Hello, World of Machine Learning#
1. Sebelum memulai#
Pada Jupyter Notebook ini, kamu akan mempelajari dasar “Hello, World” pada machine learning, dimana alih-alih kamu memprogram secara eksplisit aturan-aturan pada suatu bahasa pemrograman, seperti C++ atau Java, kamu akan membangun sistem yang dilatih menggunakan data untuk memprediksi aturan-aturan yang menggambarkan keterkaitan antara data.
Bayangkan masalah ini: Kamu membangun sistem fitness tracking yang bisa mengenali aktifitas-aktifitas olahraga. Kamu mungkin memiliki akses ke data kecepatan jalan seseorang dan mencoba untuk memprediksi aktifitas orang tersebut berdasarkan kecepatannya menggunakan kondisi.
if speed < 4:
status = walking
Kamu selanjutnya bisa menambah kondisi untuk lari:
if speed < 4:
status = WALKING
else:
status = RUNNING
Kamu juga bisa menambahkan kondisi akhir untuk bersepeda:
if speed < 4:
status = WALKING
if speed < 12:
status = RUNNING
else:
status = CYCLING
Sekarang, coba pertimbangkan apa yang akan terjadi selanjutnya jika kamu mau menambahkan suatu aktifitas baru, misalnya golf. Tentu akan jauh lebih ambigu untuk menentukan aturan untuk aktifitas tersebut.
# Selanjutnya gimana?
Sangatlah sulit untuk menulis program yang bisa mengenali aktifitas bermain golf, jadi apa yang harus kamu lakukan? Gunakan machine learning!
Prasyarat#
Sebelum mencoba Jupyter Notebook ini, kamu perlu memiliki:
Pengetahuan yang solid tentang Python
Keterampilan pemrograman dasar
Yang akan kamu pelajari#
Dasar-dasar machine learning
Yang akan kamu buat#
Model machine learning pertama kamu
2. Apa itu Machine Learning?#
Mari kita lihat cara tradisional membangun suatu aplikasi yang direpresentasikan oleh diagram di bawah:
Kamu mengekpresikan aturan-autran menggunakan sebuah bahasa pemrograman. Aturan-aturan tersebut bereaksi terhadap data dan program kamu akan memberikan jawaban. Pada kasus deteksi aktifitas olahraga, aturan-aturan (kode yang kamu tulis untuk mendefinisikan tipe-tipe aktifitas) bereaksi terhadap data yang masuk (kecepatan gerak pengguna) untuk menghasilkan jawaban: yaitu output nilai dari fungsi untuk mendeteksi status aktifitas pengguna.
Proses mendeteksi status aktifitas menggunakan ML sebenernya lumayan mirip, hanya input dan outputnya saja yang berbeda:
Daripada mencoba mendefiniskan aturan-aturan dan mengkespresikannya di dalam sebuah bahasa pemrograman, kamu memberikan jawaban-jawaban (biasanya disebut labels) bersamaan dengan data yang ada, dan selanjutnya mesin akan menyimpulkan aturan-aturan yang menentukan hubungan antara jawaban dan data. Sebagai contohnya, deteksi aktifitas olahraga mungkin akan terlihat seperti ini dalam konteks ML:
Kamu mengumpulkan data dan label yang sangat banyak sehingga bisa dengan efektif bilang, “Kalo jalan tuh gini loh,” atau “Kalo lari tuh gini loh.” Selanjutnya, dari dataset tersebut komputer bisa menyimpulkan aturan-aturan yang menentukan pola-pola yang menjelaskan aktifitas tertentu.
Bukan hanya menjadi metode alternatif dari pemrograman, metode ini juga memberikan kemampuan baru untuk skenario-skenario baru, misalnya menentukan pola-pola kegiatan bermain golf yang tidak mungkin dilakukan dengan pemrograman tradisional.
Dalam pemrograman tradisional, kode kamu terkompilasi menjadi sebuah binary yang biasanya disebut sebagai program. Pada ML, output yang kamu bangun dari data dan labels disebut model.
Jadi, jika kita kembali lagi ke diagram ini:
Output dari diagram flow di atas adalah model, dan kita bisa menggunakannya sebagai berikut:
Dimana kamu memberikan data sebagai input dan model menggunakan aturan-aturan yang disimpulakn dari proses pembelajaran mesin untuk menghasilkan prediction, misalnya, “Data ini terlihat seperti orang berjalan” atau “Data ini terlihat seperti orang bersepeda.”
