一种模型的训练方法、终端设备和存储介质与流程

本发明涉及机器学习技术领域，尤指一种模型的训练方法、终端设备和存储介质。

背景技术：

目前，在临床上超过70％的诊断都依赖于医学影像，包括超声、病理、内窥镜、ct(计算机断层成像)、cr(计算机x线摄影)、mri(磁共振成像)等等多种手段；人工智能应用于医学影像主要是通过深度学习，实现机器对医学影像的分析判断，协助医生完成诊断，应用在疾病的筛查、诊断和治疗阶段。

当前，医学影像辅助诊断被认为是人工智能最重要的潜在创新应用之一。医学影像医生缺口巨大，我国每年医学影像数据增长率约30％，而放射科医师数量年增长率仅为4％，且医师从业需要较长时间的学习和培训，这意味着影像科医师在未来处理影像数据的压力会越来越大，难以承担巨大的负荷。同时，随着分级诊疗政策的推进和基层医疗需求的释放，医学医学数据会增长更快，随之而来的放疗科/病理科医生缺乏的问题将更加严峻。

医学影像数据几乎都是专业人员人工分析，其缺点也显而易见，即诊断误诊率高、效率低。据统计，美国每年误诊人数达到了1200万，中国每年误诊人数高达5700万。根据中华医学会的一份误诊资料显示，中国临床医疗误诊率为27.8％，其中恶性肿瘤平均误诊率为40％，器官异位误诊率为60％，肝结核、胃结核等肺外结核的平均误诊率也在40％以上。

因此，运用医学影像对疾病进行诊断已经是现在普遍应用的辅助诊断方法，虽然医学影像的数据总量巨大，但是，由于医学病种繁多，而且，现在医疗信息孤岛的情况没有很好的解除，使得每一类特定疾病下的用于训练学习的样本总量不充足，导致训练出来的模型准确率不够，将导致误诊进而耽误患者及时治疗。

技术实现要素：

本发明的目的是提供一种模型的训练方法、终端设备和存储介质，实现在少量样本数据的情况下，训练得到高可靠性、高准确率的病患识别模型，提升诊断正确率，提高患者的生命安全。

本发明提供的技术方案如下：

本发明提供一种模型的训练方法，包括步骤：

对病灶图像进行图像扩充处理获得样本集；所述样本集包括预设数量个病灶图像样本；所述病灶图像样本具有人工标注；

从所述样本集中随机剔除若干个病灶图像样本，将剔除样本后的样本集作为训练集；所述训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半；

提取所述训练集中病灶图像样本的病例特征，根据所述病例特征进行训练得到目标逻辑回归模型；

对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型。

进一步的，所述对病灶图像进行图像扩充处理获得样本集包括步骤：

获取人工标注标注后的病灶图像，并根据预设图像变换策略组合，对所述病灶图像进行变换处理完成图像扩充得到所述样本集。

进一步的，所述提取所述训练集中病灶图像样本的病例特征，根据所述病例特征进行训练得到目标逻辑回归模型包括步骤：

对所述训练集中的各病灶图像样本进行图像预处理，从预处理后的病灶图像样本中提取出图像特征作为所述病例特征；

根据所述病例特征以及预先设置的训练参数进行训练得到逻辑回归模型，并将预先设置的验证集输入至所述逻辑回归模型中得到准确率值；

若所述准确率值大于等于预设数值，将所述逻辑回归模型作为目标逻辑回归模型；

若所述准确率值小于预设数值，获取新的训练集进行重训练直至获取到所述目标逻辑回归模型为止。

进一步的，所述对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型包括步骤：

根据所述目标逻辑回归模型绘制得到接受者操作特征曲线，并计算获取所述接受者操作特征曲线下的目标面积；

将所述目标面积与预设面积阈值进行比较得到评价结果；

若所述评价结果为所述目标面积小于等于所述预设面积阈值，则确定所述目标逻辑回归模型不符合要求，获取新的训练集进行重训练；

若所述评价结果为所述目标面积大于所述预设面积阈值，则确定所述目标逻辑回归模型为所述病患识别模型。

本发明还提供一种终端设备，包括：

样本扩充模块，用于对病灶图像进行图像扩充处理获得样本集；所述样本集包括预设数量个病灶图像样本；所述病灶图像样本具有人工标注；

样本获取模块，用于从所述样本集中随机剔除若干个病灶图像样本，将剔除样本后的样本集作为训练集；所述训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半；

