model.get_weights()将以numpy数组的形式返回一个Tensor。您可以使用np.save()将这些权重保存在扩展名为.npy的文件中。
要在每个epoch保存权重，您可以在Keras中使用称为回调的东西。

from keras.callbacks import ModelCheckpoint

在执行model.fit()之前，请定义一个检查点，如下所示：
checkpoint = ModelCheckpoint(.....)，将参数‘period’分配为1，其分配时期的周期性。这个应该够了

您可以使用tf.keras.callbacks.ModelCheckpoint编写ModelCheckpoint回调来保存每个epoch的权重。如果你使用的是最新的Tensorflow，比如TF2.1或更高版本，那么你需要使用save_freq='epoch'来保存每个epoch的权重，而不是使用period=1。请检查整个example here

回调如下

checkpoint_path = "./training_2/cp-{epoch:04d}.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)

cp_callback = tf.keras.callbacks.ModelCheckpoint(
   checkpoint_path, verbose=1, save_weights_only=True,
   # Save weights, every epoch.
   save_freq='epoch')

调用模型训练

# Create a basic model instance
model=create_model()
model.save_weights(checkpoint_path.format(epoch=0))
model.fit(x_train, y_train,
         epochs = 50, callbacks = [cp_callback],
         validation_data = (x_test,y_test),
         verbose=0)

希望这能帮上忙。谢谢！

你应该同时使用model.get_weights（）和LambdaCallback函数：
1.model.get_weights（）：以Numpy数组的形式返回模型中所有权重Tensor的列表。

model = Sequential()
weights = model.get_weights()

1.* Lambda回调 *：这个回调是用匿名函数构造的，这些函数将在适当的时候被调用

import json
json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
            on_epoch_end=lambda epoch, logs: json_log.write(
                json.dumps({'epoch': epoch, 'loss': logs['loss']}) + '\n'),
            on_train_end=lambda logs: json_log.close()
)

model.fit(...,
          callbacks=[json_logging_callback])

当你的代码被考虑时，你应该写 callback 函数并添加到你的 model 中：

import json
from keras.callbacks import LambdaCallback

json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
            on_epoch_end=lambda epoch, logs: json_log.write(
                json.dumps({'epoch': epoch, 
                            'loss': logs['loss'],
                            'weights': model.get_weights()}) + '\n'),
            on_train_end=lambda logs: json_log.close()
)

model.compile(loss='categorical_crossentropy',
              optimizer=opt_adam, 
              metrics=['accuracy'])

model.fit_generator(..., callbacks=[json_logging_callback])

此代码将所有层中的所有权重写入json文件。如果你想保存权重在特定的层，只要改变代码与

model.layers[0].get_weights()

我不确定它是否会工作，但你可以尝试编写回调函数，并在回调函数中保存权重。
例

checkpoint = ModelCheckpoint("best_model.hdf5", monitor='loss', verbose=1,
    save_best_only=True, mode='auto', period=1)

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test),
          callbacks=[checkpoint])

源= https://medium.com/@italojs/saving-your-weights-for-each-epoch-keras-callbacks-b494d9648202