迭代器的用法：

首先说两个概念，一个是可迭代的对象，一个是迭代器对象，两个不同。可迭代的（Iterable）：就是可以for循环取数据的，比如字典、列表、元组、字符串等，不可使用next()方法。迭代器（Iterator），也是可以依次迭代取出数据的对象，在内存空间是这样存储的：<list_iterator object at 0x01E35770> 占用内存小，并且可以使用next()方法依次取数据。可以使用isinstance()方法来判断一个对象是可迭代对象还是迭代器对象。

>>> a = [x for x in range(3)]             #生成一个列表
>>> from collections import Iterable     #导入Iterable模块
>>> isinstance(a,Iterable)              #使用isinstance(“”,Iterable)判断是否是可迭代的
True                               #返回True
>>> from collections import Iterator      #导入Iterator模块
>>> isinstance(a,Iterator)              #使用isinstance(“”,Iterator)判断是否是迭代器对象
False                               #返回False

从上面的结果可以看出来，列表是一个可迭代的对象，但是不是迭代器，同样的字典，元组，字符串也不是迭代器，另外，数字既不是迭代器对象，也不是可迭代的对象。

那么如何生成迭代器？

使用iter()方法

比如接着上面的  a = [x for x in range(3)]，让b=iter(a)

b就变成了迭代器

>>> b = iter(a)
<list_iterator object at 0x029CCD30>              #b的返回值 是一个地址
[0, 1, 2]                   #a还是原来的列表

这时候就可以对b使用next()方法来取值了：

>>> next(b)                     #第一次next(b),返回第一个元素 0
>>> next(b)                     #第二次next(b),返回第二个元素 1
>>> next(b)                     #第三次next(b),返回第三个元素 2
>>> next(b)                     #第四次next(b),列表只有三个元素，此时超出索引范围next()函数抛出了一个异常StopIteration
Traceback (most recent call last):
  File "<pyshell#72>", line 1, in <module>
    next(b)
StopIteration

本文实例讲述了 Python 迭代器 定义与简单 用法 。分享给大家供大家参考，具体如下： 一、什么是 迭代器 迭代，顾名思义就是重复做一些事很多次（就现在循环中做的那样）。 迭代器 是实现了__next__() 方法 的对象（这个 方法 在 调用 时不需要任何参数），它是访问可迭代序列的一种方式，通常其从序列的第一个元素开始访问，直到所有的元素都被访问才结束。 [注意]： 迭代器 只能前进不能后退 [ 迭代器 的优点]: 使用 迭代器 不要求事先准备好整个迭代过程中的所有元素。 迭代器 仅仅在迭代到某个元素时才计算该元素，而在这之前或之后元素可以不存在或者被销毁。因此 迭代器 适合遍历一些数量巨大甚至无限的序列。  二、创建 迭代器

http://blog.csdn.net/baidu_36831253/article/details/778839411）先说 迭代器 ： 迭代器 是访问集合元素的一种方式。 迭代器 对象从集合的第一个元素开始访问，知道所有的元素被访问完结束。 迭代器 只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。 迭代器 有两个基本的 方法 next 方法 ：返回 迭代器 的下一个元素 __iter__ 方法 ：返回迭代

生成器和 迭代器 都是用来遍历数据的工具，但它们之间有几个重要的区别： 1. 生成器是一种特殊的 迭代器 ，它可以通过函数来创建。生成器函数使用`yield`关键字来返回数据，每次 调用 生成器函数会执行到`yield`，并返回`yield`后面的值，之后函数会被暂停，直到下一次 调用 。 2. 迭代器 是一种实现了`__iter__()`和`__next__()` 方法 的对象，可以使用`for...in`语句来遍历数据。 迭代器 每次通过`__next__()` 方法 返回一个数据，直到所有数据都被遍历完毕，之后会抛出`StopIteration`异常。 3. 生成器可以保存状态，即保留了函数执行的上下文，每次 调用 时会从上次暂停的位置继续执行。而 迭代器 不会保存状态，每次遍历数据时都是从数据的开头开始。 4. 由于生成器只在需要时才生成数据，可以节省大量的内存，因为不需要一次性生成所有数据，而是根据需要生成。而 迭代器 需要一次性加载所有数据到内存中，因此可能会占用大量的内存。 综上所述，生成器是一种特殊的 迭代器 ，它可以通过函数来创建，并且可以在需要时生成数据，节省内存。 迭代器 需要一次性加载所有数据到内存中，而且不保存状态。

DSNet:Joint Semantic Learning for Object Detection in Inclement Weather Conditions LcLc6666666: 有没有源码和数据集呀 tensorflow数据类型转换 Growup.: 请问我出现这个问题字母解决呢？ module 'tensorflow' has no attribute 'to_int64' 在线求解答 Pytorch训练网络模型过程中Loss为负值的问题及其解决方案 粉面桃花: 谢谢！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！ 解决wget下载https时报错 --no-check-certificate (不检查证书) hongqipilang: 说的对~~ DSSD : Deconvolutional Single Shot Detector 德彪稳坐倒骑驴: 本文的主要贡献是将附加上下文引入到最先进的一般目标检测中。为了实现这一点，我们首先结合了一个最先进的分类器和一个快速检测框架。然后，我们使用反褶积层来增加SSD+Residual-101，以在目标检测中引入额外的大规模上下文，并提高准确性，特别是对于小目标，我们将生成的系统DSSD称为反卷积单阶段检测器。虽然这两个贡献很容易在高层进行描述，但是一个简单的实现是不会成功的。相反，我们展示了仔细添加额外的学习转换阶段，特别是反褶积中的前馈连接模块和一个新的输出模块，使这种新方法成为可能，并为进一步的检测研究形成了一个潜在的前进道路。结果表明，PASCAL VOC和COCO 检测。我们的513×513输入的DSSD在VOC2007测试中实现了81.5%的mAP，在VOC 2012测试中实现了80.0%的mAP，在COCO上实现了33.2%的mAP，在每个数据集上都优于目前最先进的R-FCN方法。 ———————————————— 版权声明：本文为CSDN博主「Wanderer001」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/weixin_36670529/article/details/99614032