关于Python yield 关键字的理解

原创 于 2019-01-29 05:01:46 发布 · 218 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入浅出地解析了Python中yield关键字的工作原理，重点介绍了如何在生成器函数中使用yield来实现数据的按需生成，避免了一次性加载大量数据造成的内存负担。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近接触到Python中的yield关键字，看了一些相关的文章，感觉写得都太复杂了，弄一堆概念容易把人弄晕。

讲下我自己的理解：

首先需要知道带有yield关键字的函数（我们叫它生成器函数generator function）一般在for语句中调用。从yield关键字开始，往后的代码（包括yield这一行）会不断循环运行，而yield关键字具有类似抽样器的作用，将每次运行到此处时yield后面的表达式的值返回，作为for语句产生的一个值（比如for i in range(5)，这些值就分别是i对应的0、1、2、3、4），直到函数遇到终止条件。

写在此处作为记录，日后有更深理解再回来修改。

参考：https://www.ibm.com/developerworks/cn/opensource/os-cn-python-yield/index.html斐波那契的例子值得一看

https://liam.page/2017/06/30/understanding-yield-in-python/比较详尽

铁卫戈丁
关注
Python 理解 yield 关键字及与return的关系
lbj1260200629的博客
12-10 987
Python 理解 yield 关键字及其与return的异同点
Python 生成器，迭代，yield关键字，send()传参给yield语句操作示例
09-18
以上内容详细介绍了Python生成器、迭代、yield关键字以及send()传参的相关知识点，并通过具体的代码示例来说明了它们的使用方法和技巧。通过学习这些内容，可以更加深入地理解Python语言的高级特性，提高编程效率和...
彻底理解Python中的yield关键字
01-20
阅读别人的python源码时碰到了这个yield这个关键字，各种搜索终于搞懂了，在此做一下总结： 通常的for…in…循环中，in后面是一个数组，这个数组就是一个可迭代对象，类似的还有链表，字符串，文件。它可以是mylist...
python中yield关键字用法
01-21
首先，把yield理解成return，可以用作返回数据，如下： def f(): yield 9 next(f()) #结果为 9 如果你用一个变量接受该值，首次执行时并不会执行函数，而是先得到一个生成器，如下： def f(): print(提示字符！) ...
利用Moire光子晶体实现高自由度拓扑能带：探索300w+自由度，自主实施挑战！
08-14
内容概要：本文详细探讨了Moire光子晶体能带结构的研究，特别是针对超过300万自由度的复杂系统。首先介绍了Moire光子晶体的基础理论，解释了其形成机制以及能带结构对光传播的影响。随后讨论了高自由度计算所面临的挑战，包括数据量庞大和相互作用复杂等问题。文中还提供了基于Python和有限元方法的具体代码实现，展示了如何利用FEniCS库进行网格划分、定义材料属性和求解变分问题。最后提出了优化策略，如并行计算技术和高效迭代求解器的应用，以应对大规模自由度带来的计算难题。 适合人群：从事光学、材料科学研究的专业人士，尤其是对光子晶体能带结构感兴趣的科研工作者和技术开发者。 使用场景及目标：适用于希望深入了解Moire光子晶体能带特性的研究人员，旨在帮助他们掌握从理论到实践的完整流程，从而推动相关领域的技术创新和发展。 其他说明：本文不仅涵盖了理论知识，还包括具体的编程实现细节，有助于读者更好地理解和应用这一前沿技术。
Tianchi medical AI competition Season 1: Lung nodules Caffe deep learning networks. Caffe训练基于卷积神经网
08-14
资源下载链接为： https://pan.quark.cn/s/da7a241e576a Tianchi medical AI competition [Season 1]: Lung nodules Caffe deep learning networks. Caffe训练基于卷积神经网络的肺结节分类器（最新、最全版本！打开链接下载即可用！）
Linux系统文件监控工具inotify的应用.doc
08-14
Linux系统文件监控工具inotify的应用.doc
电流滞环跟踪调速系统的仿真模型及设计报告 滞环比较器
