【GAE】HDF5ファイル（深層学習のネットワークの定義ファイル）を用いて判別し、目当ての画像だけ別のバケットファイルに保存するプログラム　

Python初学者です．
GAE(Google App Engine)上に，画像を受け取ると送られた画像をblob検出で一時保存するアプリを作りました．
blob検出した後の画像データはGCS(Google Cloud Storage)のバケットに保存しています．
(kerasのload_modelを使いモデルをロードして、predictで認識させています）

ここに、「HDF5ファイル（深層学習のネットワークの定義ファイル）を用いて判別し、目当ての画像だけGCSの別のバケットファイルに保存するプログラム」を追加したいのですが自分で調べて試しているのですがGCP、Pythonを学び始めのため勝手が分かっておらずどのようなコードでうまくいくのかわからず、意見や参考になるものなどをご教授いただきたいです．

main
1import os, sys
2from flask import Flask, flash, request, redirect, url_for, render_template, send_from_directory
3from werkzeug.utils import secure_filename
4import tensorflow as tf
5from keras.models import load_model
6import numpy as np
7from PIL import Image
8from PIL import ImageFile
9from google.cloud import storage
10import io
11import requests
12
13app = Flask(__name__)
14ImageFile.LOAD_TRUNCATED_IMAGES = True
15
16GCS_BUCKET = '777'
17GCS_BUCKETSUB = 'refile'
18MODEL_NAME = 'obama_smalling_201908.h5'
19
20MODEL_DOWNLOAD_FOLDER = '/tmp'
21UPLOAD_FOLDER = './uploads'
22ALLOWED_EXTENSIONS = set(['png', 'jpg', 'jpeg', 'gif'])
23
24model_path = os.path.join(MODEL_DOWNLOAD_FOLDER, MODEL_NAME)
25storage_client = storage.Client()
26bucket = storage_client.get_bucket(GCS_BUCKET)
27blob = bucket.get_blob(MODEL_NAME)
28blob.download_to_filename(model_path)
29model = load_model(model_path)
30
31graph = tf.get_default_graph()
32
33app = Flask(__name__)
34app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
35
36def is_allowed_file(filename):
37    return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS
38
39@app.route('/')
40def index():
41    return redirect(url_for('predict'))
42
43@app.route('/predict', methods=['GET', 'POST'])
44def predict():
45    if request.method == 'POST':
46        if 'file' not in request.files:
47            flash('No file.')
48            return redirect(url_for('predict'))
49        file = request.files.get('file')
50        if file.filename == '':
51            flash('No file.')
52            return redirect(url_for('predict'))
53        if file and is_allowed_file(file.filename):
54            upload_files = request.files.getlist('file')
55            for file in upload_files:
56             gcs = storage.Client() #
57             bucket = gcs.get_bucket(GCS_BUCKET)
58             blob = bucket.blob(file.filename)
59             blob.upload_from_string(
60                file.read(),
61                content_type=file.content_type
62            )
63
64            
65             file_url = blob.public_url
66            
67             img = Image.open(io.BytesIO(requests.get(file_url).content)).convert('RGB')
68             img = img.resize((150, 150))
69             
70             x = np.array(img, dtype=np.float32)
71             x = x / 255.
72             x = x.reshape((1,) + x.shape)
73            
74             global graph 
75             with graph.as_default():
76                pred = model.predict(x, batch_size=1, verbose=0)
77                score = pred[0][0]
78                if(score >= 0.5):
79                    person = 'Smalling'
80                    gcs = storage.Client() 
81                    bucket = gcs.get_bucket(GCS_refile)
82                    blob = bucket.blob(file.filename)
83                    blob.upload_from_string(
84                file.read(),
85                content_type=file.content_type
86            )
87                else:
88                    person = 'Obama'
89                    score = 1 - score
90
91            resultmsg = '[{}] {:.4%} Sure.'.format(person, score)
92            
93            return render_template('result.html', resultmsg=resultmsg, filepath=file_url)
94    return render_template('predict.html')
95
96@app.route('/uploads/<filename>')
97def uploaded_file(filename):
98    return send_from_directory(app.config['UPLOAD_FOLDER'], filename)
99
100if __name__ == '__main__':
101    app.run()