3. Membuat ML model pertama kamu#
Perhatikan deretan-deretan angka di bawah. Apakah kam bisa melihat hubungan antara mereka?
X |
Y |
|---|---|
-1 |
-2 |
0 |
1 |
1 |
4 |
2 |
7 |
3 |
10 |
4 |
13 |
Kamu mungkin sadar bahwa nilai X bertambah 1 setiap barisnya dan nilai Y bertambah 3. Kamu mungkin berpikir bahwa Y sama dengan 3X ditambah atau dikurangi suatu angka. Selanjutnya kamu melihat ketika X=0 dan Y=1, kamu akan menyimpulkan bahwa Y=3X+1.
Yang baru saja kamu lakukan mirip persis dengan bagaimana kamu melatih ML model untuk melihat pola pada data!
Sekarang, ayoi kita lihat kode untuk melakukannya.
Bagaimana kamu melatih sebuah neural network untuk melakukan task serupa? Dengan menggunakan data! Kita harus memberikan data himpunan X dan Y kepada neural network sehingga ia mampu mengenali hubungan antara himpunan X dan Y.
Import#
Mulai dengan meng-import library yang dibutuhkan. Kamu akan menggunakan TensorFlow dan memberi alias tf agar lebih mudah digunakan.
Selanjutnya, import numpy untuk merepresentasikan data sebagai lists secara mudah dan cepat.
Terakhir, kita akan menggunakan keras, sebuah framework untuk membuat neural network sebagai kumpulan layer-layer berurutan
import numpy as np
import tensorflow as tf
from tensorflow import keras
Menentukan dan mengkompilasi jaringan neural#
Selanjutnya, kita akan membuat neural network sederhana. Neural networknya hanya memiliki satu layer, layer tersebut hanya memiliki satu neuron, dan input shape nya hanya satu.
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.summary()
Model: "sequential_1"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓ ┃ Layer (type) ┃ Output Shape ┃ Param # ┃ ┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩ │ dense_1 (Dense) │ (None, 1) │ 2 │ └─────────────────────────────────┴────────────────────────┴───────────────┘
Total params: 2 (8.00 B)
Trainable params: 2 (8.00 B)
Non-trainable params: 0 (0.00 B)
Selanjutnya, kita akan menulis kode untuk mengkompilasi neural network kita. Untuk melakukannya, kamu perlu membuat dua funsi– fungi loss dan optimizer.
Pada contoh kali ini, kamu telah mengetahui bahwa hubungan antara angka-angka di atas adalah Y=3X+1.
Namun, ketika komputer mencoba untuk mempelajari hal ini, komputer akan mencoba membuat tebakan, bisa jadi tebakan pertamanya adalah Y=10X+10. Fungsi loss digunakan untuk mengukur jarak antara hasil perhitungan menggunakan fungsi tebakan dengan jawaban sesungguhnya, apakah bagus atau buruk.
Selanjutnya, model akan menggunakan fungsi optimizer untuk membuat tebakan selanjutnya. Berdasarkan hasil dari fungsi loss, fungsi optimizer akan mencoba meminimalisir nilai loss. Pada titik ini, komputer mungkin akan menebak menggunakan Y=5X+5. Walaupun tebakannya masih jelek, tapi komputer sudah mendekati ke jawaban yang benar (karena nilai loss nya mengecil).
Nah, model mengulangi hal di atas terus menerus sampai batas epochs, dimana akan kamu lihat sebentar lagi.
Pertama-tama, kita akan menggunakan fungsi mean_squared_error untuk fungsi loss dan stochastic gradient descent (sgd) untuk fungsi optimizer. Kamu belum perlu tahu rumus matematika dibalik layar fungsi-fungsi tersebut, tetapi kamu bisa melihat kalau mereka ampuh!
Seiring berjalannya waktu, kamu akan belajar berbagai macam fungsi-fungsi yang bisa ditentukan untuk loss dan optimizer di skenario-skenario berbeda.
model.compile(optimizer="sgd", loss="mean_squared_error")
Berikan data#
Selanjutnya, kita akan memberikan data. Pada kasus kali ini, kita akan menggunakan enam angka X dan Y dari sebelumnya.
