하지 *말아야* 할
+    반복될 수 있는 측정 단위의 이름(스트링)
+    이 리스트에 해당하는 측정 단위들은 값 그대로
+    포함 되며, 다른 측정 단위들은 평균되어 들어갑니다.(eg. loss, etc..)
 
 __Raises__
 
-- __ValueError__: In case of invalid `count_mode`.
+- __ValueError__: 적절치 않은 'count_mode'가 주어졌을 때.
     
 ----
 
@@ -102,11 +101,11 @@ __Raises__
 keras.callbacks.History()
 ```
 
-Callback that records events into a `History` object.
+'History' 오브젝트에 이벤트를 기록하는 콜백.
 
-This callback is automatically applied to
-every Keras model. The `History` object
-gets returned by the `fit` method of models.
+이 콜백은 모든 케라스 모델에 자동적으로 적용됩니다.
+'History' 오브젝트는 모델의 'fit' 메소드에 의해
+반환됩니다.
 
 ----
 

From cb70563a30df411737d95a4daa2b651091c3c7b3 Mon Sep 17 00:00:00 2001
From: Hyung Jin Harry Chung <harry93001@gmail.com>
Date: Fri, 8 Feb 2019 16:13:46 +0900
Subject: [PATCH 2/4] =?UTF-8?q?RemoteMonitor=EA=B9=8C=EC=A7=80?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 sources/callbacks.md | 102 ++++++++++++++++++++-----------------------
 1 file changed, 47 insertions(+), 55 deletions(-)

diff --git a/sources/callbacks.md b/sources/callbacks.md
index 43b42fd5..a3172a87 100644
--- a/sources/callbacks.md
+++ b/sources/callbacks.md
@@ -1,6 +1,6 @@
 ## callbacks의 용도
 
-callback은 주어진 학습 단계에서 적용될 수 있는 함수들의 집합입니다. 여러분은 모델의 훈련 도중 모델 내의 상태와 통계를 보기 위해 callbacks를 이용할 수 있습니다. callbacks의 리스트(키워드 인수 'callbacks'로)를 'Sequential' 또는 'Model' 클래스의 '.fit()' 메소드에 전달할 수 있습니다. 주어진 callbacks의 메소드는 훈련의 각 단계별로 호출될 것입니다.
+callback은 주어진 학습 단계에서 적용될 수 있는 함수들의 집합입니다. 여러분은 모델의 훈련 도중 모델 내의 상태와 통계를 보기 위해 callbacks를 이용할 수 있습니다. callbacks의 리스트(키워드 인수 `callbacks`로)를 `Sequential` 또는 `Model` 클래스의 `.fit()` 메소드에 전달할 수 있습니다. 주어진 callbacks의 메소드는 훈련의 각 단계별로 호출될 것입니다.
 
 ---
 
@@ -53,8 +53,8 @@ __Arguments__
 
 - __stateful_metrics__: 에포크 단위별로 평균을 취하지 *말아야* 할
     반복될 수 있는 측정 단위의 이름(스트링)
-    이 리스트에 해당하는 측정 단위들은 'on_epoch_end' log에 값 그대로
-    포함 되며, 다른 측정 단위들은 'on_epoch_end'에 평균되어 들어갑니다.
+    이 리스트에 해당하는 측정 단위들은 `on_epoch_end` log에 값 그대로
+    포함 되며, 다른 측정 단위들은 `on_epoch_end`에 평균되어 들어갑니다.
     
 ----
 
@@ -66,7 +66,6 @@ keras.callbacks.TerminateOnNaN()
 ```
 
 훈련 도중 loss 값이 NaN이 나왔을 때 종결시키는 콜백.
-Callback that terminates training when a NaN loss is encountered.
 
