问 Keras ModelCheckpoint:保存_freq/周期可以动态变化吗？

EN

我想知道是否有一种方法可以在Keras ModelCheckpoint中更改ModelCheckpoint参数。我想做的是在每一个时代之后储蓄，但在第十个时代之后开始储蓄，而不是以前。所以我希望ModelCheckpoint在前10个时代是“非活动的”，在第10个时代之后，用 save_freq='epoch' __变成“活动的”。

这样的事情能实现还是不可能？

我尝试了 save_freq=batch_size if epoch<10 else 'epoch' ，但是，正如预期的那样， epoch 变量是未知的。在ModelCheckpoint中是否有一个“局部变量”用于历代？

UPDATE ：我没有尝试动态更改 save_freq 参数，而是尝试进行两个不同的培训，一个接一个。第一次训练持续10次，在最后(第10次)保存训练模型，第二次训练持续110次，每一阶段后保存模型。

我的问题是:我是否必须在第一次训练之后加载保存的模型，还是可以立即继续进行第二次培训，就像下面的代码所示？

# [...]
batch_size = 32
epochs0    = 10
epochs     = 110
callbacks0 = [
    keras.callbacks.ModelCheckpoint(
        resuts_dir+'model0/',
        monitor='val_loss',
        verbose=1,
        save_best_only=False,
        save_weights_only=False,
        save_freq=batch_size*epochs0)
callbacks  = [
    keras.callbacks.ModelCheckpoint(
        resuts_dir+'model/',
        monitor='val_loss',
        verbose=1,
        save_best_only=True,
        save_weights_only=False,
        save_freq='epoch'),
    keras.callbacks.EarlyStopping(
        monitor='val_loss',
        min_delta=0,
        patience=20,
        verbose=1,
        mode='auto')
# [...]
training_history0 = model.fit(train_gen, epochs=epochs0, validation_data=val_gen, callbacks=callbacks0, verbose=1)
training_history  = model.fit(train_gen, epochs=epochs,  validation_data=val_gen, callbacks=callbacks,  verbose=1)