模型训练模块，用于提取所述训练集中病灶图像样本的病例特征，根据所述病例特征进行训练得到目标逻辑回归模型；

模型确定模块，用于对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型。

进一步的，所述样本扩充模块包括：

获取单元，用于获取人工标注后的病灶图像；

扩充单元，用于根据预设图像变换策略组合，对所述病灶图像进行变换处理完成图像扩充得到所述样本集。

进一步的，所述模型训练模块包括：

提取单元，用于对所述训练集中的各病灶图像样本进行图像预处理，从预处理后的病灶图像样本中提取出图像特征作为所述病例特征；

训练单元，用于根据所述病例特征以及预先设置的训练参数进行训练得到逻辑回归模型，并将预先设置的验证集输入至所述逻辑回归模型中得到准确率值；

第一处理单元，用于若所述准确率值大于等于预设数值，将所述逻辑回归模型作为目标逻辑回归模型；若所述准确率值小于预设数值，获取新的训练集进行重训练直至获取到所述目标逻辑回归模型为止。

进一步的，所述模型确定模块包括：

计算单元，用于根据所述目标逻辑回归模型绘制得到接受者操作特征曲线，并计算获取所述接受者操作特征曲线下的目标面积；

比较单元，用于将所述目标面积与预设面积阈值进行比较得到评价结果；

第二处理单元，用于若所述评价结果为所述目标面积小于等于所述预设面积阈值，则确定所述目标逻辑回归模型不符合要求，获取新的训练集进行重训练；若所述评价结果为所述目标面积大于所述预设面积阈值，则确定所述目标逻辑回归模型为所述病患识别模型。

本发明还提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现所述的模型的训练方法所执行的操作。

通过本发明提供的一种模型的训练方法、终端设备和存储介质，能够在少量样本数据的情况下，训练得到高可靠性、高准确率的病患识别模型，提升诊断正确率，提高患者的生命安全。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对一种模型的训练方法、终端设备和存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明一种模型的训练方法的一个实施例的流程图；

图2是本发明一种模型的训练方法的另一个实施例的流程图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

本发明的一个实施例，如图1所示，一种模型的训练方法，包括：

s100对病灶图像进行图像扩充处理获得样本集；所述样本集包括预设数量个病灶图像样本；所述病灶图像样本具有人工标注；

具体的，人工智能或者机器学习常常遇到的问题是因为训练集的数据量不够，或者训练集出现数据缺失(即泛指变量缺失、记录不完整、不一致导致不可用等等)，这种情况往往会导致训练得到的病患识别模型的准确率不够。本发明宗旨为解决疾病风险预测的人工智能算法的训练集数据量不足和数据缺失的问题，具体流程为：

从医院侧或者患者侧获取病灶图像，该病灶图像是指皮肤ct图像，肝脏ct影像、头部x光图像、心、脑、血管、骨骼、肌肉核磁共振图像或者器官b超图像等之类的图像数据。其中，由于医院提供给患者的病症检查报告可以是纸质报告，也可以是电子报告。因此，如果是纸质报告，那么病灶图像就是遮盖或者遮挡用户的预设隐私信息(包括联系方式、联系地址、身份证号码等)后，通过摄像头所拍摄获取的包括纸质报告的图像数据。当然，如果是电子报告，那么病灶图像就是通过截屏软件获取的电子报告的图像数据，然后通过软件处理方式遮盖或者遮挡用户的预设隐私信息(包括联系方式、联系地址、身份证号码等)获取到的处理后图像数据。

