DL4J中文文档/模型/迭代器-1

什么是迭代器?

数据集迭代器允许将数据轻松加载到神经网络中，并帮助组织批处理、转换和掩码。包含在Eclipse DL4J中的迭代器有助于用户提供的数据，或者自动加载公共的基准数据集如MNIST和IRIS。

用法

对于大多数用例，初始化迭代器和传递一个引用到MultiLayerNetwork或ComputationGraph 的fit()方法是开始训练任务所需的全部内容：

MultiLayerNetwork model = new MultiLayerNetwork(conf);
model.init();

// 传入一个 MNIST 数据集迭代器，自动获取数据 
DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);
net.fit(mnistTrain);

image.gif

许多其他方法也接受迭代器来完成任务，例如评估：

// 直接传递给神经网络
DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);
net.eval(mnistTest);

//使用一个评估类
Evaluation eval = new Evaluation(10); //创建一个带有10个可能分类的评估对象
while(mnistTest.hasNext()){
    DataSet next = mnistTest.next();
    INDArray output = model.output(next.getFeatureMatrix()); //得到网络预测
    eval.eval(next.getLabels(), output); //检查对真实分类的预测
}

image.gif

可用的迭代器

---

CifarDataSetIterator （CIFAR10数据集迭代器）

[源码]

CifarDataSetIterator是CIFAR10数据集的迭代器，10个分类，32x32图像 3通道（RGB）还支持用于基于Sergey Zagoruyko示例https://github.com/szagoruyko/cifar.torch 对数据集进行归一化的特殊预处理器。

CifarDataSetIterator

public CifarDataSetIterator(int batchSize, int numExamples) 

image.gif

用创建器返回的batchSize与numExamples加载图片。

next

public DataSet next(int batchSize) 

image.gif

用创建器返回的batchSize、numExamples与version加载图片。

---

EmnistDataSetIterator （EMNIST 数据集迭代器）

[源码]

EMNIST 数据集迭代器

• COMPLETE: 也称为 “ByClass” 分割。 共计814,255 个示例(训练 + 测试)， 62 个分类
• MERGE: 也称为“ByMerge”分割。共计814255个示例。47个不平衡分类。对于字母C、I、J、K、L、M、O、P、S、U、V、W、X、Y和Z，为每个字母（而不是2个）将小写字母和大写字母（难以区分）组合为一个类
• BALANCED: 总计 131,600 示例。 47 个分类 (每个分类都有相同数量的例子)
• LETTERS: 总计145,600 示例。 26 个平衡分类。
• DIGITS: 总计 280,000 示例。 10 个平衡分类。

查看: https://www.nist.gov/itl/iad/image-group/emnist-dataset 和 https://arxiv.org/abs/1702.05373

EmnistDataSetIterator

public EmnistDataSetIterator(Set dataSet, int batch, boolean train) throws IOException 

image.gif

EMNIST 数据集有多个不同的子集。 详见 {- link EmnistDataSetIterator}。

numExamplesTrain

public static int numExamplesTrain(Set dataSet) 

image.gif

基于指定的RNG种子创建具有随机混洗数据的EMNIST迭代器

• 参数 dataSet 用于返回的数据集
• 参数 batchSize批量大小
• 参数 train 如果为 true: 使用训练集。 如果 false: 使用测试集
• 参数 seed Random number generator seed

numExamplesTest

public static int numExamplesTest(Set dataSet) 

image.gif

获取指定子集的测试示例数。

• 参数 dataSet 获取的子集
• 返回指定子集的示例数

numLabels

public static int numLabels(Set dataSet) 

image.gif

获取指定子集的标签数量

• 参数 dataSet 要获取的子集
• 返回指定子集的标签数

isBalanced

public static boolean isBalanced(Set dataSet) 

[图片上传失败...(image-43c115-1542371094659)]

在训练集中标签是否平衡（即：每个标签的实例数是否相等）？

• 返回true或false

---

UciSequenceDataSetIterator （UCI数据库是加州大学欧文分校(University of CaliforniaIrvine)提出的用于机器学习的数据库，这个数据库目前共有335个数据集，其数目还在不断增加，UCI数据集是一个常用的标准测试数据集。）

[源码]

