我想使用Keras训练一个二元分类器，我的训练数据形状为(2000,2,128)，标签形状为(2000,)，都是Numpy数组。
训练的目的是，如果在一个数组中的嵌入向量表示它们相同或不同，则使用0或1进行标记。
训练数据看起来像这样：[[[0 1 2 ....128][129.....256]][[1 2 3 ...128][9 9 3 5...]].....]，标签看起来像这样：[1 1 0 0 1 1 0 0..]。
这是代码：
import kerasfrom keras.layers import Input, Densefrom keras.models import Modelfrst_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，我遇到了以下错误：
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，以使用两个输入来训练分类器进行分类？
回答：
嗯，这里你有两个选择：
1) 将训练数据重塑为(2000, 128*2)，并只定义一个输入层：
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) 如你已经做的那样，定义两个输入层，并在调用fit方法时传递一个包含两个输入数组的列表：
# 假设X_train的形状为`(2000, 2, 128)`，如你所述model.fit([X_train[:,0], X_train[:,1]], y_train, ...)此外，由于你在这里进行的是二元分类，你需要在最后一层使用sigmoid作为激活函数（即在这种情况下使用softmax总是会输出1，因为softmax会将输出标准化，使它们的总和等于1）。
