hidden_units = (1024,2048)
embedding_size = 50

def create_model(num_filters, kernel_size):
    #Cria as entradas pra cada variavel categorica
    servico_input = Input(shape=(1,), name='servico_input')
    tipo_guia_input = Input(shape=(1,), name='tipo_guia')
    carater_atendimento_input = Input(shape=(1,), name='carater_atendimento')
    tipo_atendimento_input = Input(shape=(1,), name='tipo_atendimento')
    tipo_item_input = Input(shape=(1,), name='tipo_item')
    desc_tabela_input  = Input(shape=(1,), name='desc_tabela')
    texto_input = Input(shape=(100,), dtype='int32', name='main_input')

    lista_entradas = [servico_input,tipo_guia_input, carater_atendimento_input, tipo_atendimento_input, tipo_item_input, desc_tabela_input, texto_input]

#Camadas de embedding

servico_embedded = Embedding(int(servicoQTDE), embedding_size,
                                       input_length=1, name='servico_embedding')(servico_input)
tipo_guia_embedded = Embedding(int(tipo_guiaQTDE), 3,
                                       input_length=1, name='tipo_guia_embedding')(tipo_guia_input)
carater_atendimento_embedded = Embedding(int(carater_atendimentoQTDE), 2,
                                        input_length=1, name='carater_atendimento_embedding')(carater_atendimento_input)
tipo_atendimento_embedded = Embedding(int(tipo_atendimentoQTDE), 9,
                                        input_length=1, name='tipo_atendimento_embedding')(tipo_atendimento_input)
tipo_item_embedded = Embedding(int(tipo_itemQTDE), 4,
                                       input_length=1, name='tipo_item_embedding')(tipo_item_input)
desc_tabela_embedded = Embedding(int(desc_tabelaQTDE), 13,
                                        input_length=1, name='desc_tabela_embedding')(desc_tabela_input)

#Rede Convolucional para a entrada de texto

texto_embedded = Embedding(vocab_size+1, 150, input_length=maxlen, name='texto_embedding')(texto_input)
convolucional = Conv1D(num_filters, kernel_size, activation='relu')(texto_embedded)
gap = MaxPooling1D()(convolucional)
final = Flatten()(gap)


# Concatena os embeddings e remove dimensoes extras
concatenated = Concatenate()([servico_embedded, tipo_guia_embedded, carater_atendimento_embedded, tipo_atendimento_embedded, tipo_item_embedded, desc_tabela_embedded])
flatt = Flatten()(concatenated)


out = Concatenate()([flatt, final])

# Adiciona camadas ocultas
for n_hidden in hidden_units:
    tt = Dense(n_hidden, activation='relu')(out)
    out = Dropout(0.4)(tt)

# Adiciona camada de predicao
out = Dense(labelsQTDE, activation='softmax', name='prediction')(out)


model = Model(
    inputs = lista_entradas,
    outputs = out,
)

model.compile(
optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'],
)

return model

param_grid = dict(num_filters=[32, 64, 128, 256, 512],
              kernel_size=[3, 5, 7, 11])

from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import RandomizedSearchCV

# Main settings
epochs = 5
embedding_dim = 50
maxlen = 100
output_file = 'output.txt'


model = KerasClassifier(build_fn=create_model,
                            epochs=epochs, batch_size=10,
                            verbose=False)
grid = RandomizedSearchCV(estimator=model, param_distributions=param_grid,
                              cv=4, verbose=1, n_iter=5)
grid_result = grid.fit([X_train['servicoindice'], X_train['tipo_guiaIndice'], X_train['carater_atendimentoIndice'], X_train['tipo_atendimentoIndice'], X_train['tipo_itemIndice'], X_train['desc_tabelaIndice'], texto_treino],Y_train)

ValueError: Found input variables with inconsistent numbers of samples: [7, 187500]