此Keras模型在创建时工作，但在加载时失败。张量分裂

我正在试验LSTM，具体来说，将一个序列输入一个LSTM，将状态转移到另一个LSTM，然后对序列进行解码。我在两个LSTM之间添加了一个自动编码器，通过低维潜在空间对传输的状态进行编码和解码

当我创建模型并对其进行拟合时，这种方法效果很好。但是，如果我保存此模型，然后尝试继续对其进行训练，或者甚至在不进行额外训练的情况下仅使用它，则该模型不会运行，我会收到以下警告：

回溯（最近一次呼叫最后一次）：
文件“s2s_AE_2.py”，第140行，中
model.fit_生成器（train_generator（），callbacks=[checkpointer]，每_epoch的步骤=30，epoch=2000，verbose=1，validation_data=val_generator（），validation_步骤=30）
文件“C:\ProgramData\Anaconda3\lib\site packages\keras\legacy\interfaces.py”，第91行，在包装器中
返回函数（*args，**kwargs）
文件“C:\ProgramData\Anaconda3\lib\site packages\keras\engine\training.py”，第2224行，在fit_generator中
等级重量=等级重量）
文件“C:\ProgramData\Anaconda3\lib\site packages\keras\engine\training.py”，第1877行，在批处理的列中
等级重量=等级重量）
文件“C:\ProgramData\Anaconda3\lib\site packages\keras\engine\training.py”，第1476行，在用户数据中
异常（前缀为“输入”）
文件“C:\ProgramData\Anaconda3\lib\site packages\keras\engine\training.py”，第86行，输入数据
str（len（data））+'数组：'+str（data）[:200]+'…'）
ValueError：检查模型输入时出错：传递给模型的Numpy数组列表的大小不是模型预期的大小。预期会看到1个数组，但得到了以下2个数组的列表：[array（[[[0.47338937,0.75865918,0.37731877,0.63840222,，
0.14653083],
[ 0.52119932,  0.78308798,  0.45885839,  0.66738276,
0.20393343],
[ 0.5674261 ,  0.806364... 

我的代码如下：

来自keras.models导入模型
从keras.layers导入输入、LSTM、密集、时间分布、Lambda、辍学、激活、RepeatVector
从keras.callbacks导入模型检查点
将numpy作为np导入
从keras.layers导入Lambda，连接
从keras导入后端为K
从keras.models导入负载_模型
导入操作系统
序号长度=150
特征数量=5
LSTM_潜在尺寸=40
AE_潜在尺寸=10
编码器输入=输入（形状=（序列长度、特征数量））
编码器=LSTM（LSTM\U潜伏\U dim，返回\U状态=真）
编码器输出，状态h，状态c=编码器（编码器输入）
合并编码器状态=连接（轴=-1）（[状态h，状态c]）
编码状态=密集（AE_潜伏状态，激活='relu'）（合并编码器状态）
解码状态=密集（LSTM隐藏状态*2，激活='relu'）（编码状态）
解码器输入=输入（形状=（1，特征数量））
解码器\u lstm=lstm（lstm\u潜在\u dim，返回\u序列=True，返回\u状态=True）
解码器密度=密度（特征数量）
所有_输出=[]
输入=解码器输入
状态=[解码状态[：，：LSTM\U潜伏状态]，解码状态[：，LSTM\U潜伏状态：]
对于范围内的（顺序长度）：
#在一个时间步上运行解码器
输出，状态h，状态c=解码器lstm（输入，初始状态=状态）
输出=解码器密度（输出）
#存储当前预测（稍后我们将连接所有预测）
所有_输出。追加（输出）
#重新输入输出作为下一个循环迭代的输入
#以及更新状态
输入=输出
状态=[状态h，状态c]
#连接所有预测
解码器_输出=λ（λx:K.串联（x，轴=1））（所有_输出）
模型=模型（[编码器输入，解码器输入]，解码器输出）
#模型=负荷模型（'pre\u model.h5'）
_w的文件路径_='AE2_p2p_s2s_model.h5'
尝试：
model=load_model（filepath_for_w）#如果模型以前运行过，请从它继续
打印（“加载的模型”）
除外：打印（“新型号”）
打印（model.summary（））
compile（loss='mean\u squared\u error'，optimizer='adam'）
def创建波长（最小波长、最大波长、波长中的通量、类别）：
#类别：0-列车；2-验证；4-测试。1；3；5-死区
c=（category+np.random.random（））/6
k=通量（单位：波长）
#
base=（np.trunc（k*np.random.random（）*（max\u波长-min\u波长））+k*min\u波长）/k
答案=基数+c/k
返回（答复）
def制造线（长度、类别）：
shift=np.random.random（）
波长=创建波长（30,10,1，类别）
a=np.arange（长度）
答案=np.sin（a/波长+位移）
回覆
def制造数据（序号、序号、尺寸、类别）：
数据=np.数组（[]）。重塑（0，序列长度，尺寸）
对于范围内的i（序号）：
mini_data=np.数组（[]）.重塑（0，序号）
对于范围内的j（尺寸）：
行=制造行（序号、类别）
线条=线条。重塑（1，序号）
迷你们数据=np.append（迷你们数据，线，轴=0）
mini_数据=np.Swapax（mini_数据，1,0）
迷你数据=迷你数据。重塑（1，序列长度，尺寸）
数据=np.append（数据，最小数据，轴=0）
返回（数据）
def列_发生器（）：
尽管如此：
序列长度=序列长度+1
数据=生成数据（1000，序列长度，特征数量，0）#类别=列车中的0
#   
编码器输入数据=数据[：，1:，：]#全部
#               
解码器_输入_数据=数据[：，0，：]#序列中的第一个值
解码器输入数据=解码器输入数据。整形（（解码器输入数据。形状[0]，1，解码器输入数据。形状[1]））
#
#       
解码器\目标\数据=编码器\输入\数据
产生[编码器输入数据，解码器输入数据]，解码器目标数据
def val_生成器（）：
尽管如此：
序列长度=序列长度+1
数据=生成数据（1000，序列长度，特征数量，2）#类别=val中的2
#       
#       
##解码器_目标_数据与解码器_输入_数据相同，但偏移了一个时间步
#       
编码器输入