diff --git a/sources/layers/wrappers.md b/sources/layers/wrappers.md
index 64893e73..4fe406c2 100644
--- a/sources/layers/wrappers.md
+++ b/sources/layers/wrappers.md
@@ -1,43 +1,40 @@
-<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/layers/wrappers.py#L114)</span>
+<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/layers/wrappers.py#L116)</span>
 ### TimeDistributed
 
 ```python
 keras.layers.TimeDistributed(layer)
 ```
 
-이 래퍼는 인풋의 모든 시간적 조각에 대해 레이어를 적용합니다.
+이 래퍼는 입력값의 모든 시계열 단위에 층<sub>layer</sub>을 적용합니다. 
 
-인풋은 적어도 3D 이상이어야 하며, 그 중 색인 1의 차원은
-시간 차원으로 인식합니다.
+입력값은 최소 3D의 형태를 가져야 하며, 그 중 index 1(두번째 원소)은 시간 차원을 나타냅니다.
 
-32개 샘플로 구성된 배치에서,
-각 샘플은 10개의 16차원 벡터로 이루어진 시퀀스라고 가정합니다.
-그렇다면 레이어의 배치 인풋 형태는 `(32, 10, 16)`이고,
-샘플 차원을 제외한 `input_shape`은 `(10, 16)`이 됩니다.
+32개의 표본으로 구성된 배치에서, 10개의 16차원 벡터로 이루어진 시퀀스의 예시를 보겠습니다.
+이 예시에서 층의 배치 입력 형태는 `(32, 10, 16)`이고,
+배치 차원을 제외한 `input_shape`는 `(10, 16)`입니다.
 
-이어서 `TimeDistributed`를 사용해 10개의 시간 단계 각각에
-독립적으로 `Dense` 레이어를 적용할 수 있습니다:
+`TimeDistributed`를 사용하여 10개의 시간 단계<sub>timestep</sub>에 독립적으로 `Dense`층을 적용할 수 있습니다.
 
 ```python
-# 모델의 첫 번째 레이어로써
+# 모델의 첫 번째 층으로 사용되었습니다.
 model = Sequential()
 model.add(TimeDistributed(Dense(8), input_shape=(10, 16)))
-# 현재 model.output_shape == (None, 10, 8)
+# model.output_shape == (None, 10, 8)
 ```
 
-이 결과 아웃풋은 `(32, 10, 8)`의 형태를 갖습니다.
+이 결과 출력값은 `(32, 10, 8)`의 형태를 가집니다.
 
-차우 레이어에서는 `input_shape`이 필요없습니다:
+첫 번째 층 이후에는 `input_shape`를 명시할 필요가 없습니다.
 
 ```python
 model.add(TimeDistributed(Dense(32)))
 # now model.output_shape == (None, 10, 32)
 ```
 
-이 결과 아웃풋은 `(32, 10, 32)`의 형태를 갖습니다.
+이 결과 출력값은 `(32, 10, 32)`의 형태를 가집니다.
 
-`TimeDistributed`는 `Dense`만이 아닌, 예를 들면 `Conv2D` 레이어와 같은
-임의의 레이어와 함께 사용할 수 있습니다:
+`TimeDistributed`는 `Dense`가 아닌 케라스에서 사용 가능한 층에서도 사용할 수 있습니다.
+(ex:`Conv2D` 층)
 
 ```python
 model = Sequential()
@@ -45,37 +42,35 @@ model.add(TimeDistributed(Conv2D(64, (3, 3)),
                           input_shape=(10, 299, 299, 3)))
 ```
 
-__인수__
+__인자__
 
-- __layer__: 레이어 인스턴스.
+- __layer__: 층 인스턴스.
     
 ----
 
-<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/layers/wrappers.py#L333)</span>
+<span style="float:right;">[[source]](https://github.com/keras-team/keras/blob/master/keras/layers/wrappers.py#L335)</span>
 ### Bidirectional
 
 ```python
-keras.layers.Bidirectional(layer, merge_mode='concat', weights=None)
+keras.engine.base_layer.wrapped_fn()
 ```
 
 순환 신경망에 사용하는 양방향 래퍼.
 
-__인수__
+__인자__
 
-- __layer__: `Recurrent` 인스턴스.
+- __layer__: `RNN` 인스턴스.
 - __merge_mode__: 정방향 순환 신경망과
-    역방향 순환 신경망의 아웃풋이 병합되는 방식.
-    {'sum', 'mul', 'concat', 'ave', None} 중 하나.
-    None의 경우, 아웃풋이 합쳐지지 않고,
-    리스트로 반환됩니다.
+    역방향 순환 신경망의 출력값이 병합되는 방식을 `{'sum', 'mul', 'concat', 'ave', None}`중에 선택합니다.
+    `None`의 경우, 출력 값이 합쳐지지 않고, 리스트로 반환됩니다.
+- __weights__: `Bidirectional` 층에 사용할 초기 가중치
 
 __오류처리__
 
-- __ValueError__: `merge_mode` 인수가 유효하지 않은 경우 오류메시지를 전달합니다.
+- __ValueError__: `merge_mode` 인자가 유효하지 않은 경우 오류 메시지를 전달합니다.
 
 __예시__
 
-
 ```python
 model = Sequential()
 model.add(Bidirectional(LSTM(10, return_sequences=True),
@@ -85,4 +80,3 @@ model.add(Dense(5))
 model.add(Activation('softmax'))
 model.compile(loss='categorical_crossentropy', optimizer='rmsprop')
 ```
-