深度学习给出python示例中断正在进行的训练，并保存权重

在深度学习中，我们通常使用回调函数来实现中断训练和保存权重。下面是一个示例代码，演示如何使用回调函数来中断正在进行的训练并保存权重：

import tensorflow as tf
import os

# 定义回调函数
class CustomCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        # 在每个epoch结束时检查是否需要中断训练
        if logs.get('accuracy') > 0.95:
            print("\nReached 95% accuracy, stopping training...")
            self.model.stop_training = True

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

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

# 定义保存权重的路径
checkpoint_path = "training/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)

# 创建一个回调函数，用于保存权重
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                                 save_weights_only=True,
                                                 verbose=1)

# 加载权重（如果存在）
if os.path.exists(checkpoint_path):
    model.load_weights(checkpoint_path)

# 训练模型
model.fit(x_train, y_train, epochs=10, callbacks=[CustomCallback(), cp_callback])

# 加载最新的权重
model.load_weights(checkpoint_path)

在上面的代码中，我们定义了一个 `CustomCallback` 回调函数，它会在每个epoch结束时检查模型的准确度是否达到95%。如果达到了，就会调用 `stop_training` 方法来中断训练。

我们还定义了一个 `ModelCheckpoint` 回调函数，它会在每个epoch结束时保存模型的权重到指定的路径。如果训练被中断，我们可以通过加载最新的权重来恢复训练。

最后，我们使用 `fit` 方法来训练模型，并将回调函数传递给 `callbacks` 参数。如果训练被中断，我们可以通过加载最新的权重来恢复训练。