错误提示：
ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 3 array(s), but instead got the following list of 1 arrays: [array([[1245, 177, 2587, ..., 1057, 962, 1057],
报错语句：
model.fit(x=[x_content_train, x_syntax_train, x_depth_train], y=y_train,
batch_size=batch_size, epochs=nb_epoch,
validation_data=([x_content_test, x_syntax_test, x_depth_test], y_test),
callbacks=[metrics, checkpoint])
并没有解决问题的纠结：
1.以为是格式写错了，换成字典方式传入Input，照旧报错。
model.fit({'content_input':x_content_train,'syntax_input':x_syntax_train,'depth_input':x_depth_train}, y_train,
batch_size=batch_size, epochs=nb_epoch,
validation_data=({'content_input':x_content_test,'syntax_input':x_syntax_test,'depth_input':x_depth_test}, y_test),
callbacks=[metrics, checkpoint])
2.以为是validation_data的错，结果换成validation_split=0.3也一样的错误。
debug
网上查了很多资料，两个小时都没有解决，无解，自己debug代码吧：
1.首先确认是验证集的问题，证据如下：
a.在每个epoch训练时都是正常的，但是在每个epoch结束做验证时就报错，所以应该是验证集的问题。
b.在model.fit语句中去掉validation相关项+callbacks，是可以正常运行的。
即model.fit(x=[x_content_train, x_syntax_train, x_depth_train], y=y_train,
batch_size=batch_size, epochs=nb_epoch)
c.打印出所有的input：包括train和test部分，对比一下错误提示中的数组，看到底是得到了哪一个，哪两个丢了。
结果发现，得到的是第一个input，后面两个丢了。
print x_content_test:
[[1850 1047 1197 ... 2220 1189 788]
[2106 2458 1655 ... 1057 962 1057]
[ 423 1490 919 ... 2451 482 788]
...
[1599 2602 1731 ... 1057 962 1057]
[ 369 1197 1412 ... 1057 962 1057]
[ 85 1966 2757 ... 788 1057 1057]]
error get only on array as:
[array([[1850, 1047, 1197, ..., 2220, 1189, 788],
[2106, 2458, 1655, ..., 1057, 962, 1057],
[ 423, 1490, 919, ..., 2451, 482, 788],
...,
[1599, 2602, 1731, ..., 1057, ...
解决方案：
没找到多输入时model.fit中设置validation_data的例子，而且用validation_split也一样是错的，但是验证集又是必须用的，所以后来我就把多输入改成单输入了，其实就是在输入之前先拼接，输入之后再拆分，费点功夫而已，单输入时validation_data是没问题的。
参考链接：
https://www.jianshu.com/p/0c7af5fbcf72 作者：赤乐君
首先Keras的fit函数中，传入的validation data并不用于更新权重，只是用是来检测loss和accuracy等指标的。但是！作者说了，即使模型没有直接在validation data上训练，这也会导致信息泄露，模型会对validation data逐渐熟悉。所以这里我简单总结一下比较方便的data split方法。
第一步：调参
1、用sklearn的train_test_split来把数据分割为training data和test data.（根本没有validation data注意了）
2、用keras的model.fit()时，不要使用validation_data这个参数，而是直接使用validation_split这个参数，把training data中的一部分用来作为validation data就行了。
必须在validation data上进行验证，输出loss，观察变化，调参，包括：更改layer，unit，加dropout，使用L2正则化，添加新feature等等。
第二步：训练
等调参结束后，拿着我们满意的参数，再一次在整个training data上进行训练，这一次就不用validation_split了。因为我们已经调好了参数，不需要观察输出的loss。
训练完之后，用model.evaluate()在test data上进行预测。