通过上述方式获取到预设数量个病灶图像后，由专业的医护工作人员采用人工标注的方式，对当前病灶图像进行识别判断用户是否患有对应的疾病，如果患有对应的疾病，则对当前病灶图像进行人工标注为“有病”，否则对当前病灶图像进行人工标注为“无病”，依次类推，将预设数量个病灶图像参照上述方式进行人工标注，直至获取的所有病灶图像完成标注为止。通过上述方式获取到预设数量的病灶图像后，对预设数量的病灶图像采用图像扩充技术进行样本扩增得到样本集。

示例性的，假设需要训练得到判断是否患有肝癌的病患识别模型，可以获取100张不同的肝脏ct影像，通过上述方式对100张不同的肝脏ct影像进行人工标注。

s200从所述样本集中随机剔除若干个病灶图像样本，将剔除样本后的样本集作为训练集；所述训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半；

s300提取所述训练集中病灶图像样本的病例特征，根据所述病例特征进行训练得到目标逻辑回归模型；

s400对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型。

具体的，通过上述方式获取到样本集后，通过随机选取的方式，从样本集中剔除若干个病灶图像样本，然后，将剔除若干个病灶图像样本后的样本集作为训练集，需要注意的是，训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半。如此，获取到训练集后，再对训练集中剩余的病灶图像样本进行图像特征提取，进而提取得到训练集中各个病灶图像样本分别对应的病例特征。根据病例特征进行训练得到目标逻辑回归模型，然后，对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型。

本发明通过对少量的病灶图像进行图像扩充处理，以扩增得到大量的病灶图像得到样本集，然后，对样本集中的病灶图像样本进行随机剔除处理得到训练集，基于训练集进行模型训练，能够模仿数据缺失的情况，进而能够在少量样本数据的情况下，训练得到高可靠性、高准确率的病患识别模型，提升诊断正确率，提高患者的生命安全。

本发明的一个实施例，如图2所示，一种模型的训练方法，包括：

s110获取人工标注后的病灶图像，并根据预设图像变换策略组合，对所述病灶图像进行变换处理完成图像扩充得到所述样本集；

具体的，预设图像变换策略组合包括物理变换和叠加变换，物理变换包括但是不限于平移变换、旋转变换、翻转变换、缩放变换、对比度变换、亮度变换、模糊变换、噪声绕道变换和场景效果叠加变换中的任意一种或者多种组合。根据上述预设图像变换策略组合中的任意一种图像变换方式对上述生成的所有病灶图像进行对应的变换处理生成新的病灶图像完成图像扩充进而得到样本集。

其中，平移变换为：将病灶图像进行左右、上下平移指定或者随机的距离。旋转变换为：以指定或随机的角度，将病灶图像以中点为基准进行旋转。翻转变换为：以指定或随机的角度，将病灶图像绕水平轴或垂直轴翻转。缩放变换为：以指定或随机的比例，对病灶图像进行放大或缩小。对比度变换为：色调不变，改变病灶图像的饱和度以及亮度。亮度变换为：亮度不变，改变病灶图像的饱和度以及色调。模糊变换为：对病灶图像中的所有像素点赋值为像素平均值进行模糊处理。噪声扰动变换为：利用噪声(例如高斯噪声和椒盐噪声)对病灶图像添加噪声。场景效果叠加变换为：在病灶图像上添加病症检查报告裂纹、病症检查报告遮挡、病症检查报告脏污点(包括血渍点、泥渍点、油渍点、水渍点等等)、病症检查报告磨损等效果的水印图标。

