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)**Python CNN文本文档分类与Keras:如何适应;“两个输入的独立层”;,python,keras,model,conv-neural-network,Python,Keras,Model,Conv Neural Network,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
# 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)