# モデルをコンパイル
#================================
with mirrored_strategy.scope():
model_G.compile(loss=loss_mse, optimizer=optimizer_G, metrics=['mae'])
if (args.debug):
model_G.summary()
#================================
# モデルの読み込み
#================================
if (args.load_checkpoints_path):
# モデルを定義したあと読み込む場合は load_weights() を使用
# モデルを定義せずに読み込む場合は keras.models.load_model() を使用
#model_G = keras.models.load_model(args.load_checkpoints_path)
model_G.load_weights(args.load_checkpoints_path)
print("load checkpoints in `{}`.".format(args.load_checkpoints_path))
init_epoch = 0
else:
init_epoch = 0
#================================
# call backs の設定
#================================
# 各エポック終了毎のモデルのチェックポイント保存用 call back
callback_checkpoint = tf.keras.callbacks.ModelCheckpoint(
filepath=os.path.join(args.save_checkpoints_dir, args.exper_name,
"step_{epoch:05d}.hdf5"),
monitor='loss',
verbose=2,
save_weights_only=True, #
# モデルの構造を定義する。
#================================
model_G = TempleteNetworks(out_dim=3)
if (args.debug):
model_G(
tf.zeros([args.batch_size, args.image_height, args.image_width, 3],
dtype=tf.float32)
) # 動的作成されるネットワークなので、一度ネットワークに入力データを供給しないと summary() を出力できない
model_G.summary()
#================================
# モデルの読み込み
#================================
if (args.load_checkpoints_dir):
ckpt_state = tf.train.get_checkpoint_state(args.load_checkpoints_dir)
model_G.load_weights(ckpt_state.model_checkpoint_path)
print("load checkpoints in `{}`.".format(
ckpt_state.model_checkpoint_path))
init_epoch = int(ckpt_state.model_checkpoint_path.split("-")[-1])
step = init_epoch # @
iters = step * args.batch_size # @
else:
init_epoch = 0
step = 0
iters = 0
#================================
# optimizer の設定
#================================
optimizer_G = tf.keras.optimizers.Adam(learning_rate=args.lr,
beta_1=args.beta1,