Kerasで次のようなLSTMオートエンコーダーが実装されています。 

import numpy as np
from keras.layers import Input, GRU
from keras.models import Model

input_feat = Input(shape=(30, 2000))
l = GRU( 100, return_sequences=True, activation="tanh",    recurrent_activation="hard_sigmoid")(input_feat)
l = GRU(2000, return_sequences=True, activation="tanh", recurrent_activation="hard_sigmoid")(l)
model = Model(input_feat, l)
model.compile(optimizer="RMSprop", loss="mean_squared_error")

feat = np.load("feat.npy")
model.fit(feat, feat[:, ::-1, :], epochs=200, batch_size=250)

ここで、featは3次元配列で、feat.shape = (269, 30, 2000)　です。
このコードをChainerに書き直すために次のようなコードを書きましたが、学習結果をみるに、どこかが間違っているようです。どこに間違いがあるかわかるでしょうか。 

import numpy as np
from chainer import Chain, Variable, optimizers
import chainer.functions as F
import chainer.links as L

class GRUAutoEncoder(Chain):
    def __init__(self):
        super().__init__()
        with self.init_scope():
            self.encode = L.GRU(2000, 100)
            self.decode = L.GRU(100, 2000)

    def __call__(self, h, mode):
        if mode == "encode":
            h = F.tanh(self.encode(h))
            return h 

        if mode == "decode":
            h = F.tanh(self.decode(h))
            return h

    def reset(self):
        self.encode.reset_state()
        self.decode.reset_state()

def main():
    feat = np.load("feat.npy") #(269, 30, 2000)

    gru_autoencoder = GRUAutoEncoder()
    optimizer = optimizers.RMSprop(lr=0.01).setup(gru_autoencoder)

    N = len(feat)
    batch_size = 250
    for epoch in range(200):
        index = np.random.randint(0, N-batch_size+1)
        input_feat = feat[index:index+batch_size] #(250, 30, 2000)
        #Encoding
        input_vector = np.zeros((30, batch_size, 2000), dtype="float32")
        h = []
        for i in range(frame_rate):
            input_vector[i] = input_feat[:, i, :] #(250, 1, 2000)
            tmp = Variable(input_vector[i])
            h.append(gru_autoencoder(tmp, "encode")) #(250, 100)

        #Decoding
        output_vector = []
        for i in range(frame_rate):
            tmp = h[i]
            output_vector.append(gru_autoencoder(tmp, "decode"))

        x = input_vector[0]
        t = output_vector[0]
        for i in range(len(output_vector)):
            x = F.concat((x,input_vector[i]), axis=1)
            t = F.concat((t,output_vector[i]), axis=1)

        loss = F.mean_squared_error(x, t)
        gru_autoencoder.cleargrads()
        loss.backward()
        optimizer.update()
        gru_autoencoder.reset()

if __name__ == "__main__":
    main()

Kerasのコードではfit(feat, feat[:, ::-1, :])となっているので、x = input_vector[0]の直前でoutput_vector.reverse()とするべきかと思って、それで学習をさせてみましたが、やはり結果がおかしいです。

ご助言いただけると幸いです。
よろしくお願いします。

追記1
Motoki Satoさん、ご回答ありがとうございます。いろいろと調べましたが、上のKerasのコードをNStepGRUを使って書き直す場合は、n_layers=1にするという理解であっているでしょうか。つまり、ネットワークは

class GRUAutoEncoder(Chain):
def __init__(self):
    super().__init__()
    with self.init_scope():
        self.encode = L.NStepGRU(1, 2000, 100, 0)
        self.decode = L.NStepGRU(1, 100, 2000, 0)

def __call__(self, h, encode=False):
    h = F.tanh(self.encode(h))
    if encode:
        return h
    h = F.tanh(self.decode(h))
    return h

def reset(self):
    self.encode.reset_state()
    self.decode.reset_state()

として、学習すればよいということで間違いないでしょうか。
よろしくお願いします。

追記2

追記１のネットワークを下のように学習させようとしたのですが、TypeError: forward() missing 1 required positional argument: 'xs'というエラーが出ますね。

def main():
    feat = np.load("feat.npy")
    gru_autoencoder = GRUAutoEncoder()
    optimizer = optimizers.RMSprop(lr=0.01).setup(gru_autoencoder)
    N = len(feat)
    batch_size = 250
    for epoch in range(200):
        index = np.random.randint(0, N-batch_size+1)
        batch = feat[index:index+batch_size] #(250, 30, 2000)
        t = gru_autoencoder(batch)
        loss = F.mean_squared_error(batch, t)
        gru_autoencoder.cleargrads()
        loss.backward()
        optimizer.update()
        gru_autoencoder.reset()