Kita akan menggunakan NumPy untuk membuat array:
xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)
ys = np.array([-2.0, 1.0, 4.0, 7.0, 10.0, 13.0], dtype=float)
Sekarang kamu sudah selesai menulis kode yang mendefiniskan sebuah neural network! Langkah selanjutnya adalah melakukan model training agar neural network kamu bisa menyimpulkan pola-pola antara angka-angka di atas dan menggunakannya untuk membuat model.
4. Train the neural network#
Proses training neural network untuk mempelajari hubungan antara nilai-nilai X dan Y dapat dimulai dengan memanggil fungsi model.fit. Menggunakan fungsi ini, neural network akan berulang kali melakukan tebakan, mengukur berapa bagus tebakannya (nilai loss), atau menggunakan optimizer untuk membuat tebakan lain. Neural network akan melakukan perulangan (looping) sesuai dengan jumlah epochs yang kamu tentukan. Ketika kamu menjalankan fungsi model.fit kamu akan melihat nilai loss pada setiap epoch.
model.fit(xs, ys, epochs=500)
Epoch 1/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 87ms/step - loss: 14.2421
Epoch 2/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 11.2341
Epoch 3/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.8670
Epoch 4/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 7.0041
Epoch 5/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 5.5379
Epoch 6/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.3838
Epoch 7/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.4752
Epoch 8/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.7599
Epoch 9/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.1966
Epoch 10/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.7528
Epoch 11/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.4032
Epoch 12/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.1277
Epoch 13/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.9104
Epoch 14/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.7390
Epoch 15/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.6037
Epoch 16/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.4967
Epoch 17/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.4122
Epoch 18/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.3452
Epoch 19/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step - loss: 0.2921
Epoch 20/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.2498
Epoch 21/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.2162
Epoch 22/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.1894
Epoch 23/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.1678
Epoch 24/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.1505
Epoch 25/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.1365
Epoch 26/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.1251
Epoch 27/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.1158
Epoch 28/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.1081
Epoch 29/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.1017
Epoch 30/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0963
Epoch 31/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0917
Epoch 32/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0878
Epoch 33/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0844
Epoch 34/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0814
Epoch 35/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0788
Epoch 36/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0764
Epoch 37/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0742
Epoch 38/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step - loss: 0.0722
Epoch 39/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0703
Epoch 40/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0686
Epoch 41/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0669
Epoch 42/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0654
Epoch 43/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0639
Epoch 44/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0624
Epoch 45/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0611
Epoch 46/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0597
Epoch 47/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0585
Epoch 48/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0572
Epoch 49/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0560
Epoch 50/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step - loss: 0.0548
Epoch 51/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0537
Epoch 52/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0526
Epoch 53/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0515
Epoch 54/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0504
Epoch 55/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0494
Epoch 56/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0483
Epoch 57/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0473
Epoch 58/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 15ms/step - loss: 0.0464
Epoch 59/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0454
Epoch 60/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0445
Epoch 61/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0436
Epoch 62/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 39ms/step - loss: 0.0427
Epoch 63/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0418
Epoch 64/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0409
Epoch 65/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0401
Epoch 66/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0393
Epoch 67/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0385
Epoch 68/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0377
Epoch 69/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0369
Epoch 70/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0361
Epoch 71/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0354
Epoch 72/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0347
Epoch 73/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step - loss: 0.0339
Epoch 74/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0333
Epoch 75/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0326
Epoch 76/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0319
Epoch 77/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0312
Epoch 78/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0306
Epoch 79/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0300
Epoch 80/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0294
Epoch 81/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0288
Epoch 82/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0282
Epoch 83/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0276
Epoch 84/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0270
Epoch 85/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0265
Epoch 86/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 17ms/step - loss: 0.0259
Epoch 87/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 15ms/step - loss: 0.0254
Epoch 88/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0249
Epoch 89/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 17ms/step - loss: 0.0244
Epoch 90/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0239
Epoch 91/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0234
Epoch 92/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0229
Epoch 93/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0224
Epoch 94/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0220
Epoch 95/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0215
Epoch 96/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0211
Epoch 97/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 0.0206
Epoch 98/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0202
Epoch 99/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0198
Epoch 100/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0194
