Python CNN文本文档分类与Keras：如何适应；“两个输入的独立层”；

我有一个CNN模型，它输入两个独立的文档，并分别执行卷积层和池层。在合并层之后，它将两个合并的特征映射连接在一起，并馈送到一个完全连接的层。该模型可以成功编译。但是，现在，我在进行列车历史记录时，无法拟合模型。

我问题的主要思想是：如何将x_列修改为x_列1和x_列2。x_测试到x_测试1和x_测试2。而y_训练和y_测试保持不变。

我在一个网站上引用了这种模式：

**历史=模型.fit（X\u序列，y\u序列，历代=100，详细=假，验证数据=（X\u测试，y\u测试），批次大小=10）**

• 第一种方法1的错误消息为：
  无法识别的关键字参数：{'train_data'：（['.'.''.'.}

• 第一种方法2的误差为：
  ValueError:检查输入时出错：预期输入_1具有形状（10），但获得具有形状（1）的数组

每种x_序列和x_测试数据都是一个包含许多字符串的长列表；而y_序列和y_测试也是一个列表，它将x_测试/x_序列中的字符串映射到一个特定的标签，如果将标签分为3种类型：[0,0,1]，[0,1,0]，[1,0,0]

我希望能成功地适应这个模型

# fit the model method 1
train_history = model.fit(train_data = (X_train1, X_train2), 
                      validation_data=(x_test1, x_test2), epochs=8, batch_size=8, verbose=1) 

# =================

# fit the model method 2
train_history = model.fit(x = [x_train1, x_train2], y = [y_train], validation_split=0.2, validation_data=[[x_test1, x_test2], [y_test]], epochs=8, batch_size=8, verbose=1)