tensorflow训练过程中如何每100次保存一个权重文件，代码如何加到训练文件中

在 TensorFlow 中，可以通过 `tf.keras.callbacks.ModelCheckpoint` 回调函数来实现每100次保存一个权重文件，具体实现方法如下：

import tensorflow as tf

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 定义保存权重文件的路径
checkpoint_path = "training/cp-{epoch:04d}.ckpt"

# 定义 ModelCheckpoint 回调函数
cp_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_path, 
    save_weights_only=True, 
    verbose=1, 
    save_freq=100)

# 加载数据，开始训练
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[cp_callback])

在上面的代码中，我们首先构建了一个简单的神经网络模型，然后编译模型，并定义了保存权重文件的路径。接下来，我们创建了一个 `tf.keras.callbacks.ModelCheckpoint` 回调函数，并将其传递给 `fit` 函数的 `callbacks` 参数中。在训练过程中，每当训练完成一个 epoch 并且满足 `save_freq` 次数的要求时，就会自动保存一个权重文件。其中，`save_weights_only` 参数指定只保存模型的权重，而不保存整个模型的结构。`verbose` 参数指定在保存权重文件时输出的信息，`filepath` 参数指定保存权重文件的路径和名称，`save_freq` 参数指定每隔多少次保存一次权重文件。