Epoch 101/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0190
Epoch 102/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0186
Epoch 103/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0182
Epoch 104/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0178
Epoch 105/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 47ms/step - loss: 0.0175
Epoch 106/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 15ms/step - loss: 0.0171
Epoch 107/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0168
Epoch 108/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0164
Epoch 109/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0161
Epoch 110/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0158
Epoch 111/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0154
Epoch 112/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0151
Epoch 113/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0148
Epoch 114/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0145
Epoch 115/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0142
Epoch 116/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0139
Epoch 117/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0136
Epoch 118/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0133
Epoch 119/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0131
Epoch 120/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0128
Epoch 121/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0125
Epoch 122/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0123
Epoch 123/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0120
Epoch 124/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 0.0118
Epoch 125/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 0.0115
Epoch 126/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 0.0113
Epoch 127/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0111
Epoch 128/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0108
Epoch 129/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0106
Epoch 130/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0104
Epoch 131/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0102
Epoch 132/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0100
Epoch 133/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0098
Epoch 134/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0096
Epoch 135/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0094
Epoch 136/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0092
Epoch 137/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0090
Epoch 138/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0088
Epoch 139/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0086
Epoch 140/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 0.0085
Epoch 141/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0083
Epoch 142/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0081
Epoch 143/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0079
Epoch 144/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0078
Epoch 145/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0076
Epoch 146/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0075
Epoch 147/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0073
Epoch 148/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0072
Epoch 149/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0070
Epoch 150/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0069
Epoch 151/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0067
Epoch 152/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0066
Epoch 153/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0065
Epoch 154/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0063
Epoch 155/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0062
Epoch 156/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0061
Epoch 157/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0059
Epoch 158/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0058
Epoch 159/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0057
Epoch 160/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0056
Epoch 161/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0055
Epoch 162/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0054
Epoch 163/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0052
Epoch 164/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0051
Epoch 165/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 15ms/step - loss: 0.0050
Epoch 166/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0049
Epoch 167/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0048
Epoch 168/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0047
Epoch 169/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0046
Epoch 170/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0045
Epoch 171/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0044
Epoch 172/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0043
Epoch 173/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0043
Epoch 174/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0042
Epoch 175/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0041
Epoch 176/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0040
Epoch 177/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0039
Epoch 178/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0038
Epoch 179/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0038
Epoch 180/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0037
Epoch 181/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0036
Epoch 182/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0035
Epoch 183/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0035
Epoch 184/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0034
Epoch 185/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0033
Epoch 186/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0033
Epoch 187/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0032
Epoch 188/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 0.0031
Epoch 189/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0031
Epoch 190/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0030
Epoch 191/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0029
Epoch 192/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0029
Epoch 193/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0028
Epoch 194/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0028
Epoch 195/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0027
Epoch 196/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0026
Epoch 197/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0026
Epoch 198/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0025
Epoch 199/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0025
Epoch 200/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0024
Epoch 201/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0024
Epoch 202/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0023
Epoch 203/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0023
Epoch 204/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0022
Epoch 205/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0022
Epoch 206/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0021
Epoch 207/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0021
Epoch 208/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0021
Epoch 209/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0020
Epoch 210/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0020
Epoch 211/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0019
Epoch 212/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0019
Epoch 213/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0019
Epoch 214/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0018
