我正在尝试训练具有多输入类型的复杂模型。 问题-损失没有减少，我认为这是由于网络拓扑错误造成的。 我的代码正确吗？
模型：
输入：
a。 6张图片。 5个内容相似，1个是随机图像。
b。文字查询，描述了5张相似的图片。
输出：
模型需要预测随机图像是否类似于查询图像以及其他5张图像（是或否问题-二进制输出）。
问题-损失没有减少，我认为这是由于网络拓扑错误造成的。
def text_dnn(input_shape): #text query converted to vectors using word2vec
model = Sequential()
model.add(Flatten(input_shape=input_shape))
model.add(Dense(1024, activation='relu', name='text_combination'))
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu', name='text_feature_vector'))
return model
def image_cnn(input_shape,number_of_examples):
images_inputs = [Input(image_input_shape) for i in range(5+1)]
vgg_16= VGG16(weights='imagenet' ,input_shape=(224, 224, 3))
vgg_16= Model(inputs=vgg_16.input, outputs=vgg_16.get_layer('fc2').output)
model = Sequential()
model.add(vgg_16)
image_layer_combination = [model(image_input) for image_input in images_inputs]
combination_layer = concatenate(image_layer_combination)
fc_1 = Dense(2048,activation='relu', name='image_combination')(combination_layer)
image_model = Model(inputs=images_inputs,outputs=fc_1)
return image_model
def mergeCnnModel(cnnModel, cnnModel2):
merged = concatenate([cnnModel.layers[-1].output, cnnModel2.layers[-1].output])
dense1 = Dense(1024, activation='relu', name='image_text_combination')(merged)
drop1 = Dropout(0.5)(dense1)
dense2 = Dense(128, activation='relu', name='feature_vector')(drop1)
outputs = Dense(1, activation='sigmoid')(dense2)
model = Model(inputs=cnnModel.inputs+cnnModel2.inputs, outputs=outputs)
return model
def get_complex_model(image_input_shape, number_of_examples,text_input_shape):
#text branch
text_model = text_dnn(text_input_shape)
#images branch
image_model=image_cnn(image_input_shape, number_of_examples)
#merge branches
new_model= mergeCnnModel(image_model,text_model )
return new_model
combined_model = get_complex_model(image_input_shape,number_of_examples,text_input_shape)
模型是训练，但损失保持不变。