Keras와 코드의 몇 줄을 사용하여 두뇌를 구축하는 방법

컨텐츠 Overview 설치 소개 교육, 평가 및 추론 저장 및 serialize Use the same graph of layers to define multiple models 모든 모델 a callable, just like layers 복잡한 graph topologies Multiple Inputs 및 Outputs 모델 장난감 ResNet 모델 설치 import numpy as np import tensorflow as tf from tensorflow import keras from keras import layers 소개 The 케라스 그것은 모델보다 더 유연한 방법을 만드는 방법입니다. 기능 API는 비선형 토폴로지, 공유 레이어, 심지어 여러 입력 또는 출력 모델을 처리할 수 있습니다.The functional API can handle models with non-linear topology, shared layers, and even multiple inputs or outputs. 기능 API keras.Sequential 주요 아이디어는 깊은 학습 모델이 일반적으로 레이어의 방향성 아시클릭 그래프 (DAG)라는 것입니다.So the functional API is a way to build . Graph of Layers 근처 오락거리 다음 모델을 고려하십시오: Consider the following model: [Dense (64 단위, relu 활성화)] [Dense (64 단위, relu 활성화)] [Dense (10 단위, softmax 활성화)] (출력: 10 클래스에 걸쳐 확률 분포의 로깅) Functional API를 사용하여 이 모델을 구축하려면 입력 노드를 만듭니다.To build this model using the functional API, start by creating an input node: inputs = keras.Input(shape=(784,)) 데이터의 모양은 784차원 벡터로 설정됩니다. 배치 크기는 항상 지정되기 때문에 각 샘플의 모양만 지정됩니다. 예를 들어, 그림의 모양을 가진 이미지 입력이 있는 경우 당신은 사용할 것입니다 : (32, 32, 3) # Just for demonstration purposes. img_inputs = keras.Input(shape=(32, 32, 3)) 이 반환된 내용은 형태에 대한 정보를 포함하고 있으며, 당신이 당신의 모델에 공급하는 입력 데이터 중 하나입니다.This is the shape: inputs dtype inputs.shape TensorShape([None, 784]) 다음은 dtype 입니다: inputs.dtype tf.float32 계층 차트에 새 노드를 만듭니다.You create a new node in the graph of layers by calling a layer on this 대상 : inputs dense = layers.Dense(64, activation="relu") x = dense(inputs) "Layer Call"행동은 "inputs"에서 이 레이어로 화살표를 그리는 것과 같습니다.You are "passing" the inputs to the layer. layer, 그리고 당신은 얻을 출력과 마찬가지로 dense x 레이어의 그래프에 몇 개의 레이어를 더 추가하자 : x = layers.Dense(64, activation="relu")(x) outputs = layers.Dense(10)(x) 이 시점에서, 당신은 만들 수 있습니다 a 계층 차트에서 그들의 입력 및 출력을 지정함으로써: by specifying its inputs and outputs in the graph of layers: Model model = keras.Model(inputs=inputs, outputs=outputs, name="mnist_model") 모델 요약이 어떻게 생겼는지 살펴보자 : model.summary() Model: "mnist_model" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) [(None, 784)] 0 dense (Dense) (None, 64) 50240 dense_1 (Dense) (None, 64) 4160 dense_2 (Dense) (None, 10) 650 ================================================================= Total params: 55050 (215.04 KB) Trainable params: 55050 (215.04 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ 당신은 또한 그래프로 모델을 계획 할 수 있습니다 : keras.utils.plot_model(model, "my_first_model.png") 그리고, 선택적으로, 그린 그래프에 각 레이어의 입력 및 출력 모양을 표시합니다: keras.utils.plot_model(model, "my_first_model_with_shape_info.png", show_shapes=True) 이 숫자와 코드는 거의 동일합니다.코드 버전에서는 연결 화살표가 호출 작업으로 대체됩니다. "층 차트"는 깊은 학습 모델에 대한 직관적 인 정신 이미지이며, 기능 API는 이것을 밀접하게 반영하는 모델을 만드는 방법입니다. 교육, 평가 및 추론 훈련, 평가 및 추론은 기능 API를 사용하여 구축된 모델과 동일한 방식으로 작동합니다. 