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)一邊計算的機制，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)，就計算出g的下一個元素的值，直到計算到最后一個元素，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)實在是太變態(tài)了

正確的方法是使用for循環(huán)，因為generator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, 1 while n < max:print(b)a, b = b, a + bn = n + 1 return ’done’

仔細觀察，可以看出，fib函數(shù)實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, 1 while n < max:yield ba, b = b, a + bn = n + 1 return ’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)...最后在讀取圖片的實際應(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_size for 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)

補充：深度學(xué)習(xí)算法--fit_generator()函數(shù)使用

如果我們數(shù)據(jù)量很大，那么是不可能將所有數(shù)據(jù)載入內(nèi)存的，必將導(dǎo)致內(nèi)存泄漏，

這時候我們可以用fit_generator函數(shù)來進行訓(xùn)練

from keras.datasets import imdbfrom keras.preprocessing.sequence import pad_sequencesfrom keras.models import Sequentialfrom keras import layersimport numpy as npimport randomfrom sklearn.metrics import f1_score, accuracy_scoremax_features = 100maxlen = 50batch_size = 320(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)x_train = pad_sequences(x_train, maxlen=maxlen)x_test = pad_sequences(x_test, maxlen=maxlen)def generator(): while 1:row = np.random.randint(0, len(x_train), size=batch_size)x = np.zeros((batch_size, x_train.shape[-1]))y = np.zeros((batch_size,))x = x_train[row]y = y_train[row]yield x, y# generator()model = Sequential()model.add(layers.Embedding(max_features, 32, input_length=maxlen))model.add(layers.GRU(64, return_sequences=True))model.add(layers.GRU(32))# model.add(layers.Flatten())# model.add(layers.Dense(32,activation=’relu’))model.add(layers.Dense(1, activation=’sigmoid’))model.compile(optimizer=’rmsprop’, loss=’binary_crossentropy’, metrics=[’acc’])print(model.summary())# history = model.fit(x_train, y_train, epochs=1,batch_size=32, validation_split=0.2)# Keras中的fit()函數(shù)傳入的x_train和y_train是被完整的加載進內(nèi)存的,當(dāng)然用起來很方便，但是如果我們數(shù)據(jù)量很大，# 那么是不可能將所有數(shù)據(jù)載入內(nèi)存的，必將導(dǎo)致內(nèi)存泄漏，這時候我們可以用fit_generator函數(shù)來進行訓(xùn)練。# fit_generator函數(shù)必須傳入一個生成器，我們的訓(xùn)練數(shù)據(jù)也是通過生成器產(chǎn)生的history = model.fit_generator(generator(), epochs=1, steps_per_epoch=len(x_train) // (batch_size))print(model.evaluate(x_test, y_test))y = model.predict_classes(x_test)print(accuracy_score(y_test, y))

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。