保存n个先前的训练权重的解决方法可以使用TensorFlow的ModelCheckpoint回调函数。

下面是一个代码示例，展示了如何使用ModelCheckpoint回调函数保存n个先前的训练权重：

from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 创建一个简单的模型
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=100))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

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

# 创建一个ModelCheckpoint回调函数来保存权重
checkpoint = ModelCheckpoint(filepath='weights.{epoch:02d}-{val_loss:.2f}.hdf5', 
                             monitor='val_loss', 
                             save_weights_only=True, 
                             save_best_only=True,
                             period=1)

# 加载先前保存的权重（如果有）
model.load_weights('previous_weights.hdf5')

# 训练模型并保存权重
model.fit(x_train, y_train,
          epochs=10,
          batch_size=32,
          validation_data=(x_val, y_val),
          callbacks=[checkpoint])

# 保存最后一次训练的权重
model.save_weights('final_weights.hdf5')

在上述代码中，我们首先创建了一个简单的模型，并编译了该模型。然后，我们创建了一个ModelCheckpoint回调函数，将其传递给模型的fit()方法中的callbacks参数。该回调函数的参数filepath定义了权重文件的保存路径和命名模式。我们可以使用特定的占位符，如{epoch}和{val_loss}，来动态命名保存的权重文件。在本例中，我们使用了两个占位符：{epoch:02d}表示两位数的训练轮数，{val_loss:.2f}表示保留两位小数的验证集损失值。

在训练过程中，每个训练轮结束时，ModelCheckpoint回调函数会自动保存权重文件。我们还可以设置monitor参数来选择要监视的指标，这里我们选择了验证集上的损失值。使用save_best_only=True参数，只有在验证集上获得更好的结果时才会保存权重文件。使用period参数，可以设置保存权重的间隔。

最后，在训练完成后，我们可以通过调用model.save_weights()手动保存最后一次训练的权重。