 ----
 
@@ -101,10 +100,10 @@ __Raises__
 keras.callbacks.History()
 ```
 
-'History' 오브젝트에 이벤트를 기록하는 콜백.
+`History` 오브젝트에 이벤트를 기록하는 콜백.
 
 이 콜백은 모든 케라스 모델에 자동적으로 적용됩니다.
-'History' 오브젝트는 모델의 'fit' 메소드에 의해
+`History` 오브젝트는 모델의 `fit` 메소드에 의해
 반환됩니다.
 
 ----
@@ -116,36 +115,34 @@ keras.callbacks.History()
 keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)
 ```
 
-Save the model after every epoch.
+모든 에포크 이후에 모델을 저장합니다.
 
-`filepath` can contain named formatting options,
-which will be filled with the values of `epoch` and
-keys in `logs` (passed in `on_epoch_end`).
+`filepath`는 포매팅 옵션으로 경로를 지정할 수 있으며,
+`epoch`의 값들과 `logs`(`on_epoch_end`로부터 전달된)
+값들을 갖고 있게 됩니다.
+
+예를 들어: 만약 `filepath` 가 `weights.{epoch:02d}-{val_loss:.2f}.hdf5`라면,
+모델 체크포인트는 파일명에 에포크의 수와 validation loss를 포함하게 됩니다.
 
-For example: if `filepath` is `weights.{epoch:02d}-{val_loss:.2f}.hdf5`,
-then the model checkpoints will be saved with the epoch number and
-the validation loss in the filename.
 
 __Arguments__
 
-- __filepath__: string, path to save the model file.
-- __monitor__: quantity to monitor.
-- __verbose__: verbosity mode, 0 or 1.
-- __save_best_only__: if `save_best_only=True`,
-    the latest best model according to
-    the quantity monitored will not be overwritten.
-- __mode__: one of {auto, min, max}.
-    If `save_best_only=True`, the decision
-    to overwrite the current save file is made
-    based on either the maximization or the
-    minimization of the monitored quantity. For `val_acc`,
-    this should be `max`, for `val_loss` this should
-    be `min`, etc. In `auto` mode, the direction is
-    automatically inferred from the name of the monitored quantity.
-- __save_weights_only__: if True, then only the model's weights will be
-    saved (`model.save_weights(filepath)`), else the full model
-    is saved (`model.save(filepath)`).
-- __period__: Interval (number of epochs) between checkpoints.
+- __filepath__: 스트링, 모델을 저장하는 경로
+- __monitor__: 모니터하는 값
+- __verbose__: 자세함의 정도를 설정하는 모드, 0 또는 1.
+- __save_best_only__: `save_best_only=True` 라면,
+    측정된 값 기준 가장 좋은 모델 중 마지막 모델이 더
+    새로운 모델에 의해 대체되지 않습니다.
+- __mode__: {auto, min, max}중 하나
+    `save_best_only=True`라면, 현재 저장된 파일을 겹쳐 쓸지에
+    대한 결정이 모니터되는 값의 최대화, 또는 최소화에 의해 결정
+    됩니다. `val_acc`의 경우 `max`가 되어야 하고, `val_loss`의
+    경우 `min`이 되어야 하는 식입니다. `auto` 모드에서는 측정되는
+    값의 이름에 따라 자동으로 이 방향이 결정됩니다.
+- __save_weights_only__: True 라면, 모델의 가중치만 
+    (`model.save_weights(filepath)`)로 저장되고, False 라면 전체
+    모드가 (`model.save(filepath)`)로 저장이 됩니다.
+- __period__: 체크포인트 간극(에포크의 수).
     