08-14
电流滞环跟踪调速系统的仿真模型及其设计。首先概述了该系统的工作原理，即通过滞环比较器实时监测并调整电机电流，确保其保持在设定范围内，从而实现对电机速度的精确控制。接着，文章重点描述了仿真模型的构建过程，包括电机模型、滞环比较器和控制器三个核心部分。电机模型采用直流电机模型，能准确反映电机的电气和机械特性；滞环比较器用于实时监测电流并与参考电流对比；控制器则基于PID调节，通过调整参数实现对电机速度的精准控制。此外，文中还涉及了各部分的关键代码分析，展示了具体实现方法。最后，通过对仿真的性能分析，验证了该系统在提高电机运行效率和稳定性方面的有效性。 适合人群：从事电机控制、自动化工程及相关领域的研究人员和技术人员。 使用场景及目标：适用于希望深入了解电流滞环跟踪调速系统工作原理及其实现方式的专业人士，旨在帮助他们掌握该系统的仿真建模技巧以及优化控制策略的方法。 其他说明：文章不仅提供了理论分析，还包括具体的代码实现细节，便于读者动手实践和进一步研究。
永磁同步电机死区补偿与过调制仿真模型研究：降低谐波的新方法与控制策略 · 过调制
08-14
内容概要：本文详细探讨了永磁同步电机的两种死区补偿仿真模型和过调制仿真模型。首先介绍了死区补偿的重要性及其对电机性能的影响，然后分别阐述了传统死区补偿方法和改进后的死区补偿方法，后者通过引入新的检测机制和补偿算法显著降低了谐波含量。接着讨论了过调制仿真模型的应用，展示了其在提高电机输出转矩和效率方面的潜力。此外，文章还涉及了重复控制、比例谐振控制和其他先进控制模型，提出了实际应用中的小改进建议，如自适应调整机制和智能优化算法。最后，文章总结了各种方法的优势和不足，并展望了未来的发展方向。 适合人群：从事电机控制系统设计的研究人员、工程师及相关领域的学生。 使用场景及目标：适用于需要深入了解永磁同步电机死区补偿和过调制技术的专业人士，旨在提升电机控制系统的性能和效率。 其他说明：文中包含了部分代码片段，有助于读者理解相关算法和模型的具体实现。
Maxwell环境下高速永磁同步电机建模仿真：50,000至100,000rpm性能解析 - 电机建模
08-14
内容概要：本文详细探讨了在Maxwell软件环境中，针对转速范围为50,000至100,000rpm的高速永磁同步电机进行建模仿真的方法和技术。文章首先介绍了高速永磁同步电机的基础理论，解释了其工作原理和特性。接着，重点讨论了Maxwell软件的功能及其在电机建模中的具体应用，强调了该软件在模拟电机磁场分布、电流变化及性能方面的优势。随后，文章深入分析了在指定转速范围内进行建模仿实时需要考虑的关键因素，如热性能、机械强度和电磁噪声等，并通过仿真结果预测电机在不同转速下的性能表现，为电机设计和优化提供了重要依据。 适合人群：从事电机设计、仿真分析的技术人员，尤其是关注高速永磁同步电机性能优化的研发人员。 使用场景及目标：适用于希望利用Maxwell软件对高速永磁同步电机进行深入研究和优化设计的专业人士，旨在提升电机的性能、稳定性和可靠性。 其他说明：文章不仅提供了详细的建模步骤和技术要点，还强调了实际应用中的注意事项，帮助读者更好地理解和掌握相关技术和方法。
QT6 图形视图架构里的视图 QGraphicsView 的源代码带注释
08-14
QT6 图形视图架构里的视图 QGraphicsView 的源代码带注释
MATLAB环境下基于Excel数据的支持向量机SVM分类问题解决方案
08-14
内容概要：本文介绍了利用MATLAB实现支持向量机（SVM）分类问题的方法，重点在于从Excel文件中便捷地导入数据，支持多维和一维输入，输出为一维分类结果。文中详细讲解了数据导入、SVM模型训练（采用径向基函数作为核函数）、预测与结果输出三个主要步骤，并附有lib工具箱以保障程序顺利执行。整个过程简单易懂，便于初学者快速掌握SVM分类的应用技巧。 适合人群：对机器学习感兴趣的研究人员、学生或者有一定编程基础的数据分析师。 使用场景及目标：适用于需要处理分类问题的科研项目或实际应用中，如图像识别、文本分类等领域。通过学习本文提供的方法，使用者能够独立完成从数据准备到模型构建再到结果验证的一系列操作。 其他说明：除了默认使用的径向基函数外，用户可以根据具体需求选择其他类型的核函数，并适当调整相关参数以提高模型准确性。同时，所提供的lib工具箱极大地降低了入门门槛，使得更多人可以轻松参与到SVM的学习与实践中来。
（完整）小升初语文试卷及答案（多套通用版）.docx
08-14
（完整）小升初语文试卷及答案（多套通用版）.docx
React中实现拖拽排序列表的功能.doc
08-14
React中实现拖拽排序列表的功能.doc
基于 LSTM、自编码器与 ST-DBSCAN 的轨迹序列异常检测 利用 LSTM、自编码器和 ST-DBSCAN 检测轨迹轨迹序列异常 结合 LSTM、自编码器及 ST-DBSCAN 的轨迹序列异常
