在深度學(xué)習(xí)中訓(xùn)練模型的過程中讀取圖片數(shù)據(jù)，如果將圖片數(shù)據(jù)全部讀入內(nèi)存是不現(xiàn)實(shí)的，所以有必要使用生成器來讀取數(shù)據(jù)。

通過列表生成式，我們可以直接創(chuàng)建一個列表。但是，受到內(nèi)存限制，列表容量肯定是有限的。而且，創(chuàng)建一個包含100萬個元素的列表，不僅占用很大的存儲空間，如果我們僅僅需要訪問前面幾個元素，那后面絕大多數(shù)元素占用的空間都白白浪費(fèi)了。

所以，如果列表元素可以按照某種算法推算出來，那我們是否可以在循環(huán)的過程中不斷推算出后續(xù)的元素呢？這樣就不必創(chuàng)建完整的list，從而節(jié)省大量的空間。在Python中，這種一邊循環(huán)一邊計(jì)算的機(jī)制，稱為生成器：generator。

創(chuàng)建generator有多種方法，第一種方法很簡單，只要把一個列表生成式的[]改成()，就創(chuàng)建了一個generator：

>>> L = [x * x for x in range(10)] >>> L [0, 1, 4, 9, 16, 25, 36, 49, 64, 81] >>> g = (x * x for x in range(10)) >>> g <generator object <genexpr> at 0x1022ef630>

list中的元素可以直接打印出來?，generator要一個一個打印出來，可以通過next()函數(shù)獲得generator的下一個返回值：?

>>> next(g) 0 >>> next(g) 1 >>> next(g) 4 >>> next(g) 9 >>> next(g) 16

generator保存的是算法，每次調(diào)用next(g)，就計(jì)算出g的下一個元素的值，直到計(jì)算到最后一個元素，沒有更多的元素時，拋出StopIteration的錯誤。上面這種不斷調(diào)用next(g)實(shí)在是太變態(tài)了，正確的方法是使用for循環(huán)，因?yàn)間enerator也是可迭代對象：

>>> g = (x * x for x in range(10)) >>> for n in g: ... print(n)

著名的斐波拉契數(shù)列（Fibonacci），除第一個和第二個數(shù)外，任意一個數(shù)都可由前兩個數(shù)相加得到：

1, 1, 2, 3, 5, 8, 13, 21, 34, ...?

斐波拉契數(shù)列用列表生成式寫不出來，但是，用函數(shù)把它打印出來卻很容易：?

def fib(max):n, a, b = 0, 0, 1while n < max:print(b)a, b = b, a + bn = n + 1return 'done'

?仔細(xì)觀察，可以看出，fib函數(shù)實(shí)際上是定義了斐波拉契數(shù)列的推算規(guī)則，可以從第一個元素開始，推算出后續(xù)任意的元素，這種邏輯其實(shí)非常類似generator。

也就是說，上面的函數(shù)和generator僅一步之遙。要把fib函數(shù)變成generator，只需要把print(b)改為yield b就可以了：

def fib(max):n, a, b = 0, 0, 1while n < max:yield ba, b = b, a + bn = n + 1return 'done'

這就是定義generator的另一種方法。如果一個函數(shù)定義中包含yield關(guān)鍵字，那么這個函數(shù)就不再是一個普通函數(shù)，而是一個generator：

>>> f = fib(6) >>> f <generator object fib at 0x104feaaa0>

?這里，最難理解的就是generator和函數(shù)的執(zhí)行流程不一樣。函數(shù)是順序執(zhí)行，遇到return語句或者最后一行函數(shù)語句就返回。而變成generator的函數(shù)，在每次調(diào)用next()的時候執(zhí)行，遇到y(tǒng)ield語句返回，再次執(zhí)行時從上次返回的yield語句處繼續(xù)執(zhí)行。

在循環(huán)過程中不斷調(diào)用yield，就會不斷中斷。當(dāng)然要給循環(huán)設(shè)置一個條件來退出循環(huán)，不然就會產(chǎn)生一個無限數(shù)列出來。

同樣的，把函數(shù)改成generator后，我們基本上從來不會用next()來獲取下一個返回值，而是直接使用for循環(huán)來迭代：

>>> for n in fib(6): ... print(n) ... 1 1 2 3 5 8

?最后在讀取圖片的實(shí)際應(yīng)用中的代碼如下：

def train_data(train_file,batch_size,resize_shape):datas, labels = read_data(train_file)num_batch = len(datas)//batch_sizefor i in range(num_batch):imgs = []train_datas = datas[batch_size*i:batch_size*(i+1)]train_lables = labels[batch_size*i:batch_size*(i+1)]for img_path in train_datas:img = cv2.imread(img_path)img = cv2.resize(img,resize_shape)img = img/255 #歸一化處理imgs.append(img)yield np.array(imgs),np.array(train_lables)

?

?參考：

廖雪峰 python編程

總結(jié)

以上是生活随笔為你收集整理的python生成器generator:深度学习读取batch图片的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。