 ----
 
@@ -156,32 +153,27 @@ __Arguments__
 keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto', baseline=None, restore_best_weights=False)
 ```
 
-Stop training when a monitored quantity has stopped improving.
+측정되는 수치가 더 이상 개선되지 않을 때 훈련을 멈춥니다.
 
 __Arguments__
 
-- __monitor__: quantity to be monitored.
-- __min_delta__: minimum change in the monitored quantity
-    to qualify as an improvement, i.e. an absolute
-    change of less than min_delta, will count as no
-    improvement.
-- __patience__: number of epochs with no improvement
-    after which training will be stopped.
-- __verbose__: verbosity mode.
-- __mode__: one of {auto, min, max}. In `min` mode,
-    training will stop when the quantity
-    monitored has stopped decreasing; in `max`
-    mode it will stop when the quantity
-    monitored has stopped increasing; in `auto`
-    mode, the direction is automatically inferred
-    from the name of the monitored quantity.
-- __baseline__: Baseline value for the monitored quantity to reach.
-    Training will stop if the model doesn't show improvement
-    over the baseline.
-- __restore_best_weights__: whether to restore model weights from
-    the epoch with the best value of the monitored quantity.
-    If False, the model weights obtained at the last step of
-    training are used.
+- __monitor__: 모니터되는 측정값
+- __min_delta__: 모니터되는 측정값이 개선이라고 판단될 수 있는
+    최소한의 변화, i.e. min_delta의 절댓값보다 작은 값이 바뀔
+    경우, 개선이라고 판단되지 않습니다.
+- __patience__: 값이 더 이상 개선이 되지 않을 때 훈련이 중단
+    되기 전까지의 에포크 수
+- __verbose__: 자세함의 정도를 설정하는 모드.
+- __mode__: {auto, min, max}중 하나. `min` 모드에서는,
+    수치가 더 이상 감소하지 않을 때 훈련이 멈춥니다;
+    `max` 모드에서는, 수치가 더 이상 증가하지 않을 때
+    훈련이 멈춥니다; `auto` 모드에서는, 측정되는 수치의
+    이름에 따라 해당하는 방향이 자동으로 결정됩니다.
+- __baseline__: 모니터되는 값이 가져야 할 기준치.
+    이 기준치 이상 모델이 더 좋아지지 않을 때 훈련은 멈춥니다.
+- __restore_best_weights__: 측정된 수치가 가장 좋았을 때의 모델
+    가중치를 다시 불러올 지를 정해줍니다. False 라면, 훈련의
+    마지막 단계에서 얻은 가중치를 사용합니다.
     
 ----
 
@@ -192,7 +184,7 @@ __Arguments__
 keras.callbacks.RemoteMonitor(root='http://localhost:9000', path='/publish/epoch/end/', field='data', headers=None, send_as_json=False)
 ```
 
-Callback used to stream events to a server.
+서버로 스트리밍 할 때 이용되는 콜백.
 
 Requires the `requests` library.
 Events are sent to `root + '/publish/epoch/end/'` by default. Calls are

From e15285bf9d7aa1b95ef99feea3126632f487aa60 Mon Sep 17 00:00:00 2001
From: Hyung Jin Harry Chung <harry93001@gmail.com>
Date: Fri, 15 Feb 2019 16:15:01 +0900
Subject: [PATCH 3/4] Update callbacks.md
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

tensorboard까지 update
---
 sources/callbacks.md | 42 ++++++++++++++++++++----------------------
 1 file changed, 20 insertions(+), 22 deletions(-)

diff --git a/sources/callbacks.md b/sources/callbacks.md
index a3172a87..2ef0df95 100644
--- a/sources/callbacks.md
+++ b/sources/callbacks.md
@@ -186,23 +186,20 @@ keras.callbacks.RemoteMonitor(root='http://localhost:9000', path='/publish/epoch
 
 서버로 스트리밍 할 때 이용되는 콜백.
 
-Requires the `requests` library.
-Events are sent to `root + '/publish/epoch/end/'` by default. Calls are
-HTTP POST, with a `data` argument which is a
-JSON-encoded dictionary of event data.
-If send_as_json is set to True, the content type of the request will be
-application/json. Otherwise the serialized JSON will be send within a form
+`requests` 라이브러리를 필요로 합니다.
+사건들은 디폴트로 `root + '/publish/epoch/end/'` 로 보내집니다. 콜은 HTTP 포스트
+로 지정되고, `data` 전달인자에 JSON으로 인코딩된 데이터가 들어갑니다. send_as_json이
+True로 설정되면 내용물의 형식이 application/json이 될 것이고, 그렇지 않다면 JSON이
+직렬화되어 전송됩니다.
 