08-14
资源下载链接为： https://pan.quark.cn/s/52ce81d25c78 基于 LSTM、自编码器与 ST-DBSCAN 的轨迹序列异常检测 利用 LSTM、自编码器和 ST-DBSCAN 检测轨迹轨迹序列异常 结合 LSTM、自编码器及 ST-DBSCAN 的轨迹序列异常检测 采用 LSTM、自编码器与 ST-DBSCAN 进行轨迹序列异常检测 通过 LSTM、自编码器和 ST-DBSCAN 实现轨迹序列异常检测（最新、最全版本！打开链接下载即可用！）
基于LSTM时间序列预测的MATLAB长短期记忆网络回归模型及其实战应用
08-14
基于LSTM（长短期记忆网络）的时间序列预测方法及其在MATLAB环境中的实现。首先阐述了LSTM作为一种特殊神经网络结构的特点，特别是它能有效捕捉时间序列数据的长期依赖关系。接着，文章逐步讲解了从数据准备到模型搭建、训练直至最终预测的具体步骤。重点在于利用MATLAB自带的神经网络工具箱构建LSTM模型，并强调只需简单替换输入数据集文件就能快速实现不同领域的预测任务。最后，通过对实际案例的效果分析展示了该方法的有效性和准确性。 适合人群：对机器学习尤其是深度学习有一定了解的研究人员和技术爱好者，希望深入了解LSTM在网络预测方面的应用。 使用场景及目标：适用于需要进行时间序列预测的各种行业，如金融、气象等领域。目标是帮助用户掌握如何用MATLAB实现LSTM模型并应用于实际业务中，提高预测精度。 其他说明：文中提供了详细的建模流程指导，有助于初学者理解和实践LSTM时间序列预测技术。
用 Numpy 手写 BP 神经网络，对比 Dropout 与 Batch Normalization 等训练技巧的效果
08-14
资源下载链接为： https://pan.quark.cn/s/ab4895074baa 用 Numpy 手写 BP 神经网络，对比 Dropout 与 Batch Normalization 等训练技巧的效果（最新、最全版本！打开链接下载即可用！）
数据预测中极限学习机系列算法(KELM、OS-ELM等)的性能对比与应用场景分析
最新发布
08-14
五种极限学习机算法——核极限学习机（KELM）、在线顺序极限学习机（OS-ELM）、在线贯序核极限学习机（OSKELM）、遗忘因子的在线贯列核极限学习（F-OSKELM）和自适应遗忘因子的在线贯列核极限学习（AF-OSKELM）。通过对这些算法在Matlab平台上的实验结果进行分析，探讨了它们各自的特点和优势。KELM擅长处理非线性问题，OS系列算法适用于实时数据流处理，而带遗忘因子的算法能有效应对数据的时效性和动态变化。最终，文章强调了根据不同数据特性选择最适配算法的重要性。 适合人群：从事机器学习研究的专业人士、数据科学家和技术爱好者。 使用场景及目标：帮助读者理解不同类型极限学习机的工作机制及其适用范围，为实际项目中选择最优算法提供理论依据和技术指导。 其他说明：文中提供了详细的实验结果图表，便于直观对比各算法性能。
【C语言教程】经典算法与数智化应用实战：排序查找及树莓派智能控制案例解析
08-14
内容概要：本文围绕C语言在数智化时代的应用展开，首先介绍了C语言在人工智能、大数据等领域的底层支撑作用，强调其在操作系统、数据库等方面的重要性。接着详细讲解了C语言的经典算法实现，包括排序（如快速排序）和查找（如二分查找），展示了指针与数组的高效操作及递归、分治等思想的应用。然后通过树莓派智能控制的实际案例，如LED灯闪烁控制，展现了C语言在物联网、智能家居等数智化场景中的应用，涉及GPIO引脚操作、传感器数据采集等。最后阐述了C语言教程的核心价值，包括工程化开发能力、对底层逻辑的理解以及跨领域的应用潜力，并提出了深入学习、实践驱动和技术融合的学习建议。; 适合人群：对C语言有一定基础，希望深入了解其在数智化时代应用场景的开发者，尤其是对嵌入式系统、底层开发感兴趣的读者。; 使用场景及目标：①掌握经典算法（如排序、查找）的实现原理及其优化方法；②理解C语言在树莓派等嵌入式设备中的具体应用，如GPIO控制、传感器数据采集；③提高工程化开发能力，培养符合企业标准的开发流程。; 阅读建议：本文不仅提供代码示例，还深入剖析了背后的原理和应用场景，因此建议读者结合实际项目进行动手实践，同时可以参考推荐的书籍和开源项目，逐步提升对C语言的理解和应用水平。
深入理解Python生成器与yield关键字
本文主要介绍了Python中的生成器和yield语句的概念、用途及工作原理，强调了它们在处理序列生成和内存效率上的...理解并熟练使用生成器是提升Python编程技能的关键步骤，特别是在处理大数据、并发和异步编程场景下。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值