pix2pixでgeneratorの学習済みモデルを保存し、テスト画像の画像変換を行いたい

Question

下記サイトを参考に、kerasでpix2pixが動くようにしました。
https://qiita.com/mine820/items/36ffc3c0aea0b98027fd
タイトルの通り、学習済みのgeneratorモデルを保存し、トレーニング画像以外のテスト画像で変換を行いたいと考えております。
def train()のブロックの最下段にmodel.saveを追記しました。
保存されたモデル(.h5)をロードして画像変換を行おうとしたところ、うまくいきませんでした。学習初期？のような画像が生成されました。
model.saveはどこに追記すれば学習済みのgeneratorモデルを保存することができるでしょうか。

def train():
    # load data
    rawImage, procImage, rawImage_val, procImage_val = load_data(datasetpath)

    img_shape = rawImage.shape[-3:]
    patch_num = (img_shape[0] // patch_size) * (img_shape[1] // patch_size)
    disc_img_shape = (patch_size, patch_size, procImage.shape[-1])

    # train
    opt_dcgan = Adam(lr=1E-3, beta_1=0.9, beta_2=0.999, epsilon=1e-08)
    opt_discriminator = Adam(lr=1E-3, beta_1=0.9, beta_2=0.999, epsilon=1e-08)

    # load generator model
    generator_model = load_generator(img_shape, disc_img_shape)
    # load discriminator model
    discriminator_model = load_DCGAN_discriminator(img_shape, disc_img_shape, patch_num)

    generator_model.compile(loss='mae', optimizer=opt_discriminator)
    discriminator_model.trainable = False

    DCGAN_model = load_DCGAN(generator_model, discriminator_model, img_shape, patch_size)

    loss = [l1_loss, 'binary_crossentropy']
    loss_weights = [1E1, 1]
    DCGAN_model.compile(loss=loss, loss_weights=loss_weights, optimizer=opt_dcgan)

    discriminator_model.trainable = True
    discriminator_model.compile(loss='binary_crossentropy', optimizer=opt_discriminator)

    # start training
    print('start training')
    for e in range(epoch):

        starttime = time.time()
        perm = np.random.permutation(rawImage.shape[0])
        X_procImage = procImage[perm]
        X_rawImage  = rawImage[perm]
        X_procImageIter = [X_procImage[i:i+batch_size] for i in range(0, rawImage.shape[0], batch_size)]
        X_rawImageIter  = [X_rawImage[i:i+batch_size] for i in range(0, rawImage.shape[0], batch_size)]
        b_it = 0
        progbar = generic_utils.Progbar(len(X_procImageIter)*batch_size)
        for (X_proc_batch, X_raw_batch) in zip(X_procImageIter, X_rawImageIter):
            b_it += 1
            X_disc, y_disc = get_disc_batch(X_proc_batch, X_raw_batch, generator_model, b_it, patch_size)
            raw_disc, _ = get_disc_batch(X_raw_batch, X_raw_batch, generator_model, 1, patch_size)
            x_disc = X_disc + raw_disc
            # update the discriminator
            disc_loss = discriminator_model.train_on_batch(x_disc, y_disc)

            # create a batch to feed the generator model
            idx = np.random.choice(procImage.shape[0], batch_size)
            X_gen_target, X_gen = procImage[idx], rawImage[idx]
            y_gen = np.zeros((X_gen.shape[0], 2), dtype=np.uint8)
            y_gen[:, 1] = 1

            # Freeze the discriminator
            discriminator_model.trainable = False
            gen_loss = DCGAN_model.train_on_batch(X_gen, [X_gen_target, y_gen])
            # Unfreeze the discriminator
            discriminator_model.trainable = True

            progbar.add(batch_size, values=[
                ("D logloss", disc_loss),
                ("G tot", gen_loss[0]),
                ("G L1", gen_loss[1]),
                ("G logloss", gen_loss[2])
            ])

            # save images for visualization
            if b_it % (procImage.shape[0]//batch_size//2) == 0:
                plot_generated_batch(X_proc_batch, X_raw_batch, generator_model, batch_size, "training")
                idx = np.random.choice(procImage_val.shape[0], batch_size)
                X_gen_target, X_gen = procImage_val[idx], rawImage_val[idx]
                plot_generated_batch(X_gen_target, X_gen, generator_model, batch_size, "validation")

        print("")
        print('Epoch %s/%s, Time: %s' % (e + 1, epoch, time.time() - starttime))
        
    generator_model.save('C:/フォルダーの場所/model.h5')

以下、追記
「保存されたモデル(.h5)をロードして画像変換」は下記になります。

import keras
from keras import optimizers
from matplotlib import pyplot as plt
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D, Add, Input, Multiply
from keras.callbacks import ModelCheckpoint, CSVLogger
from keras import optimizers
from keras.layers import GlobalAveragePooling2D
import cv2
import os, glob, random
import os, tkinter, tkinter.filedialog, tkinter.messagebox
from PIL import Image
import pickle
import numpy as np
import time
import datetime
import random
import keras.backend as K

def psnr(y_true, y_pred):
    return -10*K.log(K.mean(K.flatten((y_true - y_pred))**2)) / np.log(10)

random.seed(0) 

img_width = 256 
img_height = 256 

print('学習済みモデルを指定')
root = tkinter.Tk()
root.withdraw()
fTyp = [("","*")]
iDir = os.path.abspath(os.path.dirname(__file__))
file_path = tkinter.filedialog.askopenfilename(filetypes = fTyp,initialdir = iDir)
print(file_path)

from keras.models import load_model
model = load_model(file_path, custom_objects={'psnr': psnr, 'val_psnr': psnr})
model.summary()


print('データセットのフォルダを指定')
root = tkinter.Tk()
root.withdraw()
fTyp = [("","*")]
iDir = os.path.abspath(os.path.dirname(__file__))
file_path = tkinter.filedialog.askdirectory(initialdir = iDir)
print(file_path+'/*.jpg')

x_val = []
fn=glob.glob(file_path+'/*.jpg')
for nm in fn:
    img = cv2.imread(nm) 
    x_val.append(img)
x_val = np.asarray(x_val)
x_val = x_val.astype('float32')
x_val = x_val / 255.0
#x_val = x_val.reshape((len(x_val), 256, 256, 3))


decoded_imgs = model.predict(x_val)

if not os.path.exists('C:/フォルダの場所'): 
    os.makedirs('C:/フォルダの場所')

i = -1
for nm in fn:
    nm = nm.split('\')[1]
    i = i + 1
    ax = decoded_imgs[i].reshape(img_height, img_width, 3)
    cv2.imwrite('C:/フォルダの場所/'+nm,ax*255)

print('結果が保存')

Comments

[jbpb0]

> 下記サイトを参考に

どこ？

[jbpb0]

> 保存されたモデル(.h5)をロードして画像変換を行おうとしたところ、うまくいきませんでした。

そのコードも、質問に追記した方がいいと思います
他人が現象を再現しやすくなるので

[zassota]

失礼いたしました。
参考にしたサイトは下記になります。
https://qiita.com/mine820/items/36ffc3c0aea0b98027fd

[jbpb0]

> 参考にしたサイトは下記になります。

質問を編集して追記してください