有很多教程都是把Python生成器和迭代器放在一块讲的，昨天简单的总结了一下Python的迭代器，今天看代码的时候又用到了生成器，也不是很清楚。再加上之前每次遇到yield关键字都要重新查阅资料，因此这里总结一下生成器以及yield关键字。
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。
要创建一个generator，有很多种方法。第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个generator：
之前学习Python的时候，一直没有注意到迭代器这个东西。最近要使用到它，因此特来总结一下～～
这里不单独将__iter__、__next__、__getitem__、next()等概念拿出来将，只是内嵌到下面的内容中，感觉应该更好理解。
Python中关于迭代有两个概念，第一个是Iterable，第二个是Iterator。
协议规定Iterable的__iter__方法会返回一个迭代器对象（Iterator）。若Iterator含有__next__方法（Python 2里是next）则该函数会返回下一个迭代值，如果迭代结束则抛出StopIteration异常；若该Iterator是通过__getitem__() 方法加iter()函数得到的，则使用__getitem__()返回下一个迭代值。
因为Few-Shot Learning问题要读取数据组成task，因此如何读取数据组成一个task是一个问题。之前看到好几个Pytorch版本的代码，虽然也实现了读取数据组成task，但是逻辑较为复杂且复杂度较高。最近看到了这个代码，感觉实现的方法特别高级，定制性也很强，但是需要比较深入的理解Pytorch DataLoader的原理。所以便有了这篇文章。
Pytorch读取数据虽然特别灵活，但是还是具有特定的流程的，它的操作顺序为：
Dataset 不能够满足需求，我们也可以自定义 Dataset，通过继承 torch.utils.data.Dataset。在继承的时候，需要 override 三个方法。__init__： 用来初始化数据集__getitem__：给定索引值，返回该索引值对应的数据；它是python built-in方法，其主要作用是能让该类可以像list一样通过索引值对数据进行访问__len__：用于len(Dataset)时能够返回大小对我们来说，本篇文章的侧重点在于介绍 DataLoader，因此对于自定义 Dataset，这里不作详细的说明。
这篇论文相当经典，基本上后来的每篇文章都会将和这篇论文的结果作对比。但是这篇论文对我来说，有点生涩难懂，这是看的第二遍了。特来记录一下。
看Few-Shot Learning也好好几篇文章了，但是关于一些最基本的概念都没怎么搞清楚。例如，Few-Shot Learning文章中经常提到一个概念叫做Meta Learning，之前只是知道元学习就是学习如何学习，但是并没有深入理解。现在稍微了解总结总结。
首先，看到Meta Learning这个词汇，就一头污水。翻译过来为元学习，那么如何理解元学习中的“元”字呢？正好最近在知乎上有一个这样的问题——如何理解元学习中的“元”字？ - 知乎。感觉如何理解元学习中的“元”字？ - lintongmao的回答 - 知乎回答的很好。这里引用一下。
元学习是Meta-Learning，按翻译中约定俗成的习惯，将“meta-”译作“元”。
meta- 这个词缀来源于希腊语，有beyond, after等含义。在现代英语中，一般表示“related to”，往往表示与自身相关。这样说太过模糊，我来举几个例子：
本文的主要内容主要来自于这里，我觉得总结的不错，所以特地转载过来，并添加了一下自己的注解。
最近在研究深度学习视觉相关的东西，经常需要写python代码搭建深度学习模型。比如写CNN模型相关代码时，我们需要借助python图像库来读取图像并进行一系列的图像处理工作。我最常用的图像库当然是opencv，很强大很好用，但是opencv也有一些坑，不注意的话也会搞出大麻烦。近期我也在看一些别人写的代码，因为个人习惯不一样，他们在做深度学习时用于图片读取的图像库各不相同，从opencv到PIL再到skimage等等各种库都有，有些库读进来的图片存储方式也不太一样，如果不好好总结这些主流图像读写库特点的话，以后看代码写代码都会遇坑无数。这篇文章就总结了以下主流Python图像库的一些基本使用方法和需要注意的地方。
opencv作为我最常用的图像处理库，当然第一个介绍，并且介绍得比较全面。毋庸置疑，opencv是今天介绍得所有图像库中最全面也最强大的库，如果我们只想掌握一个图像库，我觉得opencv库肯定是最适合不过了。
参加完Kaggle比赛了，虽然做的是图像分割的题目，但是对于图像的基本知识，我还是很欠缺，所以在这里进行一个总结。
首先，这里先说明了颜色的三要素：色调（色相$H$）、饱和度（纯度$S$）和明度$V$，也可以是色调（色相$H$）、饱和度（纯度$S$）和亮度$L$。在下面可以用到。色调和饱和度一起称为色度。
三原色光模式（RGB color model），又称RGB颜色模型或红绿蓝颜色模型，是一种加色模型（与之相对是减色模型），将红（Red）、绿（Green）、蓝（Blue）三原色的色光以不同的比例相加，以合成产生各种色彩光。(因为人类视觉感色细胞的原因，红绿蓝成为三原色合成色彩的基础)。