本篇内容主要讲解“如何用python生成器读取图片”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“如何用python生成器读取图片”吧!

在深度学习中训练模型的过程中读取图片数据，如果将图片数据全部读入内存是不现实的，所以有必要使用生成器来读取数据。

通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含100万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。

所以，如果列表元素可以按照某种算法推算出来，那我们是否可以在循环的过程中不断推算出后续的元素呢？这样就不必创建完整的list，从而节省大量的空间。在Python中，这种一边循环一边计算的机制，称为生成器：generator。

只要把一个列表生成式的[]改成()，就创建了一个generator：

>>>L=[x*xforxinrange(10)]>>>L[0,1,4,9,16,25,36,49,64,81]>>>g=(x*xforxinrange(10))>>>g<generatorobject<genexpr>at0x1022ef630>

list中的元素可以直接打印出来 ，generator要一个一个打印出来，

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

generator保存的是算法，每次调用next(g)，就计算出g的下一个元素的值，直到计算到最后一个元素，没有更多的元素时，抛出StopIteration的错误。

正确的方法是使用for循环，因为generator也是可迭代对象：

>>>g=(x*xforxinrange(10))>>>forning:...print(n)

著名的斐波拉契数列（Fibonacci），除第一个和第二个数外，任意一个数都可由前两个数相加得到：

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

但是，用函数把它打印出来却很容易：

deffib(max):n,a,b=0,0,1whilen<max:print(b)a,b=b,a+bn=n+1return'done'

仔细观察，可以看出，fib函数实际上是定义了斐波拉契数列的推算规则，可以从第一个元素开始，推算出后续任意的元素，这种逻辑其实非常类似generator。

也就是说，上面的函数和generator仅一步之遥。要把fib函数变成generator，只需要把print(b)改为yield b就可以了：

deffib(max):n,a,b=0,0,1whilen<max:yieldba,b=b,a+bn=n+1return'done'

这就是定义generator的另一种方法。如果一个函数定义中包含yield关键字，那么这个函数就不再是一个普通函数，而是一个generator：

>>>f=fib(6)>>>f<generatorobjectfibat0x104feaaa0>

这里，最难理解的就是generator和函数的执行流程不一样。函数是顺序执行，遇到return语句或者最后一行函数语句就返回。而变成generator的函数，在每次调用next()的时候执行，遇到yield语句返回，再次执行时从上次返回的yield语句处继续执行。

在循环过程中不断调用yield，就会不断中断。当然要给循环设置一个条件来退出循环，不然就会产生一个无限数列出来。

同样的，把函数改成generator后，我们基本上从来不会用next()来获取下一个返回值，而是直接使用for循环来迭代：

>>>forninfib(6):...print(n)...最后在读取图片的实际应用中的代码如下：

deftrain_data(train_file,batch_size,resize_shape):datas,labels=read_data(train_file)num_batch=len(datas)//batch_sizeforiinrange(num_batch):imgs=[]train_datas=datas[batch_size*i:batch_size*(i+1)]train_lables=labels[batch_size*i:batch_size*(i+1)]forimg_pathintrain_datas:img=cv2.imread(img_path)img=cv2.resize(img,resize_shape)img=img/255#归一化处理imgs.append(img)yieldnp.array(imgs),np.array(train_lables)

补充：深度学习算法--fit_generator()函数使用

如果我们数据量很大，那么是不可能将所有数据载入内存的，必将导致内存泄漏，

fromkeras.datasetsimportimdbfromkeras.preprocessing.sequenceimportpad_sequencesfromkeras.modelsimportSequentialfromkerasimportlayersimportnumpyasnpimportrandomfromsklearn.metricsimportf1_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)defgenerator():while1: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]yieldx,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()函数传入的x_train和y_train是被完整的加载进内存的,当然用起来很方便，但是如果我们数据量很大，#那么是不可能将所有数据载入内存的，必将导致内存泄漏，这时候我们可以用fit_generator函数来进行训练。#fit_generator函数必须传入一个生成器，我们的训练数据也是通过生成器产生的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))

到此，相信大家对“如何用python生成器读取图片”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！