(1)训练一个模型能够识别天气图片，将训练好的参数保存。 (2)写一段代码，main.py, 假设1.jpg是一副天气图片，执行 main.py 1.jpg，打印出该图片的天气类别。

由于缺乏具体的数据集和模型，以下是一个简单的示例，使用了手写数字数据集和简单的神经网络模型。

训练模型并保存参数的代码：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载手写数字数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0

# 定义模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 保存模型参数
model.save_weights('model.h5')

以上代码训练了一个简单的神经网络模型，使用手写数字数据集进行训练，并将训练好的参数保存到文件 `model.h5` 中。

下面是识别天气图片的代码 `main.py`：

import sys
import tensorflow as tf
import numpy as np
from PIL import Image

# 加载模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

# 加载模型参数
model.load_weights('model.h5')

# 定义类别标签
class_names = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']

# 加载图片
img_path = sys.argv[1]
img = Image.open(img_path).convert('L')  # 转灰度图
img = img.resize((28, 28))  # 调整大小
img_arr = np.array(img) / 255.0  # 转化为数组并归一化
img_arr = np.expand_dims(img_arr, axis=0)  # 增加一个维度

# 预测类别
predictions = model.predict(img_arr)
predicted_class = np.argmax(predictions[0])
predicted_label = class_names[predicted_class]

# 打印结果
print('This weather image is:', predicted_label)

以上代码加载训练好的模型参数，并读取命令行参数中指定的图片文件。使用 PIL 库将图片转化为灰度图，并调整大小为 28x28，然后转化为数组并归一化。最后使用模型进行预测，并输出预测结果。