Keras, подача на вход двух массивов данных

import os
 
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist
from tensorflow import keras
from keras.layers import Dense, Flatten
 
U = np.random.sample(10000)
R = np.random.sample(10000)
I = U / R
 
model = keras.Sequential()
 
#model.add(Flatten())
 
model.add(Dense(units=2, input_shape=(2,), activation='linear'))
 
model.add(Dense(units=2, activation='linear'))
 
model.add(Dense(units=1, activation='sigmoid'))
 
model.compile(loss='mean_squared_error', optimizer=keras.optimizers.Adam(0.1), metrics=['accuracy'])
 
history = model.fit([U, R], I, epochs=500, verbose=0)
 
print(model.predict([3, 2]))

input = np.array([[10, 5], [10, 10], [25, 5]])
I = np.array([2, 1, 5])
 
model = keras.Sequential()
 
model.add(Dense(units=2, input_shape=(None, 2), activation='linear'))
 
model.add(Dense(units=1, activation='sigmoid'))
 
model.compile(loss='mean_squared_error', optimizer=keras.optimizers.Adam(0.1), metrics=['accuracy'])
 
history = model.fit(input, I, epochs=500, verbose=0)
 
print(model.predict([3, 2]))

# Модель с одномерными входными данными и бинарной классификацией
 
model = keras.Sequential()
 
model.add(Dense(units=4, activation='relu', input_dim=2))
 
model.add(Dense(1, activation='sigmoid'))
 
model.compile(optimizer='adam',
 
              loss='mean_squared_error',
 
              metrics=['accuracy'])
 
# Генерируем случайные данные
 
import numpy as np
 
array_R_U = np.random.random((1000, 2))
 
I = np.random.uniform(2, size=(1000, 1))
for i in range(len(array_R_U)):
    I[i] = array_R_U[i][1] / array_R_U[i][0]
 
 
model.fit(array_R_U, I, epochs=100, batch_size=32)

model = keras.Sequential(
    Dense(units=1, input_shape=(1, ), activation='linear')
)
 
model.compile(loss='mean_squared_error', optimizer=keras.optimizers.Adam(0.1))
 
history = model.fit(inputData, outputData, epochs=2500)