При добавлении model.save(...) модель хуже обучается

Я по датасету с huggung face обучаю модель по жестам рук определять букву английского алфавита. Вот код:

from datasets import load_dataset
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.python.keras.utils.np_utils import to_categorical

ds = load_dataset("Marxulia/asl_sign_languages_alphabets_v02")
images = ds["train"]["image"]
train_labels = ds["train"]["label"]
train_images = []
for i in images:
    train_images.append(np.array(i.convert("L").resize((150,150))))
print(len(train_images))
train_images = np.array(train_images)
train_images = train_images / 255.0
train_labels = to_categorical(train_labels)

model = Sequential([
    Flatten(input_shape=(150, 150)),
    Dense(128,activation="relu"),
    Dense(64,activation="relu"),
    Dense(26,activation="softmax")
])

model.compile(optimizer="adam",loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=1000)
#model.save("model.keras")

В конце у меня закомментировано model.save("model.keras"), т. е. сохранение модели. И я тут заметил, то что без этой строчки кода функция потерь возвращает лучше прогресс, то есть он к последней эпохе почти 0 (Возвращает значения от 0 до 0.5). А, добавляя эту строчку, прогресс стоит на месте, и функция потерь в течение всех эпох возвращает около 3,25. Меня эта взаимосвязь очень пугает, и я думаю как сделать так, чтоб можно было без таких вот проблем сохранять модель.