与多输入多输出自动编码器的Keras拟合时的数据大小问题

Question

我试图建立一个多输入的多输出编码器，以进行密集的数据表示。 （对体系结构的解释是，我希望一个通用网络对数字和分类数据重建进行优化。）

从我的原始数据中，我产生了一个28列宽的单热数组，用于分类数据，而另一个则产生了另一个数据。数值数据的17列广泛的归一化数组：

m_cat_train.shape # (59768, 28)
m_cat_test.shape # (3146, 28)
m_num_train.shape # (59768, 17)
m_num_test.shape # (3146, 17)

我的体系结构：

cat_input = Input(shape=(m_cat.shape[1],))
num_input = Input(shape=(m_num.shape[1],))

cat_enc = Dense(16, activation='relu')(cat_input)
cat_enc = Dense(8, activation='relu')(cat_enc)

num_enc = Dense(16, activation='relu')(num_input)
num_enc = Dense(8, activation='relu')(num_enc)

bottleneck = concatenate([cat_enc, num_enc])

cat_dec = Dense(8, activation='relu')(bottleneck)
cat_dec = Dense(16, activation='relu')(cat_dec)
cat_output = Dense(m_cat.shape[1], activation='sigmoid', name="cat_output")(cat_dec)

num_dec = Dense(8, activation='relu')(bottleneck)
num_dec = Dense(16, activation='relu')(num_dec)
num_output = Dense(m_num.shape[1], activation='linear', name="num_output")(num_dec)

model = Model(inputs=[cat_input, num_input], 
              outputs =[cat_output, num_output], 
              name="autoencoder")

但是，在培训中：

model.compile(optimizer="adam",
              loss={"cat_output" : "categorical_crossentropy", "num_output":"mse"},
              loss_weights={"cat_output": 1.0, "num_output": 1.0},
              metrics={"cat_output": 'accuracy', "num_output": 'accuracy'})

hist = model.fit([m_cat_train, m_num_train], [m_cat_test, m_num_test],
    batch_size=16,
    epochs=16,
    verbose=1)

我收到以下错误消息：

ValueError: Data cardinality is ambiguous:
  x sizes: 59756, 59756
  y sizes: 3146, 3146
Make sure all arrays contain the same number of samples.

这里有什么问题？据我所知，输入和输出的尺寸还可以，如何解释错误消息？这里的“基数”怎么样？

奖励问题相关：如何定义早期stopping回调以拟合哪种指标将两个指标结合到一个停止条件中？

from keras.callbacks import EarlyStopping

earlyStopping = EarlyStopping(monitor='val_accuracy', 
    restore_best_weights=True,
    mode='max')

在上述代码中观察到哪个val_accuracy？