到目前为止，我们介绍了如何处理数据以及构建、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。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。
我们可以直接使用save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。
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。
x2 = nd.load('x')
x2
我们还可以存储一列NDArray并读回内存。
y = nd.zeros(4)
nd.save('xy', [x, y])
x2, y2 = nd.load('xy')
(x2, y2)
我们甚至可以存储并读取一个从字符串映射到NDArray的字典。
mydict = {'x': x, 'y': y}
nd.save('mydict', mydict)
mydict2 = nd.load('mydict')
mydict2
除了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。
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”。
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。跟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。
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。我们来验证一下。
y2 = net2(x)
y2 == y
- 通过
save和load函数可以很方便地读写NDArray。 - 通过
load_parameters和save_parameters函数可以很方便地读写Gluon模型的参数。
- 即使无需把训练好的模型部署到不同的设备，存储模型参数在实际中还有哪些好处？
扫码直达讨论区