모델을 Sequential 이 클래스는 내장 훈련 루프를 제공합니다 (the 방법) 및 내장 평가 루프 (the 방법) 당신이 쉽게 할 수 있다는 것을 명심하십시오 감독된 학습을 넘어 훈련 루틴을 구현하기 (e.g. ) Model fit() evaluate() 이러한 루프를 사용하여 곤스 여기서, MNIST 이미지 데이터를 로드하고, 벡터로 재구성하고, 데이터에 모델을 맞추고(validation split에서 성능을 모니터링하는 동안), 테스트 데이터에 모델을 평가합니다: (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() x_train = x_train.reshape(60000, 784).astype("float32") / 255 x_test = x_test.reshape(10000, 784).astype("float32") / 255 model.compile( loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), optimizer=keras.optimizers.RMSprop(), metrics=[keras.metrics.SparseCategoricalAccuracy()], ) history = model.fit(x_train, y_train, batch_size=64, epochs=2, validation_split=0.2) test_scores = model.evaluate(x_test, y_test, verbose=2) print("Test loss:", test_scores[0]) print("Test accuracy:", test_scores[1]) Epoch 1/2 750/750 [==============================] - 4s 3ms/step - loss: 0.3556 - sparse_categorical_accuracy: 0.8971 - val_loss: 0.1962 - val_sparse_categorical_accuracy: 0.9422 Epoch 2/2 750/750 [==============================] - 2s 2ms/step - loss: 0.1612 - sparse_categorical_accuracy: 0.9527 - val_loss: 0.1461 - val_sparse_categorical_accuracy: 0.9592 313/313 - 0s - loss: 0.1492 - sparse_categorical_accuracy: 0.9556 - 463ms/epoch - 1ms/step Test loss: 0.14915992319583893 Test accuracy: 0.9556000232696533 더 읽어보려면, see the 가이드 교육 및 평가 저장 및 serialize 모델 저장 및 serialization은 기능 API를 사용하여 구축된 모델과 동일하게 작동합니다.Save the model and serialization work the same way for models built using the functional API as they do for 기능 모델을 저장하는 표준 방법은 호출하는 것입니다. to save the entire model as a single file. You can later recreate the same model from this file, even if the code that built the model is no longer available. Sequential model.save() 이 저장된 파일에는 다음이 포함됩니다: 모델 아키텍처 모델 무게 값 (훈련 중에 배운 것) 모델 훈련 config, if any (as passed to compile) 최적화기 및 그 상태, 만약 존재한다면 (당신이 중단한 곳에서 훈련을 다시 시작하려면) model.save("path_to_my_model.keras") del model # Recreate the exact same model purely from the file: model = keras.models.load_model("path_to_my_model.keras") 자세한 내용은 모델을 읽어보세요 가이드 serialization & 절약 동일한 레이어 차트를 사용하여 여러 모델을 정의합니다.Use the same graph of layers to define multiple models 기능 API에서 모델은 계층 차트에 그들의 입력 및 출력을 지정하여 만들어집니다.This means that a single graph of layers can be used to generate multiple models. 아래 예제에서는 같은 레이어 스택을 사용하여 두 개의 모델을 인스턴트화합니다.In the example below, you use the same stack of layers to instantiate two models: a 이미지 입력을 16차원 벡터로 변환하는 모델, end-to-end 훈련을 위한 모델 encoder autoencoder encoder_input = keras.Input(shape=(28, 28, 1), name="img") x = layers.Conv2D(16, 3, activation="relu")(encoder_input) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.MaxPooling2D(3)(x) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.Conv2D(16, 3, activation="relu")(x) encoder_output = layers.GlobalMaxPooling2D()(x) encoder = keras.Model(encoder_input, encoder_output, name="encoder") encoder.summary() x = layers.Reshape((4, 4, 1))(encoder_output) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) x = layers.Conv2DTranspose(32, 3, activation="relu")(x) x = layers.UpSampling2D(3)(x) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) decoder_output = layers.Conv2DTranspose(1, 3, activation="relu")(x) autoencoder = keras.Model(encoder_input, decoder_output, name="autoencoder") autoencoder.summary() Model: "encoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 conv2d (Conv2D) (None, 26, 26, 16) 160 conv2d_1 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d (MaxPooling2 (None, 8, 8, 32) 0 D) conv2d_2 (Conv2D) (None, 6, 6, 32) 9248 conv2d_3 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d (Glob (None, 16) 0 alMaxPooling2D) ================================================================= Total params: 18672 (72.94 KB) Trainable params: 18672 (72.94 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "autoencoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 conv2d (Conv2D) (None, 26, 26, 16) 160 conv2d_1 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d (MaxPooling2 (None, 8, 8, 32) 0 D) conv2d_2 (Conv2D) (None, 6, 6, 32) 9248 conv2d_3 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d (Glob (None, 16) 0 alMaxPooling2D) reshape (Reshape) (None, 4, 4, 1) 0 conv2d_transpose (Conv2DTr (None, 6, 6, 16) 160 anspose) conv2d_transpose_1 (Conv2D (None, 8, 8, 32) 4640 Transpose) up_sampling2d (UpSampling2 (None, 24, 24, 32) 0 D) conv2d_transpose_2 (Conv2D (None, 26, 26, 16) 4624 Transpose) conv2d_transpose_3 (Conv2D (None, 28, 28, 1) 145 Transpose) ================================================================= Total params: 28241 (110.32 KB) Trainable params: 28241 (110.32 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ 여기서 디코딩 아키텍처는 인코딩 아키텍처에 엄격히 대칭적이므로 출력 모양은 입력 모양과 동일합니다. . (28, 28, 1) A의 반대편 레이어는 A A. A. A. A. A. A. A. A. A. A. A. A. A. A 레이어는 A 레이어 Conv2D Conv2DTranspose MaxPooling2D UpSampling2D 모든 모델은 레이어와 마찬가지로 호출 가능 당신은 어떤 모델도 그것이 계층인 것처럼 취급할 수 있습니다.You can treat any model as if it was a layer by invoking it on a layer. 모델을 호출하면 모델의 아키텍처를 단순히 재사용하는 것이 아니라 모델의 무게도 재사용합니다. Input 이것을 행동으로 보려면 자동 인코더 모델, 디코더 모델을 생성하고 자동 인코더 모델을 얻기 위해 두 번의 호출으로 체인하는 자동 인코더 예제에 대한 다른 견해가 있습니다.To see this in action, here is a different take on the auto encoder example that creates an encoder model, a decoder model, and chains them in two calls to obtain the auto encoder model: encoder_input = keras.Input(shape=(28, 28, 1), name="original_img") x = layers.Conv2D(16, 3, activation="relu")(encoder_input) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.MaxPooling2D(3)(x) x = layers.Conv2D(32, 3, activation="relu")(x) x = layers.Conv2D(16, 3, activation="relu")(x) encoder_output = layers.GlobalMaxPooling2D()(x) encoder = keras.Model(encoder_input, encoder_output, name="encoder") encoder.summary() decoder_input = keras.Input(shape=(16,), name="encoded_img") x = layers.Reshape((4, 4, 1))(decoder_input) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) x = layers.Conv2DTranspose(32, 3, activation="relu")(x) x = layers.UpSampling2D(3)(x) x = layers.Conv2DTranspose(16, 3, activation="relu")(x) decoder_output = layers.Conv2DTranspose(1, 3, activation="relu")(x) decoder = keras.Model(decoder_input, decoder_output, name="decoder") decoder.summary() autoencoder_input = keras.Input(shape=(28, 28, 1), name="img") encoded_img = encoder(autoencoder_input) decoded_img = decoder(encoded_img) autoencoder = keras.Model(autoencoder_input, decoded_img, name="autoencoder") autoencoder.summary() Model: "encoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= original_img (InputLayer) [(None, 28, 28, 1)] 0 conv2d_4 (Conv2D) (None, 26, 26, 16) 160 conv2d_5 (Conv2D) (None, 24, 24, 32) 4640 max_pooling2d_1 (MaxPoolin (None, 8, 8, 32) 0 g2D) conv2d_6 (Conv2D) (None, 6, 6, 32) 9248 conv2d_7 (Conv2D) (None, 4, 4, 16) 4624 global_max_pooling2d_1 (Gl (None, 16) 0 