 __Arguments__
 
-- __root__: String; root url of the target server.
-- __path__: String; path relative to `root` to which the events will be sent.
-- __field__: String; JSON field under which the data will be stored.
-    The field is used only if the payload is sent within a form
-    (i.e. send_as_json is set to False).
-- __headers__: Dictionary; optional custom HTTP headers.
-- __send_as_json__: Boolean; whether the request should be send as
-    application/json.
+- __root__: 스트링; 타겟 서버의 루트 url
+- __path__: 스트링; `root` 에 상대적인 경로로, 이벤트가 보내지는 경로
+- __field__: 스트링; 데이터가 저장되는 JSON의 field.
+    정보가 형식에 맞춰 보내질 때(send_as_json이 False일 때)만 field가 이용됩니다.
+- __headers__: 딕셔너리; 선택적인 커스텀 HTTP 헤더.
+- __send_as_json__: 불린 자료형; 데이터가 application/json으로 보내질지의 여부.
     
 ----
 
@@ -213,14 +210,13 @@ __Arguments__
 keras.callbacks.LearningRateScheduler(schedule, verbose=0)
 ```
 
-Learning rate scheduler.
+학습 속도 스케쥴러.
 
 __Arguments__
 
-- __schedule__: a function that takes an epoch index as input
-    (integer, indexed from 0) and current learning rate
-    and returns a new learning rate as output (float).
-- __verbose__: int. 0: quiet, 1: update messages.
+- __schedule__: 입력으로 에포크 인덱스(정수, 인덱스는 0에서 시작)
+    와 학습 속도를 받고 새로운 학습 속도를 출력합니다(부동소수점).
+- __verbose__: 정수. 0: 메세지를 출력하지 않습니다, 1: 메세지를 업데이트 합니다.
     
 ----
 
@@ -231,11 +227,13 @@ __Arguments__
 keras.callbacks.TensorBoard(log_dir='./logs', histogram_freq=0, batch_size=32, write_graph=True, write_grads=False, write_images=False, embeddings_freq=0, embeddings_layer_names=None, embeddings_metadata=None, embeddings_data=None, update_freq='epoch')
 ```
 
-TensorBoard basic visualizations.
+텐서보드의 기본적인 시각화.
 
-[TensorBoard](https://www.tensorflow.org/guide/summaries_and_tensorboard)
-is a visualization tool provided with TensorFlow.
+[텐서보드](https://www.tensorflow.org/guide/summaries_and_tensorboard)
+는 텐서플로우와 함께 제공되는 시각화 도구입니다.
 
+이 콜백은 텐서보드를 위한 로그를 작성하며, 여러분의 훈련과 테스트 척도에 대한
+동적 
 This callback writes a log for TensorBoard, which allows
 you to visualize dynamic graphs of your training and test
 metrics, as well as activation histograms for the different

From 4a483ce01024720239a78040024a52110b75049b Mon Sep 17 00:00:00 2001
From: Hyung Jin Harry Chung <harry93001@gmail.com>
Date: Fri, 15 Feb 2019 16:33:06 +0900
Subject: [PATCH 4/4] =?UTF-8?q?Tensorboard=20=EC=A4=91=EA=B0=84=EA=B9=8C?=
 =?UTF-8?q?=EC=A7=80=20update?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 sources/callbacks.md | 48 +++++++++++++++++++-------------------------
 1 file changed, 21 insertions(+), 27 deletions(-)

diff --git a/sources/callbacks.md b/sources/callbacks.md
index 2ef0df95..03fadeee 100644
--- a/sources/callbacks.md
+++ b/sources/callbacks.md
@@ -232,40 +232,34 @@ keras.callbacks.TensorBoard(log_dir='./logs', histogram_freq=0, batch_size=32, w
 [텐서보드](https://www.tensorflow.org/guide/summaries_and_tensorboard)
 는 텐서플로우와 함께 제공되는 시각화 도구입니다.
 
