참 어렵네요.....

Analyzing model 
C:/Users/kjh14/STM32Cube/Repository/Packs/STMicroelectronics/X-CUBE-AI/7.2.0/Utilities/windows/stm32ai analyze --name network -m C:/Users/kjh14/Desktop/STM32cubeMX.AI/STM32_Quest_AI_Milli_2022/HAR/results/2022_Aug_09_23_46_05/har_IGN.h5 --type keras --compression none --verbosity 1 --workspace C:\Users\kjh14\AppData\Local\Temp\mxAI_workspace5494684707150012727319829777482021 --output C:\Users\kjh14\.stm32cubemx\network_output --allocate-inputs --allocate-outputs  
Neural Network Tools for STM32AI v1.6.0 (STM.ai v7.2.0-RC5) 
  
 Exec/report summary (analyze) 
 ------------------------------------------------------------------------------------------------------------------------ 
 model file           : C:\Users\kjh14\Desktop\STM32cubeMX.AI\STM32_Quest_AI_Milli_2022\HAR\results\2022_Aug_09_23_46_05\har_IGN.h5 
 type                 : keras 
 c_name               : network 
 compression          : none 
 allocator strategy   : ['allocate-inputs', 'allocate-outputs'] 
 workspace dir        : C:\Users\kjh14\AppData\Local\Temp\mxAI_workspace5494684707150012727319829777482021 
 output dir           : C:\Users\kjh14\.stm32cubemx\network_output 
 model_name           : har_IGN 
 model_hash           : bc22c207ac4187c769cf17ddb0da61e1 
 input 1/1            : 'input_0' 
                        72 items, 288 B, ai_float, float, (1,24,3,1), domain:activations/**default** 
 output 1/1           : 'dense_2' 
                        4 items, 16 B, ai_float, float, (1,1,1,4), domain:activations/**default** 
 params #             : 3,064 items (11.97 KiB) 
 macc                 : 14,404 
 weights (ro)         : 12,256 B (11.97 KiB) (1 segment) 
 activations (rw)     : 2,016 B (1.97 KiB) (1 segment) * 
 ram (total)          : 2,016 B (1.97 KiB) = 2,016 + 0 + 0 
  
 (*) input/output buffers can be used from the activations buffer 
  
 Model name - har_IGN ['input_0'] ['dense_2'] 
 ------------------------------------------------------------------------------------------------------ 
 id   layer (original)                 oshape                  param/size     macc     connected to    
 ------------------------------------------------------------------------------------------------------ 
 0    input_0 (None)                   [b:None,h:24,w:3,c:1]                                           
      conv2d_1_conv2d (Conv2D)         [b:None,h:9,w:3,c:24]   408/1,632      10,392   input_0         
      conv2d_1 (Conv2D)                [b:None,h:9,w:3,c:24]                  648      conv2d_1_conv2d 
 ------------------------------------------------------------------------------------------------------ 
 1    max_pooling2d_1 (MaxPooling2D)   [b:None,h:3,w:3,c:24]                  648      conv2d_1        
 ------------------------------------------------------------------------------------------------------ 
 2    flatten_1 (Flatten)              [b:None,c:216]                                  max_pooling2d_1 
 ------------------------------------------------------------------------------------------------------ 
 3    dense_1_dense (Dense)            [b:None,c:12]           2,604/10,416   2,604    flatten_1       
 ------------------------------------------------------------------------------------------------------ 
 5    dense_2_dense (Dense)            [b:None,c:4]            52/208         52       dense_1_dense   
      dense_2 (Dense)                  [b:None,c:4]                           60       dense_2_dense   
 ------------------------------------------------------------------------------------------------------ 
 model/c-model: macc=14,404/14,404  weights=12,256/12,256  activations=--/2,016 io=--/0 
  
 Number of operations per c-layer 
 ----------------------------------------------------------------------------------- 
 c_id    m_id   name (type)                          #op (type)                     
 ----------------------------------------------------------------------------------- 
 0       1      conv2d_1_conv2d (optimized_conv2d)            11,688 (smul_f32_f32) 
 1       3      dense_1_dense (dense)                          2,604 (smul_f32_f32) 
 2       5      dense_2_dense (dense)                             52 (smul_f32_f32) 
 3       5      dense_2 (nl)                                      60 (op_f32_f32)   
 ----------------------------------------------------------------------------------- 
 total                                                        14,404                
  
   Number of operation types 
   --------------------------------------------- 
   smul_f32_f32              14,344       99.6% 
   op_f32_f32                    60        0.4% 
  
 Complexity report (model) 
 ------------------------------------------------------------------------------------ 
 m_id   name              c_macc                    c_rom                     c_id   
 ------------------------------------------------------------------------------------ 
 1      max_pooling2d_1   ||||||||||||||||  81.1%   |||               13.3%   [0]    
 3      dense_1_dense     ||||              18.1%   ||||||||||||||||  85.0%   [1]    
 5      dense_2_dense     |                  0.8%   |                  1.7%   [2, 3] 
 ------------------------------------------------------------------------------------ 
 macc=14,404 weights=12,256 act=2,016 ram_io=0 
Creating txt report file C:\Users\kjh14\.stm32cubemx\network_output\network_analyze_report.txt 
elapsed time (analyze): 2.309s 
Getting Flash and Ram size used by the library 
Model file:      har_IGN.h5 
Total Flash:     29984 B (29.28 KiB) 
    Weights:     12256 B (11.97 KiB) 
    Library:     17728 B (17.31 KiB) 
Total Ram:       4000 B (3.91 KiB) 
    Activations: 2016 B (1.97 KiB) 
    Library:     1984 B (1.94 KiB) 
    Input:       288 B (included in Activations) 
    Output:      16 B (included in Activations) 
Done 
Analyze complete on AI model