я хочу объединить две разные модели

Question

Я постоянно пересматриваю модель.Поэтому, пожалуйста, подтвердите, что есть много комментариев.

Мой старый код нормально работал в Windows.Однако в Linux возникает следующая ошибка, и код изменяется.

linux error keras пытается использовать неинициализированное значение -> 1

Итак, я хочуизменить модель слияния через keras model.add.К сожалению, теперь в коде много ошибок.

ValueError: Выходные тензоры в модель должны быть выходными данными Keras Layer (таким образом, удерживая метаданные прошлого слоя).Найдено:
-> 2

Я хочу решить ошибки 1 и 2.

def train_model(self,lr,input_size,dimension):

    K.get_session().run(tf.global_variables_initializer())
    K.get_session().run(tf.local_variables_initializer())
    init = K.tf.global_variables_initializer()
    K.get_session().run(init)

    word_vector = Sequential()

    K.get_session().run(tf.global_variables_initializer())
    K.get_session().run(tf.local_variables_initializer())
    init = K.tf.global_variables_initializer()
    K.get_session().run(init)

    tag_one_hot = Sequential()

    # wordvector
    word_vector.add(Conv2D(16, kernel_size=(2, dimension),activation='relu',padding="SAME",input_shape=[input_size,dimension,1],kernel_regularizer=regularizers.l2(0.001),
                           kernel_initializer= initializers.RandomNormal(mean=0.0, stddev=1e-2, seed=None)))
    word_vector.add(Dropout(0.5))
    word_vector.add(Conv2D(32, (3, dimension), activation='relu', padding="VALID",kernel_regularizer=regularizers.l2(0.001),
                           kernel_initializer=initializers.RandomNormal(mean=0.0, stddev=1e-2, seed=None)))
    word_vector.add(MaxPooling2D(pool_size=(20, 1), strides=(1,1)))
    word_vector.add(Dropout(0.5))
    word_vector.add(Flatten())
    # tagset
    tag_one_hot.add(Dense(256, input_dim=input_size*56, activation='relu',kernel_initializer=initializers.RandomNormal(mean=0.0,
        stddev=1e-2, seed=None)))
    tag_one_hot.add(Dropout(0.5))
    tag_one_hot.add(Dense(256, input_dim=256, activation='relu',kernel_initializer=initializers.RandomNormal(mean=0.0,
        stddev=1e-2, seed=None)))
    tag_one_hot.add(Dropout(0.5))
    tag_one_hot.add(Dense(256, input_dim=256, activation='relu',kernel_initializer=initializers.RandomNormal(mean=0.0,
        stddev=1e-2, seed=None)))
    tag_one_hot.add(Dropout(0.5))
    # merge
    concat = Concatenate([word_vector.output,tag_one_hot.output])

    merged = Sequential()
    merged.add(concat)
    merged.add(BatchNormalization())
    merged.add(Dense(2048,activation='relu',kernel_initializer=initializers.RandomNormal(mean=0.0,
        stddev=1e-2, seed=None)))
    merged.add(Dropout(0.5))
    merged.add(Dense(2048, activation='relu', kernel_initializer=initializers.RandomNormal(mean=0.0, stddev=1e-2, seed=None)))
    merged.add(Dropout(0.5))
    merged.add(Dense(1024, activation='relu', kernel_initializer=initializers.RandomNormal(mean=0.0, stddev=1e-2, seed=None)))
    merged.add(Dropout(0.5))
    merged.add(Dense(3, activation='sigmoid', kernel_initializer=initializers.RandomNormal(mean=0.0, stddev=1e-2, seed=None)))


    adam = optimizers.Adam(lr=lr, beta_1=0.9, beta_2=0.999, epsilon=1e-8, decay=0.0,amsgrad=False)
    self.model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
    self.model.summary()
    plot_model(self.model, to_file='model_plot.png', show_shapes=True, show_layer_names=True)