Как я могу заставить мою модель принимать два тензора в качестве входных данных. Я пробовал использовать слой слияния, н ⇐ Python

[Anonymous]

Создать данные обучения

импортировать случайным образом импортировать numpy как np x_train = [] x1_train = [] y_train = [] атомы = [0,1] р = [0,6,0,4] для меня в диапазоне (1000): x_train.append([np.random.choice(атомы, p=p),np.random.choice(атомы, p=p)]) для меня в диапазоне (1000): x1_train.append([np.random.choice(атомы, p=p),np.random.choice(атомы, p=p)]) для меня в x_train: если 1 в i: y_train.append([1]) еще: y_train.append([0]) Преобразовать в массивы numpy, чтобы их можно было использовать в keras

x_train = np.array(x_train) x1_train = np.array(x_train) y_train = np.array(y_train) импортировать тензорный поток как tf Нормализация данных, чтобы их было удобнее использовать в модели

x_train = tf.keras.utils.normalize(x_train, axis = 1) x1_train = tf.keras.utils.normalize (x_train, ось = 1) y_train = tf.keras.utils.normalize (y_train, ось = 0) Создать модель с плотными слоями

model = tf.keras.models.Sequential() model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(128, активация = tf.nn.relu)) model.add(tf.keras.layers.Dense(128, активация = tf.nn.relu)) model.add(tf.keras.layers.Dense(128, активация = tf.nn.relu)) model.add(tf.keras.layers.Dense(128, активация = tf.nn.relu)) model.add(tf.keras.layers.Dense(128, активация = tf.nn.relu)) model.add(tf.keras.layers.Dense(1, активация = tf.nn.sigmoid)) Скомпилировать и обучить модель по трем спискам
model.compile(optimizer='adam', потеря = 'mean_absolute_percentage_error', метрики=['точность']) model.fit(x_train, x1_train, y_train, эпох = 10)