在写深度学习项目时，我遇到一个让人摸不着头脑的 bug：  
训练数据迭代器第一次还能打印出正常的 batch，但一旦传给训练函数，就直接报错：

---

ZeroDivisionError: float division by zero

追踪代码后发现，问题根源在于 **Python 的生成器 (generator) 是一次性的**。这篇文章就来彻底讲清楚这个问题。

---

## 1. 列表 vs 生成器

在 Python 里，**列表**和**生成器**有本质上的区别：

- **列表**：数据存放在内存里，可以随便访问任意下标，取多少次都行。  
- **生成器**：数据是“现用现造”的，每次迭代会把指针往前推进，走过的就没了，不能回头。

简单对比一下：

```python
# 列表：多次迭代没问题
lst = [0, 1, 2]
for x in lst:
    print("first loop:", x)
for x in lst:
    print("second loop:", x)

# 生成器：只能用一次
def gen():
    for i in range(3):
        yield i

g = gen()
for x in g:
    print("first loop:", x)
for x in g:
    print("second loop:", x)

出结果：

first loop: 0
first loop: 1
first loop: 2
second loop: 0
second loop: 1
second loop: 2
---
first loop: 0
first loop: 1
first loop: 2
# 第二次循环什么都没有！

为什么？因为生成器在第一次迭代时已经跑到结尾，第二次再迭代时里面已经空了。

---

2. 生成器的本质是状态机

理解这个现象的关键：生成器是状态机。

比如：

def gen():
    for i in range(3):
        print("生成:", i)
        yield i

g = gen()
print(next(g))  # 第一次 next
print(next(g))  # 第二次 next

输出：

生成: 0
0
生成: 1
1

可以看到，生成器不是“一次性算完放内存”，而是运行到 yield 就停下，下一次再从上次停的地方继续跑。等所有 yield 执行完，它就抛出 StopIteration，彻底结束。

所以说，生成器就像 传送带，东西经过一次就没了；而列表像 冰箱，随时都能取。

📌 对比图示：

---

3. 在训练代码中的坑

在深度学习代码里，我定义了一个数据加载函数：

def load_data_time_machine(batch_size, num_steps):
    corpus = torch.arange(100)  # 假装语料
    def seq_data_iter_random(corpus, batch_size, num_steps):
        for i in range(0, len(corpus) - num_steps, num_steps):
            X = corpus[i:i+num_steps]
            Y = corpus[i+1:i+1+num_steps]
            yield X, Y
    return seq_data_iter_random(corpus, batch_size, num_steps)

然后这样用：

train_iter = load_data_time_machine(32, 35)

# 第一次迭代，正常
for X, Y in train_iter:
    print(X.shape, Y.shape)
    break

# 第二次迭代，啥也没了
for X, Y in train_iter:
    print("again:", X.shape, Y.shape)

结果就是：第一次能打印，第二次完全没有输出。因为 train_iter 是生成器，只能用一次。
当我把这个“已经消耗掉的迭代器”传进训练函数时，里面啥数据都没了，于是 metric[1] == 0，报出除零错误。

---

4. 解决方案

如果你希望数据加载器能多次使用，有两种方法：

方法 1：每次训练前重新生成迭代器

train_iter = load_data_time_machine(batch_size, num_steps)
train_ch8(net, train_iter, vocab, lr, num_epochs, device)

这样保证每次都是新的生成器。

方法 2：写一个可重复迭代的类

class SeqDataLoader:
    def __init__(self, corpus, batch_size, num_steps):
        self.corpus = corpus
        self.batch_size = batch_size
        self.num_steps = num_steps

    def __iter__(self):
        for i in range(0, len(self.corpus) - self.num_steps, self.num_steps):
            X = self.corpus[i:i+self.num_steps]
            Y = self.corpus[i+1:i+1+self.num_steps]
            yield X, Y

这样返回的 train_iter 就能多次使用，不会“用一次就没了”。

---

5. 总结

• 生成器不是列表，它不会把数据存下来，只是动态生成。

• 一旦你迭代完，生成器就到头了，不能再用了。

• 在深度学习训练里，这会导致数据加载器第二次迭代时为空，出现各种奇怪的 bug（比如 ZeroDivisionError）。

• 解决办法：要么每次重新生成迭代器，要么改写成可重复迭代的类。

记住一句话：

列表是“冰箱”，随时可取；生成器是“水龙头”，水流走了就没了。