你的问题核心在于移除输出层后没有重新定义模型结构，导致最终保存的self.model仍然指向包含原始输出层（23维）的完整自编码器，而非仅保留编码器部分。

具体分析 #

在fit方法的最后，你执行了model.layers.pop()来移除输出层，但Keras的Model对象是不可变的——一旦创建，它的输入输出计算路径就固定了。仅仅从layers列表中移除元素并不会改变现有Model实例的计算逻辑，所以self.model仍然会按照原来的完整路径（输入→所有隐藏层→输出层）进行预测，最终输出23维结果。

修复步骤 #

需要在移除输出层后，基于输入层和最后一个隐藏层的输出重新创建Model，这样才能得到仅输出压缩特征的编码器模型。

修改fit方法的最后部分：

# Get rid of last layer, and stored the model
model.layers.pop()
# 关键修复：重新构建编码器模型，仅保留输入到最后一个隐藏层的路径
self.model = Model(inputs=model.layers[0].input, outputs=model.layers[-1].output)
# 预测阶段不需要编译，可省略此步骤
# model.compile(loss = 'mean_squared_error', optimizer = 'adam')

额外验证点 #

另外，检查你的初始化参数：默认hidden_layers=5、units_nbr=5，最终编码器的输出是第5个隐藏层的输出（5维），完全符合你的预期维度。

完整修改后的fit方法片段 #

def fit(self, X, epochs):
    """Run the algorithm, creating the autoencoder and calibrating it"""
    # Create the model and train it
    print('/ Training Hidden Layer 1')
    model = self.create_model(X)
    model.compile(loss = 'mean_squared_error', optimizer = 'adam')
    h = model.fit(X, X, epochs = epochs, verbose = 0)
    print('Last loss: {}'.format(h.history['loss'][-1]))

    # Incrementally add layer, and train these new layers
    for incr in range(2, self.hidden_layers + 1):
        print('/ Training Hidden Layer {}'.format(str(incr)))
        model = self.add_layer(model, incr)
        model.compile(loss = 'mean_squared_error', optimizer = 'adam')
        h = model.fit(X, X, epochs = epochs, verbose = 0)
        print('Last loss: {}'.format(h.history['loss'][-1]))

    # If the user wants to run the calibration again over the complete model
    if self.fine_tuning == 'y':
        # Final training
        print('/ Final Tuning')
        for layer in model.layers:
            layer.trainable = True
        model.compile(loss = 'mean_squared_error', optimizer = 'adam')
        h = model.fit(X, X, epochs = epochs, verbose = 0)
        print('Last loss: {}'.format(h.history['loss'][-1]))

    # Get rid of last layer, and stored the model
    model.layers.pop()
    # 重新构建编码器模型
    self.model = Model(inputs=model.layers[0].input, outputs=model.layers[-1].output)

测试验证 #

修改后，调用predict(x)时，输入形状(6000,23)会输出预期的(6000,5)结果。

内容的提问来源于stack exchange，提问作者Gaël Pagès