Machine learning 为什么tensorflow.h5模型文件的大小取决于存储它的回调函数？

如果我想训练tensorflow机器学习模型并在每次训练后将模型存储在硬盘上，我可以使用以下代码（Python）：

但是，我也可以使用自定义的、可能更复杂的逻辑来决定何时保存模型：

class CustomSaver(Callback):
def on_epoch_end(self, epoch, logs={}):
    self.model.save_weights("model_{}.h5".format(epoch))

saver = CustomSaver()
history = model.fit(train_it, steps_per_epoch=len(train_it), validation_data=test_it, validation_steps=len(test_it), epochs=numberOfTrainingEpochs, verbose=0, callbacks=saver)

两个文件都使用ML模型创建.h5文件，但是，第一个文件创建的文件大小约为100 MB，而第二个文件创建的文件大小约为50 MB。这些文件之间有什么区别？原因是什么

仅供参考，我的模型是一个相对简单的CNN，定义如下：

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same', input_shape=(224, 224, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu', kernel_initializer='he_uniform'))
model.add(Dense(1, activation='sigmoid'))
opt = SGD(lr=0.001, momentum=0.9)
model.compile(optimizer=opt, loss='binary_crossentropy', metrics=['accuracy'])

根据，回调

ModelCheckpoint

会保存完整的模型，而不是默认情况下仅保存其权重。此行为由参数

save\u weights\u only

控制。如果只想保存权重，可以使用创建回调

checkpoint=ModelCheckpoint（'model{epoch:08d}.h5'，save_freq=1，save_weights_only=True）

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same', input_shape=(224, 224, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu', kernel_initializer='he_uniform'))
model.add(Dense(1, activation='sigmoid'))
opt = SGD(lr=0.001, momentum=0.9)
model.compile(optimizer=opt, loss='binary_crossentropy', metrics=['accuracy'])