示例性的，通过上述物理变换方式将病灶图像进行变换处理后，从变换图像随机选取少量的候选变换图像，将候选变换图像中添加病症检查报告水渍效果的水印图标生成新的病灶图像。其他的预设图像变换策略组合均在本发明保护范围内，在此不再一一赘述。

s200从所述样本集中随机剔除若干个病灶图像样本，将剔除样本后的样本集作为训练集；所述训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半；

s310对所述训练集中的各病灶图像样本进行图像预处理，从预处理后的病灶图像样本中提取出图像特征作为所述病例特征；

具体的，将训练集中的所有病灶图像样本分别采用灰度、二值化处理等图像处理方法进行图像预处理，然后，对预处理后的病灶图像样本中进行图像识别，提取预处理后的病灶图像样本所对应的图像特征作为病例特征，其中，图像特征包括病变区域的形状、轮廓、大小、位置和表面粗糙程度等等。

s320根据所述病例特征以及预先设置的训练参数进行训练得到逻辑回归模型，并将预先设置的验证集输入至所述逻辑回归模型中得到准确率值；

具体的，逻辑回归(logisticregression)模型是研究因变量为二类观察结果与影响因数(自变量)之间关系的一种多变量分析方法，属概率型非线性回归。逻辑回归也被称为广义线性回归模型，它与线性回归模型的形式基本上相同，都具有ax+b，其中a和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将ax+b作为因变量，即y＝ax+b，而logistic回归则的函数形式为p＝logits＝wtx+b，其中w为代价函数最小化时的权重值，b为代价函数最小化时的偏移。然后根据p与1-p的大小决定因变量的值。通过上述实施例提取到病例特征后，初始化设置训练参数，训练参数包括w、b以及代价函数。一般，w随机初始化为接近0的数值，b则初始化为0。然后，根据病例特征和训练参数训练得到逻辑回归模型。将模型训练好的参数a和b进行保存，以便在预测时，直接导入训练好的参数。

s330若所述准确率值大于等于预设数值，将所述逻辑回归模型作为目标逻辑回归模型；

s340若所述准确率值小于预设数值，获取新的训练集进行重训练直至获取到所述目标逻辑回归模型为止；

具体的，通过上述实施例获取到样本集后，将样本集中的所有病灶图像样本按照上述方式获取到训练集，将随机挑选出来的病灶图像样本作为验证集。需注意的是，训练集和验证集的划分要尽可能保持数据分布的一致性。训练集和验证集中的病灶图像样本的样本数量尽可能按照7:3的比例来划分，以便提升后续临床辅助模型训练的效率和准确性。当然，按照其他比例进行划分亦在本发明的保护范围之内，只要训练集中的病灶图像样本的样本数量大于验证集中的病灶图像样本的样本数量即可。

划分得到验证集后，将验证集中的病灶图像样本输入至训练得到的逻辑回归模型中得到准确率值，如果准确率值大于等于预设数值，将当前训练得到的逻辑回归模型作为目标逻辑回归模型。当然，如果准确率值小于预设数值，获取新的训练集参照上述实施例的方式进行重训练，直至重新划分的验证集中的病灶图像样本输入重训练得到的逻辑回归模型准确率大于等于预设数值为止，才确定获取到目标逻辑回归模型。

