4.5. 读取和存储
到目前为止，我们介绍了如何处理数据以及如何构建、训练和测试深度学习模型。然而在实际中，我们有时需要把训练好的模型部署到很多不同的设备。在这种情况下，我们可以把内存中训练好的模型参数存储在硬盘上供后续读取使用。
4.5.1. 读写
NDArray
我们可以直接使用
save
函数和
load
函数分别存储和读取
NDArray
。下面的例子创建了
NDArray
变量
x
，并将其存在文件名同为
x
的文件里。
In [1]:
from
mxnet
import
nd
from
mxnet.gluon
import
nn
x
=
nd
.
ones
(
3
)
nd
.
save
(
'x'
,
x
)
然后我们将数据从存储的文件读回内存。
In [2]:
x2
=
nd
.
load
(
'x'
)
mydict
=
{
'x'
:
x
,
'y'
:
y
}
nd
.
save
(
'mydict'
,
mydict
)
mydict2
=
nd
.
load
(
'mydict'
)
mydict2
4.5.2. 读写Gluon模型的参数
除
NDArray
以外，我们还可以读写Gluon模型的参数。Gluon的
Block
类提供了
save_parameters
函数和
load_parameters
函数来读写模型参数。为了演示方便，我们先创建一个多层感知机，并将其初始化。回忆
“模型参数的延后初始化”
一节，由于延后初始化，我们需要先运行一次前向计算才能实际初始化模型参数。
In [5]:
class
MLP
(
nn
.
Block
):
def
__init__
(
self
,
**
kwargs
):
super
(
MLP
,
self
)
.
__init__
(
**
kwargs
)
self
.
hidden
=
nn
.
Dense
(
256
,
activation
=
'relu'
)
self
.
output
=
nn
.
Dense
(
10
)
def
forward
(
self
,
x
):
return
self
.
output
(
self
.
hidden
(
x
))
net
=
MLP
()
net
.
initialize
()
X
=
nd
.
random
.
uniform
(
shape
=
(
2
,
20
))
Y
=
net
(
X
)
下面把该模型的参数存成文件，文件名为mlp.params。
In [6]:
filename
=
'mlp.params'
net
.
save_parameters
(
filename
)
接下来，我们再实例化一次定义好的多层感知机。与随机初始化模型参数不同，我们在这里直接读取保存在文件里的参数。
In [7]:
net2
=
MLP
()
net2
.
load_parameters
(
filename
)
因为这两个实例都有同样的模型参数，那么对同一个输入
X
的计算结果将会是一样的。我们来验证一下。
In [8]:
Y2
=
net2
(
X
)
Y2
==
Y
