在深度學習中訓練模型的過程中讀取圖片數據，如果將圖片數據全部讀入內存是不現實的，所以有必要使用生成器來讀取數據。
通過列表生成式，我們可以直接創建一個列表。但是，受到內存限制，列表容量肯定是有限的。而且，創建一個包含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的過程中不斷推算出后續的元素呢？這樣就不必創建完整的list，從而節省大量的空間。在Python中，這種一邊循環一邊計算的機制，稱為生成器：generator。
創建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。
上面這種不斷調用next(g)實在是太變態了
正確的方法是使用for循環，因為generator也是可迭代對象：
>>> g = (x * x for x in range(10))
>>> for n in g:
... print(n)
著名的斐波拉契數列（Fibonacci），除第一個和第二個數外，任意一個數都可由前兩個數相加得到：
1, 1, 2, 3, 5, 8, 13, 21, 34, ...
斐波拉契數列用列表生成式寫不出來
但是，用函數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 + b
n = n + 1
return 'done'
仔細觀察，可以看出，fib函數實際上是定義了斐波拉契數列的推算規則，可以從第一個元素開始，推算出后續任意的元素，這種邏輯其實非常類似generator。
也就是說，上面的函數和generator僅一步之遙。要把fib函數變成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 b
a, b = b, a + b
n = n + 1
return 'done'
這就是定義generator的另一種方法。如果一個函數定義中包含yield關鍵字，那么這個函數就不再是一個普通函數，而是一個generator：
>>> f = fib(6)
>>> f
generator object fib at 0x104feaaa0>
這里，最難理解的就是generator和函數的執行流程不一樣。函數是順序執行，遇到return語句或者最后一行函數語句就返回。而變成generator的函數，在每次調用next()的時候執行，遇到yield語句返回，再次執行時從上次返回的yield語句處繼續執行。
在循環過程中不斷調用yield，就會不斷中斷。當然要給循環設置一個條件來退出循環，不然就會產生一個無限數列出來。
同樣的，把函數改成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循環來迭代：
>>> for n in fib(6):
... print(n)
...
最后在讀取圖片的實際應用中的代碼如下：
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：深度學習算法--fit_generator()函數使用
如果我們數據量很大，那么是不可能將所有數據載入內存的，必將導致內存泄漏，
這時候我們可以用fit_generator函數來進行訓練
from keras.datasets import imdb
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras import layers
import numpy as np
import random
from sklearn.metrics import f1_score, accuracy_score
max_features = 100
maxlen = 50
batch_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()函數傳入的x_train和y_train是被完整的加載進內存的,當然用起來很方便，但是如果我們數據量很大，
# 那么是不可能將所有數據載入內存的，必將導致內存泄漏，這時候我們可以用fit_generator函數來進行訓練。
# fit_generator函數必須傳入一個生成器，我們的訓練數據也是通過生成器產生的
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))
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Python對130w+張圖片檢索的實現方法
- 利用Python實現簡單的相似圖片搜索的教程
- 如何利用Python識別圖片中的文字詳解
- Python圖片處理之圖片裁剪教程
- Python批量圖片去水印的方法
- python 爬取英雄聯盟皮膚圖片
- python opencv通過按鍵采集圖片源碼
- Python如何生成隨機高斯模糊圖片詳解
- 使用python如何刪除同一文件夾下相似的圖片
- Python基于Opencv識別兩張相似圖片
- Python圖片檢索之以圖搜圖