Epoch 215/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0018
Epoch 216/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0017
Epoch 217/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0017
Epoch 218/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0017
Epoch 219/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0016
Epoch 220/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0016
Epoch 221/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0016
Epoch 222/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0015
Epoch 223/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0015
Epoch 224/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0015
Epoch 225/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0014
Epoch 226/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 0.0014
Epoch 227/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0014
Epoch 228/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0014
Epoch 229/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0013
Epoch 230/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step - loss: 0.0013
Epoch 231/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0013
Epoch 232/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0013
Epoch 233/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0012
Epoch 234/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0012
Epoch 235/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0012
Epoch 236/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 0.0012
Epoch 237/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0011
Epoch 238/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0011
Epoch 239/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0011
Epoch 240/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 0.0011
Epoch 241/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0010
Epoch 242/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 0.0010
Epoch 243/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 9.9661e-04
Epoch 244/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 9.7614e-04
Epoch 245/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 9.5609e-04
Epoch 246/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 9.3644e-04
Epoch 247/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 9.1721e-04
Epoch 248/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.9837e-04
Epoch 249/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.7992e-04
Epoch 250/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.6185e-04
Epoch 251/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.4414e-04
Epoch 252/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 8.2680e-04
Epoch 253/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 8.0982e-04
Epoch 254/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 7.9318e-04
Epoch 255/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 7.7689e-04
Epoch 256/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 7.6093e-04
Epoch 257/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.4530e-04
Epoch 258/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 7.2999e-04
Epoch 259/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 7.1500e-04
Epoch 260/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.0031e-04
Epoch 261/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 6.8593e-04
Epoch 262/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 6.7184e-04
Epoch 263/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.5803e-04
Epoch 264/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 6.4452e-04
Epoch 265/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 6.3128e-04
Epoch 266/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.1831e-04
Epoch 267/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 6.0561e-04
Epoch 268/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.9317e-04
Epoch 269/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.8099e-04
Epoch 270/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.6906e-04
Epoch 271/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.5737e-04
Epoch 272/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 5.4592e-04
Epoch 273/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.3471e-04
Epoch 274/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 5.2372e-04
Epoch 275/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.1297e-04
Epoch 276/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.0243e-04
Epoch 277/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.9211e-04
Epoch 278/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 4.8200e-04
Epoch 279/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.7210e-04
Epoch 280/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.6240e-04
Epoch 281/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.5290e-04
Epoch 282/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.4360e-04
Epoch 283/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 4.3449e-04
Epoch 284/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 4.2556e-04
Epoch 285/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.1682e-04
Epoch 286/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.0826e-04
Epoch 287/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.9987e-04
Epoch 288/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.9166e-04
Epoch 289/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.8362e-04
Epoch 290/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.7573e-04
Epoch 291/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.6801e-04
Epoch 292/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.6046e-04
Epoch 293/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.5305e-04
Epoch 294/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.4580e-04
Epoch 295/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 3.3869e-04
Epoch 296/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.3174e-04
Epoch 297/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.2492e-04
Epoch 298/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.1825e-04
Epoch 299/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 3.1171e-04
Epoch 300/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 3.0531e-04
Epoch 301/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.9904e-04
Epoch 302/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.9290e-04
Epoch 303/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.8688e-04
Epoch 304/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.8098e-04
Epoch 305/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.7521e-04
Epoch 306/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.6956e-04
Epoch 307/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.6403e-04
Epoch 308/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.5860e-04
Epoch 309/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.5329e-04
Epoch 310/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.4809e-04
Epoch 311/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.4299e-04
Epoch 312/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.3800e-04
Epoch 313/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.3311e-04
Epoch 314/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.2832e-04
Epoch 315/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.2364e-04
Epoch 316/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.1904e-04
Epoch 317/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.1454e-04
Epoch 318/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.1013e-04
Epoch 319/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.0582e-04
Epoch 320/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.0159e-04
Epoch 321/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.9745e-04
Epoch 322/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.9339e-04
Epoch 323/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.8942e-04
