创建回调函数，用于模型训练过程中,每采用100组数据进行一次训练就使用验证集的数据进行一次验证，该过程称为一次迭代，选择所有迭代中验证损失最小的迭代模型参数作为最终模型参数，将训练的模型保存，输出每次迭代的训练损失和验证损失并保存至txt文件中

好的，以下是一个创建回调函数的示例，可以实现你所描述的功能：

import os
import numpy as np
from tensorflow.keras.callbacks import Callback

class SaveBestModel(Callback):
    def __init__(self, save_dir):
        super(SaveBestModel, self).__init__()
        self.save_dir = save_dir
        self.best_loss = np.Inf
        self.train_losses = []
        self.val_losses = []
    
    def on_epoch_end(self, epoch, logs=None):
        train_loss = logs.get('loss')
        val_loss = logs.get('val_loss')
        self.train_losses.append(train_loss)
        self.val_losses.append(val_loss)
        if val_loss < self.best_loss:
            self.best_loss = val_loss
            self.model.save(os.path.join(self.save_dir, 'best_model.h5'))
    
    def on_train_end(self, logs=None):
        # 保存训练损失和验证损失
        with open(os.path.join(self.save_dir, 'losses.txt'), 'w') as f:
            for i in range(len(self.train_losses)):
                f.write('Epoch {} - Train loss: {:.4f}, Val loss: {:.4f}\n'.format(i+1, self.train_losses[i], self.val_losses[i]))

使用方法：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# 准备数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(-1, 784) / 255.0
x_test = x_test.reshape(-1, 784) / 255.0
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

# 创建模型
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(784,)))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer=Adam(), loss='categorical_crossentropy', metrics=['accuracy'])

# 创建回调函数
save_dir = 'checkpoints'
if not os.path.exists(save_dir):
    os.makedirs(save_dir)
save_best_model = SaveBestModel(save_dir=save_dir)

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test),
          callbacks=[save_best_model])

这个示例中，我们创建了一个名为 `SaveBestModel` 的回调函数。在训练过程中，每次迭代结束时，回调函数会记录训练损失和验证损失，并将验证损失最小的模型保存到指定目录下的 `best_model.h5` 文件中。训练结束后，回调函数还会将每次迭代的训练损失和验证损失保存到指定目录下的 `losses.txt` 文件中。