gridsearchCV暴力训练多输入keras模型报错！

1. 问题描述

使用keras框架写了深度学习框架，尝试使用sklearn.gridsearchCV对模型的超参进行一波暴力调参，为达到该目的，需要以下几步：

1. 将keras模型转换为grid seach可调参的形式。
   model = scikit_learn.KerasClassifier(build_fn=build_model(k,adam), verbose=0)
2. 训练模型。本文中模型为多输入结构，类似于下图(盗图，此处仅为说清概念)，输入分为input1和input2。

模型训练fit(x_train, y_train)，其中x_train为2维输入，如下。

x_train = [X_train1, X_train2]
grid_result = grid.fit(x_train, y_train)

运行代码，fit时报错为

found input variables with inconsistent numbers of samples

即要求x_train.shape[0] = y_train.shape[0]=样本数，但若为n个输入，x_train.shape[0] = n != 样本数，这个矛盾必不可解决啊！！（除非改库或者改变输入格式）

2. 解决方案

寻寻觅觅寻寻觅觅，尝试了n多种方法，最后终于找到了一个完美的解决方案（keras lambda层），哦吼吼。

keras.layers.core.Lambda(function, output_shape=None, mask=None, arguments=None)

• keras lambda层：用以对上一层的输出施以任何Theano/TensorFlow表达式，对流经该层的数据做个变换，而这个变换本身没有什么需要学习的参数。
• 在build_model中，input层之前添加lambda层(如下图)，而fit(x_train, y_train)中的x_train不需要为n维输入，也就避免了第一部分所述矛盾。

build_model中代码如下：

# 导入库
from keras.layers.core import Lambda

# 使用lambda对输入数据取值
# 其中X_train1为x_train的0:3列，X_train2为X_train的4:7列。
X_train1 = Lambda(slice,output_shape=(4，1),arguments={'index':0})(inputs)
X_train2 = Lambda(slice,output_shape=(4，1),arguments={'index':4})(inputs)

完结撒花！