Epoch 324/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 1.8553e-04
Epoch 325/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.8172e-04
Epoch 326/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 1.7799e-04
Epoch 327/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.7433e-04
Epoch 328/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.7075e-04
Epoch 329/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.6724e-04
Epoch 330/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.6381e-04
Epoch 331/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.6044e-04
Epoch 332/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.5715e-04
Epoch 333/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 1.5392e-04
Epoch 334/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.5076e-04
Epoch 335/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.4766e-04
Epoch 336/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.4463e-04
Epoch 337/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.4166e-04
Epoch 338/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.3875e-04
Epoch 339/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.3590e-04
Epoch 340/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.3311e-04
Epoch 341/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.3037e-04
Epoch 342/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.2769e-04
Epoch 343/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.2507e-04
Epoch 344/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.2250e-04
Epoch 345/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.1999e-04
Epoch 346/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.1752e-04
Epoch 347/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.1511e-04
Epoch 348/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.1274e-04
Epoch 349/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 1.1043e-04
Epoch 350/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 1.0816e-04
Epoch 351/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.0594e-04
Epoch 352/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 1.0376e-04
Epoch 353/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.0163e-04
Epoch 354/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 9.9544e-05
Epoch 355/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 9.7498e-05
Epoch 356/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 9.5495e-05
Epoch 357/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 9.3534e-05
Epoch 358/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 9.1613e-05
Epoch 359/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 8.9730e-05
Epoch 360/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 8.7887e-05
Epoch 361/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 8.6082e-05
Epoch 362/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 8.4313e-05
Epoch 363/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 8.2582e-05
Epoch 364/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step - loss: 8.0885e-05
Epoch 365/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.9224e-05
Epoch 366/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.7597e-05
Epoch 367/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.6004e-05
Epoch 368/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 7.4443e-05
Epoch 369/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.2912e-05
Epoch 370/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.1415e-05
Epoch 371/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.9948e-05
Epoch 372/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.8512e-05
Epoch 373/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 6.7105e-05
Epoch 374/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.5726e-05
Epoch 375/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.4376e-05
Epoch 376/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.3053e-05
Epoch 377/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 6.1758e-05
Epoch 378/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.0489e-05
Epoch 379/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.9246e-05
Epoch 380/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.8031e-05
Epoch 381/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.6839e-05
Epoch 382/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.5672e-05
Epoch 383/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.4529e-05
Epoch 384/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.3408e-05
Epoch 385/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.2311e-05
Epoch 386/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.1237e-05
Epoch 387/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.0185e-05
Epoch 388/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.9154e-05
Epoch 389/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.8144e-05
Epoch 390/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 4.7156e-05
Epoch 391/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 4.6188e-05
Epoch 392/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 4.5239e-05
Epoch 393/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 13ms/step - loss: 4.4309e-05
Epoch 394/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 4.3398e-05
Epoch 395/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 4.2507e-05
Epoch 396/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.1633e-05
Epoch 397/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.0779e-05
Epoch 398/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.9942e-05
Epoch 399/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.9120e-05
Epoch 400/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 3.8318e-05
Epoch 401/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.7531e-05
Epoch 402/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.6759e-05
Epoch 403/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 3.6003e-05
Epoch 404/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.5264e-05
Epoch 405/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.4541e-05
Epoch 406/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.3831e-05
Epoch 407/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 3.3135e-05
Epoch 408/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 3.2455e-05
Epoch 409/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 3.1789e-05
Epoch 410/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 3.1135e-05
Epoch 411/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 3.0495e-05
Epoch 412/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 2.9869e-05
Epoch 413/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.9256e-05
Epoch 414/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 2.8656e-05
Epoch 415/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.8067e-05
Epoch 416/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 2.7490e-05
Epoch 417/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.6925e-05
Epoch 418/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.6373e-05
Epoch 419/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 2.5831e-05
Epoch 420/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.5301e-05
Epoch 421/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 2.4781e-05
Epoch 422/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.4273e-05
Epoch 423/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.3773e-05
Epoch 424/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.3286e-05
Epoch 425/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.2808e-05
Epoch 426/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 2.2339e-05
Epoch 427/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.1880e-05
Epoch 428/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.1431e-05
Epoch 429/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 2.0990e-05
