Python 从.h5文件加载权重时Tensorflow 2.0值错误

我有一个VAE架构脚本，如下所示：

将numpy导入为np
导入tensorflow作为tf
从tensorflow.keras.layers导入输入、Conv2D、展平、密集、Conv2D转置、Lambda、重塑、图层
从tensorflow.keras.models导入模型
从tensorflow.keras.optimizers导入Adam
从tensorflow.keras导入后端为K
输入尺寸=（64,64,3）
CONV_过滤器=[32,64,64,128]
CONV_内核大小=[4,4,4,4]
CONV_步幅=[2,2,2,2]
CONV_激活=['relu'、'relu'、'relu'、'relu'、'relu']
密集型_尺寸=1024
CONV_T_FILTERS=[64,64,32,3]
CONV_T_内核大小=[5,5,6,6]
CONV_T_跨步=[2,2,2,2]
CONV_T_激活=['relu'、'relu'、'relu'、'sigmoid']
Z_DIM=32
批量大小=100
学习率=0.0001
KL_公差=0.5
类别抽样（层）：
def呼叫（自我，输入）：
mu，log_var=输入
ε=K.随机_正常（形状=K.形状（μ），平均值=0，标准差=1。）
返回mu+K.exp（log\u var/2）*epsilon
VAEModel类（型号）：
定义初始值（自身、编码器、解码器、r_损耗系数，**kwargs）：
超级（VAEModel，自我）。\uuuuu初始值（**kwargs）
self.encoder=编码器
self.decoder=解码器
self.r\u损失系数=r\u损失系数
def系列步骤（自身、数据）：
如果isinstance（数据、元组）：
数据=数据[0]
def compute_内核（x，y）：
x_size=tf.shape（x）[0]
y_size=tf.shape（y）[0]
尺寸=tf.形状（x）[1]
平铺x=tf.tile（tf.reformate（x，tf.stack（[x\u大小，1，dim]）），tf.stack（[1，y\u大小，1]））
平铺y=tf.tile（tf.reformate（y，tf.stack（[1，y\u大小，dim]）），tf.stack（[x\u大小，1，1]））
返回tf.exp（-tf.reduce_-mean（tf.square（平铺x-平铺y），轴=2）/tf.cast（dim，tf.float32））
def计算mmd（x，y）：
x_内核=计算内核（x，x）
y_内核=计算_内核（y，y）
xy_内核=计算_内核（x，y）
返回tf.reduce_-mean（x_内核）+tf.reduce_-mean（y_内核）-2*tf.reduce_-mean（xy_内核）
使用tf.GradientTape（）作为磁带：
z_平均值，z_log_var，z=self.encoder（数据）
重构=自译码器（z）
重建损失=tf.reduce平均值(
tf.square（数据重建），轴=[1,2,3]
)
重建损失*=自恢复损失系数
kl_损失=1+z_log_var-tf.square（z_均值）-tf.exp（z_log_var）
kl_损失=tf。减少总和（kl_损失，轴=1）
吉隆坡损失*=-0.5
true_samples=tf.random.normal（tf.stack（[BATCH_SIZE，Z_DIM]））
损失=计算（真实样本，z）
总损失=重建损失+损失mmd
梯度=磁带梯度（总损耗、自身可训练重量）
自我优化。应用梯度（zip（梯度，自我训练的权重））
返回{
“损失”：总损失，
“重建损失”：重建损失，
“kl_损失”：kl_损失，
“损失额”：损失额
}
def呼叫（自我，输入）：
潜在=自编码器（输入）
返回自译码器（潜在）
类VAE（）：
定义初始化（自）：
self.models=self.\u build（）
self.full_model=self.models[0]
self.encoder=self.models[1]
self.decoder=self.models[2]
self.input_dim=输入_dim
self.z_dim=z_dim
自学习率=学习率
self.kl_公差=kl_公差
def_构建（自）：
vae_x=输入（形状=输入尺寸，名称=观察输入）
vae_c1=Conv2D（过滤器=CONV_过滤器[0]，内核大小=CONV_内核大小[0]，步幅=CONV_步幅[0]，激活=CONV_激活[0]，名称=CONV_层1'）（vae_x）
vae_c2=Conv2D（过滤器=CONV_过滤器[1]，内核大小=CONV_内核大小[1]，步幅=CONV_步幅[1]，激活=CONV_激活[0]，名称=CONV_层2'）（vae_c1）
vae_c3=Conv2D（过滤器=CONV_过滤器[2]，内核大小=CONV_内核大小[2]，步幅=CONV_步幅[2]，激活=CONV_激活[0]，名称=CONV_层3'）（vae_c2）
vae_c4=Conv2D（过滤器=CONV_过滤器[3]，内核大小=CONV_内核大小[3]，步幅=CONV_步幅[3]，激活=CONV_激活[0]，名称=CONV_层4'）（vae_c3）
vae_z_in=展平（）（vae_c4）
vae_z_mean=稠密（z_DIM，name='mu'）（vae_z_in）
vae_z_log_var=Dense（z_DIM，name='log_var'）（vae_z_in）
vae_z=采样（name='z'）（[vae_z_平均值，vae_z_对数变量]）
####解码器：
vae_z_输入=输入（形状=（z_尺寸），名称=（z_输入）
vae_densite=densite（1024，name='densite_layer'）（vae_z_输入）
vae_unflatten=重塑（（1,1，密集型），name='unflatten'）（vae_密集型）
vae_d1=Conv2DTranspose（filters=CONV_T_filters[0]，kernel_size=CONV_T_kernel_size[0]，strips=CONV_T_strips[0]，activation=CONV_T_ACTIVATIONS[0]，name=deconv_layer_1'）（vae_unflatten）
vae_d2=Conv2DTranspose（filters=CONV_T_filters[1]，kernel_size=CONV_T_kernel_size[1]，strips=CONV_T_strips[1]，activation=CONV_T_ACTIVATIONS[1]，name=deconv_layer_2'）（vae_d1）
vae_d3=Conv2DTranspose（filters=CONV_T_filters[2]，kernel_size=CONV_T_kernel_size[2]，strips=CONV_T_strips[2]，activation=CONV_T_ACTIVATIONS[2]，name=deconv_layer_3'）（vae_d2）
vae_d4=Conv2DTranspose（filters=CONV_T_filters[3]，kernel_size=CONV_T_kernel_size[3]，strips=CONV_T_strips[3]，activation=CONV_T_ACTIVATIONS[3]，name=deconv_layer_4'）（vae_d3）
####模型
vae_编码器=模型（vae_x，[vae_z_均值，vae_z_对数变量，vae_z]，名称='encoder'）
vae_解码器=型号（vae_z_输入，vae_d4，名称='解码器'）
vae_full=VAEModel（vae_编码器，vae_解码器，10000）
opti=Adam（lr=学习率）
vae_full.compile（优化器=opti）
返回（vae_满、vae_编码器、vae_解码器）
def set_权重（自身、文件路径）：
self.full\u model.load\u权重（文件路径）
def系列（自我，
model(np.zeros((1,w,h,c)))