Python 将多个输入传递到Keras模型时出错

我想使用Keras训练一个二进制分类器，我的训练数据是shape

（2000,2128）

和shape

（2000，）

的标签作为Numpy数组

其思想是训练这样一种情况，即在单个数组中嵌入在一起意味着它们要么相同，要么不同，分别使用0或1进行标记

培训数据如下所示：

标签看起来像
[1 1 0 0 1 0..]

代码如下：

import keras
from keras.layers import Input, Dense

from keras.models import Model

frst_input = Input(shape=(128,), name='frst_input')
scnd_input = Input(shape=(128,),name='scnd_input')
x = keras.layers.concatenate([frst_input, scnd_input])
x = Dense(128, activation='relu')(x)
x=(Dense(1, activation='softmax'))(x)
model=Model(inputs=[frst_input, scnd_input], outputs=[x])
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[ 0.2],metrics=['accuracy'])

运行此代码时出现以下错误：

ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 2 array(s), but instead got the following list of 1 arrays: [array([[[ 0.07124118, -0.02316936, -0.12737238, ...,  0.15822273,
      0.00129827, -0.02457245],
    [ 0.15869428, -0.0570458 , -0.10459555, ...,  0.0968155 ,
      0.0183982 , -0.077924...

我如何解决这个问题？我的代码是否正确，可以使用两个输入来训练分类器进行分类？
嗯，这里有两个选项：

1） 将训练数据重塑为
（2000，128*2）
，并仅定义一个输入层：

X_train = X_train.reshape(-1, 128*2)

inp = Input(shape=(128*2,))
x = Dense(128, activation='relu')(inp)
x = Dense(1, activation='sigmoid'))(x)
model=Model(inputs=[inp], outputs=[x])

2） 如前所述，定义两个输入层，并在调用
fit
方法时传递两个输入数组的列表：

# assuming X_train have a shape of `(2000, 2, 128)` as you suggested
model.fit([X_train[:,0], X_train[:,1]], y_train, ...)

此外，由于您在这里进行二进制分类，您需要使用
sigmoid
作为最后一层的激活（即在这种情况下使用
softmax
将始终输出1，因为
softmax
将输出规格化，使其总和等于1）.
调用
fit
方法时，传递对应于两个输入层的两个数组的列表。不要将
softmax
用作最后一层的激活。否则，由于它有一个单元，它将始终输出1。改用
sigmoid
。