在Gluon中實現模型的正則化可以通過在定義模型時添加正則化項。可以使用gluon.loss.L2Loss或gluon.loss.L1Loss來定義正則化項，然后將其添加到損失函數中。下面是一個示例代碼：
from mxnet import gluon
from mxnet.gluon import nn
# 定義模型
net = nn.Sequential()
net.add(nn.Dense(256, activation='relu'))
net.add(nn.Dense(128, activation='relu'))
net.add(nn.Dense(10))
# 定義正則化項
regularization = gluon.loss.L2Loss()
# 定義損失函數，包括正則化項
loss_fn = gluon.loss.SoftmaxCrossEntropyLoss() + regularization
# 訓練模型時，在計算損失函數時加上正則化項
with autograd.record():
output = net(data)
loss = loss_fn(output, label)
# 反向傳播更新參數
loss.backward()
trainer.step(batch_size)
在上面的示例中，我們定義了一個包含兩個全連接層的簡單神經網絡模型，并添加了L2正則化項。在計算損失函數時，使用gluon.loss.SoftmaxCrossEntropyLoss()計算交叉熵損失，并加上L2正則化項。在訓練模型時，可以在計算損失函數后進行反向傳播更新模型參數。
這樣，在訓練模型時就可以實現正則化。您也可以根據需要選擇合適的正則化項（如L1正則化等）和損失函數來實現不同的正則化效果。