UCI合成控制图时间序列数据集。该数据集可用于六类单变量时间序列的分类：正常，周期性，递增趋势，递减趋势，向上移位，向下移位

详情: https://archive.ics.uci.edu/ml/datasets/Synthetic+Control+Chart+Time+Series
数据: https://archive.ics.uci.edu/ml/machine-learning-databases/synthetic_control-mld/synthetic_control.data
图片: https://archive.ics.uci.edu/ml/machine-learning-databases/synthetic_control-mld/data.jpeg

UciSequenceDataSetIterator

public UciSequenceDataSetIterator(int batchSize) 

image.gif

用指定的小批量创建训练集的迭代器。RNG种子123随机化

• 参数 batchSize 小批量大小

---

LFWDataSetIterator （LFW数据集是为了研究 非限制环境下的人脸识别问题而建立。这个集合包含超过13，000张人脸图像（全部来自于internet，而不是实验室环境））

[源码]

LFW 迭代器 - 来自非限制环境中的标注人脸
查看 http://vis-www.cs.umass.edu/lfw/
总计13233图片，5749 个分类。

LFWDataSetIterator

public LFWDataSetIterator(int batchSize, int numExamples, int[] imgDim, int numLabels, boolean useSubset,
                    PathLabelGenerator labelGenerator, boolean train, double splitTrainTest,
                    ImageTransform imageTransform, Random rng) 

image.gif

创建 LFW 数据特有迭代器

• 参数 batchSize 示例的批量大小

• 参数 numExamples 示例总数

• 参数 imgDim 高度、宽度和通道的数组

• 参数 numLabels 示例总数

• 参数 useSubset 使用LFW数据集的一个子集

• 参数 labelGenerator 路径标注生成器使用

• 参数 train 如果使用训练值则为true

• 参数 splitTrainTest 为将要测试的训练和保留分割数据的百分比

• 参数 imageTransform 如何转换图片

• 参数 rng 批量洗牌中的要锁定的随机数

---

MnistDataSetIterator （手写数字数据集迭代器）

[源码]

MNIST 数据集迭代器 - 60000 个训练样本，10000个测试样本, 10 个分类。数字有 28x28 像素与一个通道 (灰度)。
更多详情查看 http://yann.lecun.com/exdb/mnist/

---

IrisDataSetIterator (鸢尾花卉数据集迭代器)

[源码]

IrisDataSetIterator: 一个众所周知的Iris数据集的迭代器。4个特征，3个标签类
https://archive.ics.uci.edu/ml/datasets/Iris

IrisDataSetIterator

public IrisDataSetIterator()

image.gif

next

public DataSet next() 

image.gif

IrisDataSetIterator 处理遍历Iris数据集。

• see https://archive.ics.uci.edu/ml/datasets/Iris

• 参数 batch 批量大小

• 参数 numExamples 示例的总数

---

TinyImageNetDataSetIterator

[源码]

Tiny ImageNet是ImageNet数据库的子集。TinyImageNet是斯坦福大学CS321N的默认课程挑战。

Tiny ImageNet有200个分类，每个分类由500个训练图像组成。

图像是64×64像素，RGB。

查看: http://cs231n.stanford.edu/ 和 https://tiny-imagenet.herokuapp.com/

TinyImageNetDataSetIterator

public TinyImageNetDataSetIterator(int batchSize) 

image.gif

用随机迭代顺序（RNG种子固定到123）创建训练集的迭代器

• 参数 batchSize 迭代器小批次大小

---

SequenceRecordReaderDataSetIterator

[源码]

序列记录读取器数据集迭代器。

给定一个记录读取器（和可选的另一个用于标签的记录读取器）生成时间序列（序列）数据集。

支持一对多和多对一类型数据加载的填充（即，具有不同数量的输入vs）。

SequenceRecordReaderDataSetIterator

public SequenceRecordReaderDataSetIterator(SequenceRecordReader featuresReader, SequenceRecordReader labels,
                    int miniBatchSize, int numPossibleLabels) 

image.gif

构造函数，其中特征和标签来自不同的RecordReader（例如，不同的文件），标签用于分类。

• 参数 featuresReader 特征SequenceRecordReader
• 参数 labels 标签: 假设每个时间步的单个值，其中值是0到NoMaulabeleBels-1范围内的整数。
• 参数 miniBatchSize 每次调用next()的小批次大小
• 参数 numPossibleLabels 标签的分类数

hasNext

public boolean hasNext() 

image.gif

是否有下一条数据。

loadFromMetaData

public DataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException 

image.gif

使用所提供的RecordMetaData将单个序列示例加载到数据集。请注意，一次加载多个实例更为有效率。使用 {- link #loadFromMetaData(List)}

