如何在Keras的密集网络中拥有2个输入？

Question

我所遵循的大多数教程都展示了我如何使用Keras将一个输入提供到Dense网络的第一层中：

Inp = Input(shape=(1,))
x = Dense(100, activation='relu', name = "Dense_1")(Inp)
x = Dense(100, activation='relu', name = "Dense_2")(x)
output = Dense(50, activation='softmax', name = "outputL")(x)

但是，如果我想在密集网络的第一层提供2个或更多输入，我怎么能用Keras呢？这个想法只是拥有x1和x2的2个输入，如下所示：

我尝试过类似这样的内容，我从Keras文档的其中一个页面上的代码段中修改过：

Inp1 = Input(shape=(1,))
Inp2 = Input(shape=(1,))
Inp = keras.layers.concatenate([Inp1, Inp2])
x = Dense(100, activation='relu', name = "Dense_1")(Inp)
x = Dense(100, activation='relu', name = "Dense_2")(x)
output = Dense(50, activation='softmax', name = "outputL")(x)
res = model.fit([x1_train, x2_train], y_train,
                    validation_data=([x1_test, x2_test], y_test))

但是到目前为止，我从模型训练中得到的结果似乎具有可笑的低精度。我做了什么，我实际上打算做什么？