Подготовка параметров X, y для модели Encoder-Decoder в примере суммирования текста

Question

Я следую примеру сценария на домашней странице Keras для генерации текста и хочу подготовить текст примера для более сложной модели кодировщика-декодера:

• Пример генерации текста Keras: https://keras.io/examples/lstm_text_generation/
• Пример текста: https://s3.amazonaws.com/text-datasets/nietzsche.txt
• Модель Keras Я пытаюсь скопировать: https://machinelearningmastery.com/encoder-decoder-models-text-summarization-keras/ (В частности, модель Alternate 2: рекурсивная модель A)

    vocab_size = ...
    src_txt_length = ...
    sum_txt_length = ...
    # source text input model
    inputs1 = Input(shape=(src_txt_length,))
    am1 = Embedding(vocab_size, 128)(inputs1)
    am2 = LSTM(128)(am1)
    # summary input model
    inputs2 = Input(shape=(sum_txt_length,))
    sm1 = = Embedding(vocab_size, 128)(inputs2)
    sm2 = LSTM(128)(sm1)
    # decoder output model
    decoder1 = concatenate([am2, sm2])
    outputs = Dense(vocab_size, activation='softmax')(decoder1)
    # tie it together [article, summary] [word]
    model = Model(inputs=[inputs1, inputs2], outputs=outputs)
    model.compile(loss='categorical_crossentropy', optimizer='adam')

В своем примере автор не показывает, как правильно подготовить параметры x и y для модели для обучения ,

Если я буду следовать шагу векторизации в примере документации Keras,

x = np.zeros((len(sentences), maxlen, len(chars)), dtype=np.bool)
y = np.zeros((len(sentences), len(chars)), dtype=np.bool)    

Я получу следующую ошибку:

ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 2 array(s), but instead got the following list of 1 arrays: [array([[[False, False, False, ..., False, False, False],
        [ True, False, False, ..., False, False, False],
        [False, False, False, ..., False, False, False],
        ...,
        [False,...

Я новичок в этом и могу использовать некоторые рекомендации о том, как правильно подготовить x и y для подачи в модель.