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。

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。

  1. from mxnet import nd
  2. from mxnet.gluon import nn
  3. x = nd.ones(3)
  4. nd.save('x', x)

然后我们将数据从存储的文件读回内存。

  1. x2 = nd.load('x')
  2. x2
  4. Out[2]:
  5. [
  6.  [1. 1. 1.]
  7.  <NDArray 3 @cpu(0)>]

我们还可以存储一列NDArray并读回内存。

  1. y = nd.zeros(4)
  2. nd.save('xy', [x, y])
  3. x2, y2 = nd.load('xy')
  4. (x2, y2)
  6. Out[3]:
  7. (
  8.  [1. 1. 1.]
  9.  <NDArray 3 @cpu(0)>, 
  10.  [0. 0. 0. 0.]
  11.  <NDArray 4 @cpu(0)>)

我们甚至可以存储并读取一个从字符串映射到NDArray的字典。

  1. mydict = {'x': x, 'y': y}
  2. nd.save('mydict', mydict)
  3. mydict2 = nd.load('mydict')
  4. mydict2
  6. Out[4]:
  7. {'x': 
  8.  [1. 1. 1.]
  9.  <NDArray 3 @cpu(0)>, 'y': 
  10.  [0. 0. 0. 0.]
  11.  <NDArray 4 @cpu(0)>}

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。

  1. class MLP(nn.Block):
  2.     def __init__(self, **kwargs):
  3.         super(MLP, self).__init__(**kwargs)
  4.         self.hidden = nn.Dense(256, activation='relu')
  5.         self.output = nn.Dense(10)
  6.     def forward(self, x):
  7.         return self.output(self.hidden(x))
  8. net = MLP()
  9. net.initialize()
  10. X = nd.random.uniform(shape=(2, 20))
  11. Y = net(X)

下面把该模型的参数存成文件，文件名为mlp.params。

  1. filename = 'mlp.params'
  2. 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。

  1. net2 = MLP()
  2. 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。

  1. Y2 = net2(X)
  2. Y2 == Y
  4. Out[8]:
  5. [[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
  6.  [1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]]
  7. <NDArray 2x10 @cpu(0)>

小结

  • 通过save函数和load函数可以很方便地读写NDArray。