• 参数 recordMetaData 从中加载的记录元数据。应该由给定的记录读取器产生。
• 使用指定的示例返回DataSet
• 加载数据时如果发生错误则抛出IOException

loadFromMetaData

public DataSet loadFromMetaData(List<RecordMetaData> list) throws IOException 

image.gif

使用所提供的RecordMetaData实例加载多个序列示例到数据集。

• 参数 list从中加载的RecordMetaData实例列表。应该是由提供给SequenceRecordReaderDataSetIterator 构造器的记录读取器产生。
• 用指定的示例返回DataSet
• 加载数据时如果发生错误则抛出IOException

---

RecordReaderMultiDataSetIterator （记录读取器多数据集迭代器）

[源码]

思想：从一个或多个序列/记录读取器产生多个输入和多个输出。输入和输出可以从RecordReader和SequenceRecordReaders列的子集获得（例如，一些输入和输出作为相同记录/序列中的不同列）；还可以混合不同类型的数据（例如，在同一个RecordReaderMultiDataSetIterator使用RecordReader和SequenceRecordReaders）。

输入和子集。

RecordReaderMultiDataSetIterator

public RecordReaderMultiDataSetIterator build() 

image.gif

当处理不同长度的时间序列数据时，我们应该如何对齐输入/标签时间序列？对于等长度：使用EQUAL_LENGTH进行序列分类：使用ALIGN_END

loadFromMetaData

public MultiDataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException 

image.gif

使用所提供的RecordMetaData将单个序列示例加载到数据集。请注意，一次加载多个实例更为有效率。使用 {- link #loadFromMetaData(List)}

• 参数 recordMetaData 从中加载的记录元数据。应该由给定的记录读取器产生。
• 使用指定的示例返回DataSet
• 加载数据时如果发生错误则抛出IOException

loadFromMetaData

public MultiDataSet loadFromMetaData(List<RecordMetaData> list) throws IOException 

image.gif

使用所提供的RecordMetaData实例加载多个序列示例到数据集。

• 参数 list从中加载的RecordMetaData实例列表。应该是由提供给SequenceRecordReaderDataSetIterator 构造器的记录读取器产生。
• 用指定的示例返回DataSet
• 加载数据时如果发生错误则抛出IOException

---

RecordReaderDataSetIterator

[源码]

DataSet对象以及从各个记录生成小批量。

示例 1: 图像分类, 批量大小32, 10 个分类

rr.initialize(new FileSplit(new File("/path/to/directory")));

DataSetIterator iter = new RecordReaderDataSetIterator.Builder(rr, 32)
//Label index (first arg): Always value 1 when using ImageRecordReader. For CSV etc: use index of the column
//  that contains the label (should contain an integer value, 0 to nClasses-1 inclusive). Column indexes start
// at 0\. Number of classes (second arg): 标签分类的数量(即10 个用于 MNIST - 10 个用于数字)
.classification(1, nClasses)
.preProcessor(new ImagePreProcessingScaler()) //用于把图片值从0-255归一化到0-1
.build()
}

image.gif

示例 2: 来自CSV的多输出回归, 批量大小 128

rr.initialize(new FileSplit(new File("/path/to/myCsv.txt")));

DataSetIterator iter = new RecordReaderDataSetIterator.Builder(rr, 128)

//指定回归 标签/目标出现的列。注意所有其它列都被当作特征。列索引从0开始。
.regression(labelColFrom, labelColTo)
.build()
}

image.gif

RecordReaderDataSetIterator

public RecordReaderDataSetIterator(RecordReader recordReader, int batchSize) 

image.gif

分类构造器:
(a) 标签索引被假定为最后一个可写/列，并且
(b) 从 RecordReader.getLabels()中推断类的数目
注意，如果RecordReader.getLabels()返回NULL，则不会产生输出标签。

