Вариационный автоэнкодер на таймсериях с LSTM в Керасе

Я работаю над вариационным автоэнкодером (VAE) для обнаружения аномалий во временных рядах. Пока я работал с этим тут https://blog.keras.io/building-autoencoders-in-keras.html и этот https://wiseodd.github.io/techblog/2016/12/10/variational-autoencoder/.

Тем не менее, у меня возникли проблемы с внедрением VAE. У меня есть 77093 образца, которые имеют 1 измерение. Я использую timeteps = 100, чтобы делать прогнозы. Итак, я переделываю свой x_train следующим образом:

x_train.shape = (77093, 100, 1)

Модель:

inputs = Input(shape=(timesteps, input_dim))
encoded = LSTM(32)(inputs)

mu = Dense(1, activation='linear')(encoded)
log_sigma = Dense(1, activation='linear')(encoded)

z = Lambda(sample_z)([mu, log_sigma])

decoded = RepeatVector(timesteps)(z)
decoded = LSTM(1, return_sequences=True)(decoded)
decoded = LSTM(1)(decoded)

sequence_autoencoder = Model(inputs, decoded)

Я образец из:

def sample_z(args):
  mu, log_sigma = args
  eps = K.random_normal(shape=(50, 1), mean=0., stddev=1.)
 return mu + K.exp(log_sigma / 2) * eps

Модель компилируется. Но я не знаю, правильно ли это.

1.) Я не очень понимаю слой RepeatVector и, если необходимо, повторить мой образец z. Но если я не использую RepeatVector Layer, LSTM-Layer выдает ошибку, потому что ожидает 3 тусклых входа.

2.) Меня не беспокоит уменьшение размерности скрытой переменной. Потому что мой In_dim = 1. Что именно уменьшается?

Заранее спасибо.