Pytorch学习笔记|【Pytorch学习笔记】1.Python的yield和next是什么（为什么常用来读取数据（DataLoader）？）人工智能|pytorch|深度学习|pyt

初学Pytorch，先讲讲我在代码中遇到的在Python本身用的不太多的知识点，比如yield和next。

文章目录

- 定义数据读取的函数时常用yield
- 什么是yield
- iterable(可迭代对象)、iterator(迭代器)、generator(生成器)
- Pytorch的DataLoader()是一个 iterable
- 使用yield的函数定义是一个generator(生成器)

定义数据读取的函数时常用yield 学线性回归时，会碰到以下关于数据读取的代码，展示了数据读取的常用方法：
（源码链接：动手学深度学习Pytorch-线性回归）
（features是样本特征集合，每个样本由一个n维向量表示，构成一个Tensor。
labels表示样本的标签集合，构成一个一维Tensor。）

def data_iter(batch_size, features, labels): num_examples = len(features) # 样本数量 indices = list(range(num_examples)) # indices表示从0到 num_examples（样本数量）-1 的数组成的列表 random.shuffle(indices)# 样本的读取顺序是随机的 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 建立一个LongTensor（整形Tensor）用来表示索引。最后一次可能不足一个batch，所以用min yieldfeatures.index_select(0, j), labels.index_select(0, j)

之后我们就可以用

batch_size = 10 data_iter = data_iter(batch_size, features, labels) next(data_iter)# 会显示： (tensor([[-1.2638, -1.4877], [-0.1879, -0.2892], [ 1.5612, -0.4944], [ 0.7337, -1.0936], [-0.2300,0.7310], [-0.1306, -0.8963], [-1.7656,1.3523], [-1.2173,3.2634], [ 0.4237,0.4772], [-1.4817, -0.6735]]), tensor([ 6.7253,4.8145,9.0083,9.3764,1.2536,6.9746, -3.9365, -9.3228, 3.4225,3.5481]))

来获取一个批次的数据，一次next获取一批batch_size的数据。
什么是yield 我们看到上面定义函数data_iter时用了yield，读取数据时用了next调用函数获得一个批次，再调用一次next会获取下个批次。
可以先这么理解：

把 yield 理解成 return，即函数的返回值
理解成return后发现，for循环中就循环了一次return。那么这个yield其实就是个断点续传的return，每次续传的指令由 next(函数名) 来发出。
每发出一次next指令就会寻找下一句yield的返回值。

到这里已经可以理解数据读取的方式了。
那么这背后的原理是什么呢？这么读取会有什么优点？
iterable(可迭代对象)、iterator(迭代器)、generator(生成器) 在Python中，我们常用for循环来遍历一个容器，比如一个列表List：

x = [1, 2, 3] for item in x: print(item) # 会显示： 1 2 3

这里List就是一个可迭代对象iterable，它可以通过for循环取到里面的元素。
在Python中，通过for循环取到容器里的元素，背后是通过将 iterable(可迭代对象) 生成一个 iterator(迭代器) 来进行迭代遍历的。所有可迭代对象都有一个魔法方法__iter__()，用于以自己为蓝本生成一个迭代器。
迭代器内部又有__next__()方法，按顺序依次取到下一个元素，取完一轮后迭代完毕，失去作用。for循环作用于迭代器就相当于就自动执行一轮next。
这样做有什么好处呢？看个例子：
我们使用 iter() 方法手工将List转换成迭代器。使用sys.getsizeof()方法查看对象的内存占用情况。

x = [x for x in range(100000)] for item in x: passx_iter = iter(x) for item in x1: passfor item in x1: print('do it again') # 因为第一次循环已经跑完一轮迭代，再来一次循环将不会有任何迭代import sys print(sys.getsizeof(x)) # 查看List的内存占用 print(sys.getsizeof(x1)) # 查看迭代器的内存占用# 显示： 824464 56

可看到迭代器占用内存极小。
当我们处理大批量数据时，由于计算机内存有限，如果使用普通的可迭代对象进行遍历是不现实的，需要通过生成迭代器来读取一批批的数据。
生成了迭代器后，我们就可以使用next(迭代器)方法来手工获取迭代数据了：

x = [x for x in range(100000)] x_iter = iter(x)print(next(x_iter)) print(next(x_iter)) print(next(x_iter)) # 显示： 0 1 2

总结：
iterator 能取next 和进行for循环，只能迭代一遍。
iterable是数据源，不能next取批量，通过生成iterator进行for循环迭代或者next。
iter(iterable) 方法生成 iterator
图示：

文章图片

Pytorch的DataLoader()是一个 iterable 我们常用torch.utils.data.DataLoader读取数据，本质上是一个可迭代对象iterable。
我们引入Python的collections类来判断DataLoader的类型：

import torch.utils.data as Data data_iter = Data.DataLoader(dataset, batch_size, shuffle=True) from collections import Iterable, Iterator, Generator print(isinstance(data_iter, Iterable)) print(isinstance(data_iter, Generator)) print(isinstance(data_iter, Iterator)) # 显示： True False False

我们使用DataLoader()读取数据后，用next(iter(data_iter))来返回批量数据，而不能使用 next(data_iter)，原理就在这儿。
使用迭代器来返回批量数据，可在大量数据情况下，实现小批量循环迭代式的读取，避免了内存不足的问题。
使用yield的函数定义是一个generator(生成器) 一开始的例子中，我们定义data_iter函数时使用了yield返回数据，这样定义的函数称为一个generator(生成器)。
生成器顾名思义就是用来生成迭代器用的。
扩展一下上上节的代码：
我们再定义一个generator，并判断是否属于 Iterator、Iterable、Generator

import sys from collections import Iterable, Iterator, Generatorx = [x for x in range(100000)] for item in x: passx_iter = iter(x)print(sys.getsizeof(x)) # 查看List的内存占用 print(sys.getsizeof(x_iter)) # 查看迭代器的内存占用 print(next(x_iter)) # 迭代器使用next 获得迭代对象 print(isinstance(x_iter, Iterable)) print(isinstance(x_iter, Generator)) print(isinstance(x_iter, Iterator))# 显示： 824464 56 0 True False True# 定义生成器generator def show_x(x): for item in x: yield itemx_iter2 = show_x(x) # 实例化generator print(next(x_iter2))# 生成器可直接使用 next 获得迭代对象 print(sys.getsizeof(x_iter2)) # 查看生成器的内存占用 print(isinstance(x_iter2, Iterable)) print(isinstance(x_iter2, Generator)) print(isinstance(x_iter2, Iterator))# 显示： 0 88 True True True

【Pytorch学习笔记|【Pytorch学习笔记】1.Python的yield和next是什么（为什么常用来读取数据（DataLoader）？）】我们可以看到使用yield定义的函数是一个generator，它也有next的迭代方法用以批量读取数据。
关于生成器我们可以参考这张图：

文章图片

总结一下：

generator生成器可以理解为一个普通函数，只是定义的时候使用了 yield 这一高级“return”；

生成器本身就是一个迭代器，是迭代器的高级封装，使用yield语句后可使代码逻辑非常清晰，方便我们使用迭代器。

生成器和迭代器一样，调用next方法获得下一个yield/下一个元素的内容

迭代完成后停止。

在大量数据情况下，实现小批量循环迭代式的读取，可避免内存不足的问题。

参考文献：
https://nvie.com/posts/iterators-vs-generators/