举一下tf.keras.callbacks.ModelCheckpoint的例子

`ModelCheckpoint`回调是一个常用的TensorFlow库中的功能，它允许你在训练过程中定期保存模型的特定检查点。这里有一个简单的例子：

from tensorflow.keras.callbacks import ModelCheckpoint

# 创建一个模型实例
model = tf.keras.models.Sequential([...])

# 设置优化器、损失函数和指标
model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])

# 定义保存路径及检查点规则（例如，每五次epoch保存一次，并且保留最好的验证指标版本）
checkpoint_path = "path/to/save/checkpoints/weights-{epoch:02d}-{val_loss:.2f}.hdf5"
checkpointer = ModelCheckpoint(filepath=checkpoint_path,
                             verbose=1,
                             save_best_only=True,
                             monitor='val_loss',
                             mode='min')

# 开始训练
history = model.fit(x_train, y_train,
                    epochs=100,
                    validation_data=(x_val, y_val),
                    callbacks=[checkpointer])

在这个例子中，每当验证集上的`val_loss`指标有所下降时，`ModelCheckpoint`就会存储一个新的模型权重版本。如果你设置`save_best_only=True`，它只会保留性能最好的模型。这样可以防止长期训练导致模型越来越大，同时也方便后续恢复最佳状态。