obalMaxPooling2D) ================================================================= Total params: 18672 (72.94 KB) Trainable params: 18672 (72.94 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "decoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= encoded_img (InputLayer) [(None, 16)] 0 reshape_1 (Reshape) (None, 4, 4, 1) 0 conv2d_transpose_4 (Conv2D (None, 6, 6, 16) 160 Transpose) conv2d_transpose_5 (Conv2D (None, 8, 8, 32) 4640 Transpose) up_sampling2d_1 (UpSamplin (None, 24, 24, 32) 0 g2D) conv2d_transpose_6 (Conv2D (None, 26, 26, 16) 4624 Transpose) conv2d_transpose_7 (Conv2D (None, 28, 28, 1) 145 Transpose) ================================================================= Total params: 9569 (37.38 KB) Trainable params: 9569 (37.38 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ Model: "autoencoder" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= img (InputLayer) [(None, 28, 28, 1)] 0 encoder (Functional) (None, 16) 18672 decoder (Functional) (None, 28, 28, 1) 9569 ================================================================= Total params: 28241 (110.32 KB) Trainable params: 28241 (110.32 KB) Non-trainable params: 0 (0.00 Byte) _________________________________________________________________ 당신이 볼 수 있듯이, 모델은 둥지 될 수 있습니다 : 모델은 하위 모델을 포함할 수 있습니다 (모델은 단지 레이어와 같습니다).A common use case for model nesting is 예를 들어 예측을 평균화하는 단일 모델로 모델 세트를 조합하는 방법은 다음과 같습니다.For example, here is how to ensemble a set of models into a single model that averages their predictions: 모임 def get_model(): inputs = keras.Input(shape=(128,)) outputs = layers.Dense(1)(inputs) return keras.Model(inputs, outputs) model1 = get_model() model2 = get_model() model3 = get_model() inputs = keras.Input(shape=(128,)) y1 = model1(inputs) y2 = model2(inputs) y3 = model3(inputs) outputs = layers.average([y1, y2, y3]) ensemble_model = keras.Model(inputs=inputs, outputs=outputs) 복잡한 graph topologies Multiple Inputs 및 Outputs 모델 기능 API는 여러 입력 및 출력을 쉽게 조작할 수 있습니다.This cannot be handled with the 화재 Sequential 예를 들어, 고객 발행 티켓을 우선 순위로 순위화하고 올바른 부서로 라우팅하는 시스템을 구축하고 있다면 모델에는 세 가지 입력이 있습니다. 티켓의 제목 (텍스트 입력) 티켓의 텍스트 몸(텍스트 입력) 및 사용자가 추가한 모든 태그 (category input) 이 모델은 두 개의 출력을 가질 것입니다 : 0과 1 사이의 우선 순위 점수 (scalar sigmoid output) 및 티켓을 처리해야 하는 부서 (소프트맥스 출력 부서 집합) 기능 API를 사용하여 이 모델을 몇 줄로 만들 수 있습니다.You can build this model in a few lines with the functional API: num_tags = 12 # Number of unique issue tags num_words = 10000 # Size of vocabulary obtained when preprocessing text data num_departments = 4 # Number of departments for predictions title_input = keras.Input( shape=(None,), name="title" ) # Variable-length sequence of ints body_input = keras.Input(shape=(None,), name="body") # Variable-length sequence of ints tags_input = keras.Input( shape=(num_tags,), name="tags" ) # Binary vectors of size `num_tags` # Embed each word in the title into a 64-dimensional vector title_features = layers.Embedding(num_words, 64)(title_input) # Embed each word in the text into a 64-dimensional vector body_features = layers.Embedding(num_words, 64)(body_input) # Reduce sequence of embedded words in the title into a single 128-dimensional vector title_features = layers.LSTM(128)(title_features) # Reduce