add serialization

chapter03_gluon-basics/serialization.md

+# 序列化 --- 读写模型
+
+我们现在已经讲了很多，包括
+
+- 如何处理数据
+- 如何构建模型
+- 如何在数据上训练模型
+- 如何使用不同的损失函数来做分类和回归
+
+但即使知道了所有这些，我们还没有完全准备好来构建一个真正的机器学习系统。这是因为我们还没有讲如何读和写模型。因为现实中，我们通常在一个地方训练好模型，然后部署到很多不同的地方。我们需要把内存中的训练好的模型存在硬盘上好下次使用。
+
+## 读写NDArrays
+
+作为开始，我们先看看如何读写NDArray。虽然我们可以使用Python的序列化包例如`Pickle`，不过我们更倾向直接`save`和`load`，通常这样更快，而且别的语言，例如R和Scala也能用到。
+
+```{.python .input  n=2}
+from mxnet import nd
+
+x = nd.ones(3)
+y = nd.zeros(4)
+filename = "../data/test1.params"
+nd.save(filename, [x, y])
+```
+
+读回来
+
+```{.python .input  n=3}
+a, b = nd.load(filename)
+print(a, b)
+```
+
+不仅可以读写单个NDArray，NDArray list，dict也是可以的：
+
+```{.python .input  n=4}
+mydict = {"x": x, "y": y}
+filename = "../data/test2.params"
+nd.save(filename, mydict)
+```
+
+```{.python .input  n=5}
+c = nd.load(filename)
+print(c)
+```
+
+## 读写Gluon模型的参数
+
+跟NDArray类似，Gluon的模型（就是`nn.Block`）提供便利的`save_params`和`load_params`函数来读写数据。我们同前一样创建一个简单的多层感知机
+
+```{.python .input  n=6}
+from mxnet.gluon import nn
+
+def get_net():
+    net = nn.Sequential()
+    with net.name_scope():
+        net.add(nn.Dense(10, activation="relu"))
+        net.add(nn.Dense(2))
+    return net
+
+net = get_net()
+net.initialize()
+x = nd.random.uniform(shape=(2,10))
+print(net(x))
+```
+
+下面我们把模型参数存起来
+
+```{.python .input}
+filename = "../data/mlp.params"
+net.save_params(filename)
+```
+
+之后我们构建一个一样的多层感知机，但不像前面那样随机初始化，我们直接读取前面的模型参数。这样给定同样的输入，新的模型应该会输出同样的结果。
+
+```{.python .input  n=8}
+import mxnet as mx
+net2 = get_net()
+net2.load_params(filename, mx.cpu())
+print(net2(x))
+```
+
+更进一步的，下面的代码尝试将模型直接读入GPU中
+
+```{.python .input}
+import sys
+sys.path.append('..')
+import utils
+
+net3 = get_net()
+net3.load_params(filename, utils.try_gpu())
+print(net3(x.as_in_context(utils.try_gpu())))
+```
+
+## 总结
+
+通过`load_params`和`save_params`可以很方便的读写模型参数。

index.rst

@@ -46,6 +46,7 @@ Github源代码在 `https://github.com/mli/gluon-tutorials-zh <https://github.co
 
    block
    parameters
+   serialization
    use-gpu
 
 .. toctree::