我最初尝试在编写用于训练Keras模型的自定义生成器时使用generator语法。因此我从\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。然而，当我尝试使用model.fit_generator来训练我的模式时，我会得到一个错误，即我的生成器不是迭代器。解决方法是将收益率更改为返回，这也需要重新调整\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。与让为我做这项工作相比，它相当麻烦
有没有一种方法可以使这项工作与产量？如果我必须使用return语句，我将需要编写更多的迭代器，这些迭代器必须具有非常笨拙的逻辑
我无法帮助调试您的代码，因为您没有发布它，但我简化了我为语义分段项目编写的自定义数据生成器，供您用作模板：
def生成数据（目录、批次大小）：
“”“替换Keras的本机ImageDataGenerator。”“”
i=0
file_list=os.listdir（目录）
尽管如此：
图像_批处理=[]
对于范围内的b（批次尺寸）：
如果i==len（文件列表）：
i=0
随机.shuffle（文件列表）
样本=文件列表[i]
i+=1
image=cv2.resize（cv2.imread（示例[0]），输入_形状）
image\u batch.append（（image.astype（float）-128）/128）
产量np.数组（图像批处理）
用法：
model.fit\u生成器(
生成_数据（“~/my_数据”，批量大小），
steps\u per\u epoch=len（os.listdir（“~/my\u data”）//批处理大小）