-이 콜백은 텐서보드를 위한 로그를 작성하며, 여러분의 훈련과 테스트 척도에 대한
-동적 
-This callback writes a log for TensorBoard, which allows
-you to visualize dynamic graphs of your training and test
-metrics, as well as activation histograms for the different
-layers in your model.
-
-If you have installed TensorFlow with pip, you should be able
-to launch TensorBoard from the command line:
+이 콜백은 텐서보드를 위한 로그를 작성하며, 여러분의 훈련과 테스트 척도에 대한 동적 그래프,
+활성화 함수에 대한 히스토그램, 그리고 여러분의 모델에 대한 서로 다른 레이어를 시각화할
+수 있게 합니다.
+
+만약 여러분이 텐서플로우를 pip을 이용해 설치했다면, 다음 커맨드로 텐서보드를 론칭할 수 있습니다.
+커맨드 라인으로 텐서보드 론칭하기:
 ```sh
 tensorboard --logdir=/full_path_to_your_logs
 ```
 
-When using a backend other than TensorFlow, TensorBoard will still work
-(if you have TensorFlow installed), but the only feature available will
-be the display of the losses and metrics plots.
+텐서플로우가 아닌 다른 백엔드를 이용하고 있더라도 텐서보드는 동작합니다(텐서플로우가
+설치되어있다는 전제 하에). 그러나 시각화가 가능한 특성들은 손실 함수와 측정 척도에 대한
+플롯 뿐입니다.
 
 __Arguments__
 
-- __log_dir__: the path of the directory where to save the log
-    files to be parsed by TensorBoard.
-- __histogram_freq__: frequency (in epochs) at which to compute activation
-    and weight histograms for the layers of the model. If set to 0,
-    histograms won't be computed. Validation data (or split) must be
-    specified for histogram visualizations.
-- __write_graph__: whether to visualize the graph in TensorBoard.
-    The log file can become quite large when
-    write_graph is set to True.
-- __write_grads__: whether to visualize gradient histograms in TensorBoard.
-    `histogram_freq` must be greater than 0.
-- __batch_size__: size of batch of inputs to feed to the network
-    for histograms computation.
-- __write_images__: whether to write model weights to visualize as
-    image in TensorBoard.
+- __log_dir__: 로그 파일이 저장되는 디렉토리로, 텐서보드를 통해 분석되는
+    파일이 저장됩니다.
+- __histogram_freq__: 모델의 레이어에 대한 활성화 정도와 가중치 정도를 
+    계산하는 빈도(에포크 단위). 만약 0으로 설정 되면, 히스토그램은 계산되지 않을 것입니다.
+    검증 데이터(혹은 split)는 히스토그램 시각화를 위해 특정되어야 합니다.
+- __write_graph__: 텐서보드를 이용해 그래프를 시각화할지에 대한 여부.
+    write_graph가 True로 설정될 경우 로그 파일의 크기가 꽤 커질 수 있습니다.
+- __write_grads__: 텐서보드를 이용해 경사도를 시각화할지에 대한 여부.
+    `histogram_freq`는 0보다 커야 합니다.
+- __batch_size__: 히스토그램을 계산하기 위해
+    네트워크에 입력으로 집어 넣는 입력 배치의 크기.
+- __write_images__: 모델 가중치를 텐서보드에서 이미지로 저장할지에 대한 여부.
 - __embeddings_freq__: frequency (in epochs) at which selected embedding
     layers will be saved. If set to 0, embeddings won't be computed.
     Data to be visualized in TensorBoard's Embedding tab must be passed