# filter, kernel_size, pool_size 지정해주지 않아도 위치만 맞으면 인식된다.
model = models.Sequential()
model.add(layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
model.add(layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(layers.MaxPooling2D(pool_size=(2, 2)))
model.add(layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
-- question: 비즈니스 모델에 적용하자면, 복잡한 패턴을 발견해내고자 할 때 더 높은 성능의 모델링과 그에 따른 비용이 필요할 것이다. 반대로 패턴이 단순하게 적용되어도 무방한 문제를 해결해야 한다면, 커널 사이즈를 키우는 것으로 비용 부담을 덜어서 적절한 트레이드 오프를 발생시킬 수 있다.