• 参数 recordReader 作为数据源的记录读取器
• 参数 batchSize用于每次 .next() 调用的小批次大小

setCollectMetaData

public RecordReaderDataSetIterator(RecordReader recordReader, int batchSize, int labelIndex,int numPossibleLabels)

image.gif

分类的主要构造器。这将将输入类索引（在位置labelIndex中，整数值0到numPossibleLabels-1包含）转换为适当的one-hot输出/标签表示。

• 参数 recordReader 记录读取器: 提供数据源
• 参数 batchSize 批量大小 (示例数量) 用于输出数据集对象
• 参数 labelIndex 标签 Writable (通常是一个 IntWritable)的索引， 由recordReader.next()获得
• 参数 numPossibleLabels 分类的数量（可能的标签）

loadFromMetaData

public DataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException 

image.gif

使用提供的RealDataMeta将单个示例加载到DataSet。请注意，同时加载多个实例更为有效。使用 {- link #loadFromMetaData(List)}

• 参数 recordMetaData 用于加载的 RecordMetaData。应该由给定的记录读取器产生
• 返回指定示例的 DataSet
• 如果加载数据期间发生错误则抛出 IOException

loadFromMetaData

public DataSet loadFromMetaData(List<RecordMetaData> list) throws IOException 

image.gif

使用提供的RealDataMeta实例将多个示例加载到数据集。

• 参数 list 是用于加载的RecordMetaData 实例列表。应该是由提供给ReadReadReadDeader的构造函数的记录读取器生成的
• 返回指定示例的 DataSet
• 如果加载数据期间发生错误则抛出 IOException

writableConverter

public Builder writableConverter(WritableConverter converter)

image.gif

RecordReaderDataSetIterator 的构建类

maxNumBatches

public Builder maxNumBatches(int maxNumBatches)

image.gif

可选参数，通常不使用。如果设置，则可以用来限制将返回的小批量的最大值（在重置之间）。如果没有设置，将总是返回尽可能多的小批量，因为有可用的数据。

• 参数 maxNumBatches 每个epoch / 重置的小批量的最大数值

regression

public Builder regression(int labelIndex)

image.gif

将其用于单输出回归（即，1输出/回归目标）

• 参数 labelIndex 包含回归目标的列索引（索引从0开始）

regression

public Builder regression(int labelIndexFrom, int labelIndexTo)

image.gif

将其用于多个输出回归（1个或更多的输出/回归目标）。请注意，所有回归目标必须是连续的（即，位置x到y，没有间隙）。

• 参数 labelIndexFrom 第一个回归目标的列索引（索引开始于0）
• 参数 labelIndexTo 最后一个回归目标的列索引（包括）

classification

public Builder classification(int labelIndex, int numClasses)

image.gif

这个用于分类

• 参数 labelIndex 标签索引。列（从0开始索引）是一个整数的值，而且包括0 到 numClasses-1 的值
• 参数 numClasses 标签类别数量 (即数据集中的类别/类数)

preProcessor

public Builder preProcessor(DataSetPreProcessor preProcessor)

image.gif

可选的参数。允许设置预处理器

• 参数 preProcessor 是要使用的预处理器

collectMetaData

public Builder collectMetaData(boolean collectMetaData)

image.gif

当设置为true时：当前示例的元数据将出现在返回的数据集中。默认情况下禁用。

• 参数 collectMetaData 是否应该收集元数据

---

WorkspacesShieldDataSetIterator

[源码]

这个迭代器分离/迁移来自支持DataSetIterator的数据集，从而提供“安全”数据集。

这通常用于调试和测试目的，一般不应该由用户使用。

WorkspacesShieldDataSetIterator

public WorkspacesShieldDataSetIterator(@NonNull DataSetIterator iterator) 

image.gif

• 参数 iterator 用于分离值的底层迭代器

---

ExistingDataSetIterator

[源码]

ExistingDataSetIterator

public ExistingDataSetIterator(@NonNull Iterator<DataSet> iterator) 

image.gif

注意，在使用此构造函数时，不支持重置。

• 参数 iterator 用于包装的迭代器

next

public DataSet next(int num) 

image.gif

注意，在使用此构造函数时，不支持重置。

• 参数 iterator 用于包装的迭代器

• 参数 labels 字符串标签。可能为空。

---

CombinedMultiDataSetPreProcessor

[源码]

