无法将 model.save 与 TensorFlow/Keras 一起使用。可能是因为 TensorFlow 不支持非英文字母

问：

我是初学者，我正在遵循 NeuralNine 的教程：https://www.youtube.com/watch?v=bte8Er0QhDg

尝试制作一个非常基本的神经网络来识别 python 中的手写数字。训练模型和其他一切正常，直到我尝试使用 model.save 保存模型，并在终端中得到以下内容：

回溯（最近一次调用最后一次）： 文件“c：\Users\Käyttäjä\Desktop\Sampo\Neural\handwritten.py”，第 33 行，在 model.save（'手写.model.test1'） 文件“C：\Users\Käyttäjä\AppData\Local\Programs\Python\Python311\Lib\site-packages\keras\src\utils\traceback_utils.py”，第 70 行，error_handler 从无中提升 e.with_traceback（filtered_tb） 文件“C：\Users\Käyttäjä\AppData\Local\Programs\Python\Python311\Lib\site-packages\tensorflow\python\lib\io\file_io.py”，第 513 行，recursive_create_dir_v2 _pywrap_file_io。递归创建Dir（compat.path_to_bytes（路径）） tensorflow.python.framework.errors_impl。FailedPreconditionError：handwritten.model.test1\variables 不是目录 PS C：\Users\Käyttäjä>

我认为这可能是因为 Käyttäjä（表示用户）中的字母 Ä 阻止了模型的成功保存，因为对目录名称或类似内容进行编码可能存在问题。或者它可能完全是其他东西，因为我只是一个初学者。

我不能只更改目录名称，因为它会扰乱其他用户。有没有适合这种情况的解决方法？还是我错了，其他地方有问题？ 我在任何地方都找不到解决问题的方法，所以我写了这篇文章。非常感谢任何和所有的帮助！谢谢！

这是我正在使用的代码：

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf


# Load the dataset
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Use tf to normalize datasets between 0-1
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

# Create a basic sequential model. Also define the shape of input to be flattened 28 x 28 because of dataset beeing a 28 x 28 greyscale image.
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
# Second, Dense, layer is a layer where every neuron is connected to every neuron. relu= rectified linear unit is the activation function (negative values turn to 0)
model.add(tf.keras.layers.Dense(128, activation='relu'))
# thrid layer, exactly same
model.add(tf.keras.layers.Dense(128, activation='relu'))
# final layer. 10 outputs for numbers 0-9. Softmax activation function is often used for the output. Gives a probability distribution as the output
model.add(tf.keras.layers.Dense(10, activation='softmax'))

# compile model using optimizer algorithm and loss function
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# finally train the model. Model is going to see each datapoint 3 times
model.fit(x_train, y_train, epochs=3)

# after the model has been trained, save the model as handwritten.model
model.save('handwritten.model.test1')