我正在尝试使用Keras构建一个图像分类器来预测乳腺癌病例，之前遇到了一些麻烦，因为这不是一个“简单”的分类器，我无法用Keras的传统方法来实现。所以我想尝试添加比单纯的图像更多的信息，比如一个数组[图像，年龄，密度]。我在这方面是新手，不知道这是否可行，或者如何寻找正确的方法来实现，我尝试这样做：
X = np.array(X) \\ 图像
y = np.array(y) \\ 一个包含1或0的数组（癌症与否）
z = np.array(z) \\ 乳房密度所有数组对应同一个病例，例如X[0]是图像，y[0]表示此病例是否为癌症，z[0]是此病例的密度
model = Sequential()
model.add(Conv2D(64,(3,3), activation = 'relu'))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(64,(3,3), activation = 'relu'))
model.add(MaxPooling2D((2,2)))
model.add(Flatten())
model.add(Dense(128, input_shape = X.shape[1:],activation = 'relu'))
model.add(Dense(2,activation = 'softmax'))
model.compile(optimizer = 'adam', loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'])
model.fit(X,z,y, epochs = 20) // 我实际上不知道如何将信息传递给模型这是我遇到的错误：
具有多个元素的数组的真值是模糊的。使用a.any()或a.all()
回答：
Fit函数不接受这样的参数。如果你查看函数定义，第一个参数是输入，第二个是目标预测，第三个是批量大小。
你应该做的就是将X和z（以及任何其他信息）连接起来，因为它们都是输入数据。例如：
Xz = np.concatenate((X, z[..., np.newaxis]), axis=-1)注意：z[..., np.newaxis]将一个大小为[H, W]的数组变成[H, W, 1]，这样你就可以将其与X连接起来，我假设X是一个形状为[H,W,3]的RGB图像。如果是灰度图像，只需忽略这一点，直接使用z即可。
最终，你希望输入的维度为[H,W,C]，其中C是所有数据的维度，例如[红色，绿色，蓝色，年龄，密度等]。在网络设计中，将非图像信息（如年龄）注入到网络的最后几层（例如Dense(128)）可能更有意义。