Epoch 430/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 2.0559e-05
Epoch 431/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 2.0137e-05
Epoch 432/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.9723e-05
Epoch 433/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.9318e-05
Epoch 434/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.8921e-05
Epoch 435/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.8533e-05
Epoch 436/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.8152e-05
Epoch 437/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.7779e-05
Epoch 438/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.7414e-05
Epoch 439/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.7056e-05
Epoch 440/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.6706e-05
Epoch 441/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.6363e-05
Epoch 442/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.6026e-05
Epoch 443/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.5697e-05
Epoch 444/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.5375e-05
Epoch 445/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.5059e-05
Epoch 446/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.4749e-05
Epoch 447/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.4447e-05
Epoch 448/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.4150e-05
Epoch 449/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.3859e-05
Epoch 450/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.3574e-05
Epoch 451/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.3296e-05
Epoch 452/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.3022e-05
Epoch 453/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.2755e-05
Epoch 454/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.2493e-05
Epoch 455/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.2237e-05
Epoch 456/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.1985e-05
Epoch 457/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.1739e-05
Epoch 458/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.1498e-05
Epoch 459/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 1.1262e-05
Epoch 460/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.1031e-05
Epoch 461/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 1.0804e-05
Epoch 462/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.0582e-05
Epoch 463/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.0365e-05
Epoch 464/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 1.0152e-05
Epoch 465/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 9.9434e-06
Epoch 466/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 9.7392e-06
Epoch 467/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 9.5390e-06
Epoch 468/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 9.3433e-06
Epoch 469/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 9.1514e-06
Epoch 470/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 8.9629e-06
Epoch 471/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 8.7788e-06
Epoch 472/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.5991e-06
Epoch 473/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 8.4220e-06
Epoch 474/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 8.2494e-06
Epoch 475/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 8.0797e-06
Epoch 476/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 7.9138e-06
Epoch 477/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 7.7513e-06
Epoch 478/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 7.5920e-06
Epoch 479/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 8ms/step - loss: 7.4360e-06
Epoch 480/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.2836e-06
Epoch 481/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 7.1340e-06
Epoch 482/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.9870e-06
Epoch 483/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 6.8438e-06
Epoch 484/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.7037e-06
Epoch 485/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.5661e-06
Epoch 486/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 6.4307e-06
Epoch 487/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 6.2986e-06
Epoch 488/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.1693e-06
Epoch 489/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 6.0430e-06
Epoch 490/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 5.9181e-06
Epoch 491/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 5.7970e-06
Epoch 492/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.6777e-06
Epoch 493/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.5607e-06
Epoch 494/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.4468e-06
Epoch 495/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 11ms/step - loss: 5.3349e-06
Epoch 496/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 5.2249e-06
Epoch 497/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 12ms/step - loss: 5.1183e-06
Epoch 498/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 5.0129e-06
Epoch 499/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 9ms/step - loss: 4.9098e-06
Epoch 500/500
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step - loss: 4.8089e-06
<keras.src.callbacks.history.History at 0x14fd18770>
Yeay, proses training selesai!
Sebelum lanjut, ayo kita review lagi proses pembelajaran neural network kita.
Di awal epochs, kamu bisa melihat nilai loss yang begitu besar, tetapi terus mengecil seiring pengulangan selanjutnya. Ketika training selesai, nilai loss sangatlah kecil. Hal ini menunjukkan bahwa model kita memiliki performa yang sangat baik dalam menyimpulkan hubungan antara angka X dan Y.
Kamu mungkin sadar bahwa kamu tidak butuh 500 epochs dan kamu bisa mencoba bereksperimen dengan epochs berbeda. Seperti yang kamu lihat dari contoh di atas, nilai loss nya sudah sangat kecil setelah epochs ke-50!
Menggunakan model#
Kamu telah memiliki model yang telah di-training untuk mempelajari hubungan antara X dan Y. Kamu bisa menggunakan fungsi model.predict untuk mempredisksi nilai Y dari nilai X baru. Misalnya, jika nilai X nya adalah 10, berapakah nilai Y?
Coba kamu tebak sebelum menjalankan kode di bawah:
print(model.predict(np.array([10.0])))
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 10ms/step
[[31.006397]]
Kamu mungkin menebak jawabannya adalah 31, tapi hasil dari model sedikit berbeda. Mengapa begitu?
Neural network berurusan dengan probabilitas, sehingga neural network mengkalkulasio bahwa terdapat probabilitas yang sangat besar bahwa hubungan antara X dan Y adalah Y=3X+1, tapi dia tidak bisa menjawab dengan yakin hanya dengan menggunakan 6 data point. Hasilnya sangat dekat dengan 31, tapi belum tentu 31.
Semakin sering kamu menggunakan neural network, kamu akan semakin sering melihat pola seperti di atas terjadi. Kamu pasti akan selalu berurusan dengan probabilitas, bukan kepastian, dan akan melakukan sedikit coding untuk mnengetahui hasil berdasalkan probabilitas, terutama jika berurusan dengan klasifikasi.
Selamat! 🎉#
Percaya atau tidak, kamu telah mempelajari sebagian besar konsep ML yang dapat kamu gunakan dalam skenario yang lebih kompleks. Kamu telah mempelajari cara melatih neural network untuk mengetahui hubungan antara dua himpunan angka. Kamu telah membuat himpunan layers (walau dalam tutorial ini hanya satu lapisan) yang berisi neuron (juga dalam kasus ini, hanya satu), yang kemudian kamu kompilasi menggunakan fungsi loss dan optimizer.
Neural network, fungsi loss, dan fungsi optimizer dapat digunakan untuk proses menebak hubungan antara angka-angka, mengukur seberapa baik mereka melakukannya, lalu membuat parameter baru untuk tebakan baru. Begitulah cara kerja machine learning secara sederhananya.