### 在 TensorFlow 2.0 中设置模型每训练 30 次后自动保存 在 TensorFlow 2.0 中，`tf.keras.callbacks.ModelCheckpoint` 是用于在训练过程中保存模型的关键组件。它可以根据指定的条件（如每隔一定数量的 epoch 或者当某个监控指标达到最佳值时）保存模型。为了实现每训练 30 次（即每 30 个 epoch）保存一次模型的目标，可以通过配置 `period` 参数来达成。 以下是一个完整的代码示例，演示如何使用 `ModelCheckpoint` 回调函数实现这一功能： ```python import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten from tensorflow.keras.utils import to_categorical # 加载 MNIST 数据集并预处理 (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) # 创建一个简单的全连接神经网络模型 model = Sequential([ Flatten(input_shape=(28, 28)), Dense(128, activation='relu'), Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 设置 ModelCheckpoint 回调函数 checkpoint_callback = tf.keras.callbacks.ModelCheckpoint( filepath='model_epoch_{epoch:02d}.h5', # 文件名格式，包含当前 epoch 数字 monitor='val_accuracy', # 监控验证集上的准确率 verbose=1, # 显示保存信息 save_best_only=False, # 不只保存最佳模型 save_weights_only=False, # 保存整个模型而非仅权重 period=30 # 每隔 30 个 epoch 保存一次 ) # 开始训练模型，并传递回调函数 history = model.fit( x_train, y_train, validation_data=(x_test, y_test), epochs=100, # 总共训练 100 个 epoch batch_size=64, callbacks=[checkpoint_callback] # 添加回调函数 ) ``` 在这段代码中，`filepath='model_epoch_{epoch:02d}.h5'` 表明每次保存的文件名将包含当前的 epoch 数字[^3]。例如，在第 30 个 epoch 结束时，模型会被保存到名为 `model_epoch_30.h5` 的文件中；同样地，在第 60 和第 90 个 epoch 结束时也会有对应的保存动作发生。 此外需要注意的是，如果希望进一步减少存储空间占用或者只需保存部分模型结构，则可以考虑将 `save_weights_only` 设定为 True 来单独保存权重而无需额外保存架构信息[^4]。 最后提醒一点，虽然上面的例子设置了总共有 100 个 epoch 的训练计划，但在实际应用当中应当依据具体任务需求灵活调整这个数值以及其他超参数比如 learning rate 等等[^1]。