sequence of embedded words in the body into a single 32-dimensional vector body_features = layers.LSTM(32)(body_features) # Merge all available features into a single large vector via concatenation x = layers.concatenate([title_features, body_features, tags_input]) # Stick a logistic regression for priority prediction on top of the features priority_pred = layers.Dense(1, name="priority")(x) # Stick a department classifier on top of the features department_pred = layers.Dense(num_departments, name="department")(x) # Instantiate an end-to-end model predicting both priority and department model = keras.Model( inputs=[title_input, body_input, tags_input], outputs=[priority_pred, department_pred], ) 이제 모델을 설정하십시오 : keras.utils.plot_model(model, "multi_input_and_output_model.png", show_shapes=True) 이 모델을 컴파일할 때 각 출력에 다른 손실을 할당할 수 있습니다.당신은 심지어 각 손실에 다른 무게를 할당할 수 있습니다.You can even assign different weights to each loss - to modulate their contribution to the total training loss. model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss=[ keras.losses.BinaryCrossentropy(from_logits=True), keras.losses.CategoricalCrossentropy(from_logits=True), ], loss_weights=[1.0, 0.2], ) 출력 계층에는 다른 이름이 있기 때문에 해당 계층 이름으로 손실 및 손실 무게도 지정할 수 있습니다.Since the output layers have different names, you could also specify the losses and loss weights with the corresponding layer names: model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss={ "priority": keras.losses.BinaryCrossentropy(from_logits=True), "department": keras.losses.CategoricalCrossentropy(from_logits=True), }, loss_weights={"priority": 1.0, "department": 0.2}, ) Input 및 Target의 NumPy 배열 목록을 통과함으로써 모델을 훈련하십시오: # Dummy input data title_data = np.random.randint(num_words, size=(1280, 10)) body_data = np.random.randint(num_words, size=(1280, 100)) tags_data = np.random.randint(2, size=(1280, num_tags)).astype("float32") # Dummy target data priority_targets = np.random.random(size=(1280, 1)) dept_targets = np.random.randint(2, size=(1280, num_departments)) model.fit( {"title": title_data, "body": body_data, "tags": tags_data}, {"priority": priority_targets, "department": dept_targets}, epochs=2, batch_size=32, ) Epoch 1/2 40/40 [==============================] - 8s 112ms/step - loss: 1.2982 - priority_loss: 0.6991 - department_loss: 2.9958 Epoch 2/2 40/40 [==============================] - 3s 64ms/step - loss: 1.3110 - priority_loss: 0.6977 - department_loss: 3.0666 부르짖을 때, a fit object, it should yield either a tuple of lists like 또는 마찬가지로, a tuple of dictionaries . Dataset ([title_data, body_data, tags_data], [priority_targets, dept_targets]) ({'title': title_data, 'body': body_data, 'tags': tags_data}, {'priority': priority_targets, 'department': dept_targets}) 더 자세한 설명은, refer to the 가이드 교육 및 평가 장난감 ResNet 모델 다중 입력 및 출력 모델 외에도 기능 API는 비선형 연결성 토폴로지를 쉽게 조작할 수 있습니다.In addition to models with multiple inputs and outputs, the functional API makes it easy to manipulate non-linear connectivity topologies—these are models with layers that are not connected sequentially, which the 불은 대처할 수 없다. Sequential 이것에 대한 일반적인 사용 사례는 남은 연결입니다.