组合构建器中按指定的顺序应用的各种多数据集预处理器。

CombinedMultiDataSetPreProcessor

public Builder addPreProcessor(@NonNull MultiDataSetPreProcessor preProcessor)

image.gif

• 参数 preProcessor 要添加到要应用的预处理器列表中的预处理器

---

DataSetFetcher

[源码]

用于将数据集加载到内存中的低级接口。

这是由DataSetIterator程序用来处理内存中加载数据的细节。

---

AsyncDataSetIterator

[源码]

用于DataSetIterator实现的异步预获取迭代器包装器。这将异步地从基础迭代器中预获取指定数量的小批量。

还可以选择（默认情况下对大多数构造函数启用）使用循环工作间，以避免创建具有堆外内存的INDArrays，这些内存需要由JVM垃圾收集器清理。

注意，适当的DL4J fit方法会自动使用这个迭代器，因此用户在拟合网络时不需要手动包装迭代器。

AsyncDataSetIterator

public AsyncDataSetIterator(DataSetIterator baseIterator) 

image.gif

创建一个默认队列大小为8的异步迭代器

• 参数 baseIterator 底层迭代器用于异步方式包装和获取

next

public DataSet next(int num) 

image.gif

创建一个默认队列大小为8的异步迭代器

• 参数 baseIterator 底层迭代器用于异步方式包装和获取

• 参数 queue 队列大小

inputColumns

public int inputColumns() 

image.gif

数据集的输入列

• return

totalOutcomes

public int totalOutcomes() 

image.gif

数据集的标签数量

• return

resetSupported

public boolean resetSupported() 

image.gif

这个DataSetIterator支持重置吗？许多DataSetIterator支持重置，但有些不支持。

• 如果支持重置方法，返回true；否则为false

asyncSupported

public boolean asyncSupported() 

image.gif

这个DataSetIterator是否支持异步预取多个DataSet对象？大多数DataSetIterator都可以，但是在某些情况下，将此迭代器包装到执行异步预取的迭代器中可能没有意义。例如，对于以下类型的迭代器使用异步预取是没有意义的：(a)已经将它们的全部内容存储在内存中的迭代器(b)重复使用特性/标签数组的迭代器(因为将来的next()调用将覆盖过去的内容)(c)已经实现某种级别的异步预取的迭代器（d）返回不同的数据的迭代器，取决于何时调用next()方法。

• 如果来自此迭代器的异步预取是可用的则返回true；如果异步预取不应用于此迭代器，则返回false

reset

public void reset() 

image.gif

将迭代器重置为开始。

shutdown

public void shutdown() 

image.gif

我们希望确保，后台线程将具有相同的线程->设备类似，作为主线程。

batch

public int batch() 

image.gif

批量大小

• return

setPreProcessor

public void setPreProcessor(DataSetPreProcessor preProcessor) 

image.gif

设置预处理器

• 参数 preProcessor 要设置的预处理器

getPreProcessor

public DataSetPreProcessor getPreProcessor() 

image.gif

返回预处理器，如果定义

• return

hasNext

public boolean hasNext() 

image.gif

如果迭代器具有更多元素，则返回true。（换句话说，如果下一个元素返回元素而不是抛出异常，则返回true）。

• 如果迭代器具有更多元素，则返回true

next

public DataSet next() 

image.gif

返回迭代中的下一个元素。

• 返回迭代中的下一个元素

remove

public void remove() 

image.gif

从基础集合中移除由迭代器返回的最后一个元素（可选操作）。在每次调用next后，这个方法只能被调用一次。在除了此方法之外的任何方法迭代过程中，如果底层集合被修改，则迭代器的行为将不被指定。

• 抛出 UnsupportedOperationException 如果remove操作不被这个迭代器支持
• 抛出 IllegalStateException 如果next方法如果没有被调用，或remove在最后一次调用next方法之后已经被调用。
• implSpec 默认的实现抛出一个UnsupportedOperationException实例然后不执行任何操作。

---

FileSplitDataSetIterator

[源码]

与文件列表一起工作的简单的迭代器。文件到DataSet转换将通过提供的FileCallback实现来处理。

FileSplitDataSetIterator

public FileSplitDataSetIterator(@NonNull List<File> files, @NonNull FileCallback callback) 

image.gif

• 参数 files 用于迭代的文件列表
• 参数 callback 加载文件的回调

---

AsyncShieldMultiDataSetIterator

[源码]

