ref_fpath = fpath
for fold_idx, (train_paths, validation_path) in enumerate(splits):
fpath = ref_fpath.replace('<this_fold>', str(1+fold_idx))
###################################################################################
# # # LOAD DATA
###################################################################################
print(f"Using CV fold {1+fold_idx}/{len(splits)}")
data = get_data_full(train_paths=train_paths, validation_path=validation_path, test_path=test_path,
**data_kwargs)
# TRAIN MODEL
try:
print('...training model')
model.fit([x[0] for x in data[0]['mols']], data[0]['y'])
print('...trained model')
except KeyboardInterrupt:
pass
###################################################################################
# # # TEST MODEL
###################################################################################
print('...testing model')
tstamp = datetime.datetime.utcnow().strftime('%m-%d-%Y_%H-%M')
# Need to define predict_on_batch to be compatible
model.predict_on_batch = model.predict
_ = test_model(model, data, fpath, tstamp=tstamp, batch_size=1)
print('...tested model')