이를 증명하기 위해 CIFAR10에 대한 장난감 ResNet 모델을 구축하자: inputs = keras.Input(shape=(32, 32, 3), name="img") x = layers.Conv2D(32, 3, activation="relu")(inputs) x = layers.Conv2D(64, 3, activation="relu")(x) block_1_output = layers.MaxPooling2D(3)(x) x = layers.Conv2D(64, 3, activation="relu", padding="same")(block_1_output) x = layers.Conv2D(64, 3, activation="relu", padding="same")(x) block_2_output = layers.add([x, block_1_output]) x = layers.Conv2D(64, 3, activation="relu", padding="same")(block_2_output) x = layers.Conv2D(64, 3, activation="relu", padding="same")(x) block_3_output = layers.add([x, block_2_output]) x = layers.Conv2D(64, 3, activation="relu")(block_3_output) x = layers.GlobalAveragePooling2D()(x) x = layers.Dense(256, activation="relu")(x) x = layers.Dropout(0.5)(x) outputs = layers.Dense(10)(x) model = keras.Model(inputs, outputs, name="toy_resnet") model.summary() Model: "toy_resnet" __________________________________________________________________________________________________ Layer (type) Output Shape Param # Connected to ================================================================================================== img (InputLayer) [(None, 32, 32, 3)] 0 [] conv2d_8 (Conv2D) (None, 30, 30, 32) 896 ['img[0][0]'] conv2d_9 (Conv2D) (None, 28, 28, 64) 18496 ['conv2d_8[0][0]'] max_pooling2d_2 (MaxPoolin (None, 9, 9, 64) 0 ['conv2d_9[0][0]'] g2D) conv2d_10 (Conv2D) (None, 9, 9, 64) 36928 ['max_pooling2d_2[0][0]'] conv2d_11 (Conv2D) (None, 9, 9, 64) 36928 ['conv2d_10[0][0]'] add (Add) (None, 9, 9, 64) 0 ['conv2d_11[0][0]', 'max_pooling2d_2[0][0]'] conv2d_12 (Conv2D) (None, 9, 9, 64) 36928 ['add[0][0]'] conv2d_13 (Conv2D) (None, 9, 9, 64) 36928 ['conv2d_12[0][0]'] add_1 (Add) (None, 9, 9, 64) 0 ['conv2d_13[0][0]', 'add[0][0]'] conv2d_14 (Conv2D) (None, 7, 7, 64) 36928 ['add_1[0][0]'] global_average_pooling2d ( (None, 64) 0 ['conv2d_14[0][0]'] GlobalAveragePooling2D) dense_6 (Dense) (None, 256) 16640 ['global_average_pooling2d[0][ 0]'] dropout (Dropout) (None, 256) 0 ['dense_6[0][0]'] dense_7 (Dense) (None, 10) 2570 ['dropout[0][0]'] ================================================================================================== Total params: 223242 (872.04 KB) Trainable params: 223242 (872.04 KB) Non-trainable params: 0 (0.00 Byte) __________________________________________________________________________________________________ 모델을 설정하기: Plot the model: keras.utils.plot_model(model, "mini_resnet.png", show_shapes=True) 이제 모델을 훈련하십시오 : (x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data() x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0 y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10) model.compile( optimizer=keras.optimizers.RMSprop(1e-3), loss=keras.losses.CategoricalCrossentropy(from_logits=True), metrics=["acc"], ) # We restrict the data to the first 1000 samples so as to limit execution time # on Colab. Try to train on the entire dataset until convergence! model.fit(x_train[:1000], y_train[:1000], batch_size=64, epochs=1, validation_split=0.2) 13/13 [==============================] - 4s 39ms/step - loss: 2.3086 - acc: 0.0988 - val_loss: 2.3020 - val_acc: 0.0850 원래 TensorFlow 웹사이트에 출판된 이 문서는 새로운 제목 아래에 나타나며 CC BY 4.0에 따라 라이선스가 있습니다. 원래 TensorFlow 웹사이트에 출판된 이 문서는 새로운 제목 아래에 나타나며 CC BY 4.0에 따라 라이선스가 있습니다. 센서플로우