此包装器使用现有的MultiDataSetIterator实现，并防止异步预取。

next

public MultiDataSet next(int num) 

image.gif

获取下“Num”个示例。类似于next方法，但返回指定数量的示例。

• 参数 num 获取示例数量

setPreProcessor

public void setPreProcessor(MultiDataSetPreProcessor preProcessor) 

image.gif

在每个MultiDataSet返回之前，将预处理器设置到每个MultiDataSet。

• 参数 preProcessor MultiDataSet的预处理器，可以为空。

resetSupported

public boolean resetSupported() 

image.gif

这个DataSetIterator支持重置吗？许多DataSetIterator支持重置，但有些不支持。

• 如果支持重置方法，返回true；否则为false

asyncSupported

public boolean asyncSupported() 

image.gif

这个DataSetIterator是否支持异步预取多个DataSet对象？

请注意：这个迭代器总是返回false

• 如果来自此迭代器的异步预取是支持的返回true；如果异步预取不应用于此迭代器，则返回false

reset

public void reset() 

image.gif

将迭代器重置为开始状态。

hasNext

public boolean hasNext() 

image.gif

如果迭代器具有更多元素，则返回true。（换句话说，如果下一个元素返回元素而不是抛出异常，则返回true）。

• 如果迭代器具有更多元素，则返回true

next

public MultiDataSet next() 

image.gif

在迭代中返回下一个元素

• 在迭代中返回下一个元素

remove

public void remove() 

image.gif

从基础集合中移除由迭代器返回的最后一个元素（可选操作）。在每次调用next后，这个方法只能被调用一次。在除了此方法之外的任何方法迭代过程中，如果底层集合被修改，则迭代器的行为将不被指定。

• 抛出 UnsupportedOperationException 如果remove操作不被这个迭代器支持
• 抛出 IllegalStateException 如果next方法如果没有被调用，或remove在最后一次调用next方法之后已经被调用。
• implSpec 默认的实现抛出一个UnsupportedOperationException实例然后不执行任何操作。

---

DataSetIteratorSplitter

[源码]

这个迭代器实际上将给定的MultiDataSetIterator分割成训练和测试部分。也就是说，你有100000个例子。你的批量大小是32。这意味着你有3125个总批次。分割比例为0.7，这将给你2187个训练批次，和938个测试批次。

请注意：你不能一行中使用测试迭代器两次。训练迭代器应该在测试迭代器使用之前被使用。

请注意：如果底层迭代器使用epoch间的随机化/洗牌，则不能使用此迭代器。

DataSetIteratorSplitter

public DataSetIteratorSplitter(@NonNull DataSetIterator baseIterator, long totalBatches, double ratio) 

[图片上传失败...(image-114d85-1542371094657)]

惟一的构造器

• 参数 baseIterator - 要被包装和分割的迭代器
• 参数 totalBatches - 基础迭代器中的总批次
• 参数 ratio -训练/测试 分割比例

getTrainIterator

public DataSetIterator getTrainIterator() 

image.gif

此方法返回训练迭代器实例。

• return

next

public DataSet next(int i) 

image.gif

此方法返回测试迭代器实例。

• return

---

IteratorMultiDataSetIterator

[源码]

按要求获取指定批次大小。

通常用于Spark训练，但可用于其他地方。注意：这里不支持重置方法。

---

EarlyTerminationMultiDataSetIterator

[源码]

建立一个迭代器，一旦小批量.next()返回的数量等于指定的数目这个迭代器即会终止。

注意，对.next(num)的调用被计数为返回小批量的调用，而不管num的值如何。这实际上将数据限制为这个小批量的指定数量。

EarlyTerminationMultiDataSetIterator

public EarlyTerminationMultiDataSetIterator(MultiDataSetIterator underlyingIterator, int terminationPoint) 

image.gif

构造函数采用迭代器进行包装，然后对hasNext()调用后返回false时的小批量。

• 参数 underlyingIterator, 进行包装的迭代器
• 参数 terminationPoint, 在hasNext()被调用后会返回false时的小批量

---

翻译：风一样的男子

image

如果您觉得我的文章给了您帮助，请为我买一杯饮料吧！以下是我的支付宝，意思一下我将非常感激！

image