s410根据所述目标逻辑回归模型绘制得到接受者操作特征曲线，并计算获取所述接受者操作特征曲线下的目标面积；

s420将所述目标面积与预设面积阈值进行比较得到评价结果；

s430若所述评价结果为所述目标面积小于等于所述预设面积阈值，则确定所述目标逻辑回归模型不符合要求，获取新的训练集进行重训练；

s440若所述评价结果为所述目标面积大于所述预设面积阈值，则确定所述目标逻辑回归模型为所述病患识别模型。

具体的，通过上述实施例获取到目标逻辑回归模型后，可以获取到真正例tp，真反例tn，伪反例fn和伪阳性fp，其中tp是利用目标逻辑回归模型对验证集中标注为确定病灶的病灶图像样本进行判断后属于仍是病灶的样本数目，tn是利用目标逻辑回归模型对验证集中标注为确定无病的病灶图像样本进行判断后属于仍是无病的样本数目，fn利用目标逻辑回归模型对验证集中标注为确定无病的病灶图像样本进行判断后属于是无病的样本数目，fp是利用目标逻辑回归模型对验证集中标注为确定病灶的病灶图像样本进行判断后属于是无病的样本数目。然后，根据tp，tn，fn和fp计算出伪阳性率fpr和真正例率tpr，以fpr为横坐标，tpr为纵坐标绘制出roc曲线(即本发明的接受者操作特征曲线)，并计算出roc曲线下的auc面积(即本发明的目标面积)，再将auc面积与预先设置的预设面积阈值进行大小比较，以便对目标逻辑回归模型进行评价，当所述auc面积小于或等于预设面积阈值时，则判定目标逻辑回归模型不符合要求，重新回到初始步骤获取新的训练集进行重训练直至获取到符合要求的目标逻辑回归模型为止。当然，如果auc面积大于预设面积阈值时，则判定目标逻辑回归模型符合要求，并且确定符合要求的目标逻辑回归模型为所述病患识别模型。

本发明实施例通过通过迭代算法训练出目标逻辑回归模型，根据目标逻辑回归模型绘制roc曲线，并根据roc曲线下auc面积对目标逻辑回归模型进行评价，训练得到病患识别模型。通过上述方式，本发明采用人工标注的方式筛选验证集，可提高病灶图像样本分类的准确性，从而提高病患识别模型的识别准确率，同时，采用roc曲线下面积auc筛选出符合要求的目标逻辑回归模型作为病患识别模型，可进一步提高病灶与否的识别准确率，后续可以为医生对疾病做出初步的诊断，为疾病诊断提供重要参考，有效提高了诊断的准确度和效率，并大大减少医生的工作量。

本发明通过对少量的病灶图像进行图像扩充处理，以扩增得到大量的病灶图像得到样本集，然后，对样本集中的病灶图像样本进行随机剔除处理得到训练集，基于训练集进行模型训练，能够模仿数据缺失的情况，进而能够在少量样本数据的情况下，训练得到高可靠性、高准确率的病患识别模型，提升诊断正确率，提高患者的生命安全。

本发明的一个实施例，一种终端设备，包括：

样本扩充模块，用于对病灶图像进行图像扩充处理获得样本集；所述样本集包括预设数量个病灶图像样本；所述病灶图像样本具有人工标注；

样本获取模块，用于从所述样本集中随机剔除若干个病灶图像样本，将剔除样本后的样本集作为训练集；所述训练集中的病灶图像样本数目小于所述预设数量且大于所述预设数量的一半；

模型训练模块，用于提取所述训练集中病灶图像样本的病例特征，根据所述病例特征进行训练得到目标逻辑回归模型；

模型确定模块，用于对所述目标逻辑回归模型进行评价，根据评价结果训练得到病患识别模型。

具体的，本实施例是上述方法实施例对应的装置实施例，具体效果参见上述方法实施例，在此不再一一赘述。

基于前述实施例，所述样本扩充模块包括：

获取单元，用于获取人工标注后的病灶图像；

扩充单元，用于根据预设图像变换策略组合，对所述病灶图像进行变换处理完成图像扩充得到所述样本集。

具体的，本实施例是上述方法实施例对应的装置实施例，具体效果参见上述方法实施例，在此不再一一赘述。

基于前述实施例，所述模型训练模块包括：

提取单元，用于对所述训练集中的各病灶图像样本进行图像预处理，从预处理后的病灶图像样本中提取出图像特征作为所述病例特征；

训练单元，用于根据所述病例特征以及预先设置的训练参数进行训练得到逻辑回归模型，并将预先设置的验证集输入至所述逻辑回归模型中得到准确率值；

第一处理单元，用于若所述准确率值大于等于预设数值，将所述逻辑回归模型作为目标逻辑回归模型；若所述准确率值小于预设数值，获取新的训练集进行重训练直至获取到所述目标逻辑回归模型为止。

具体的，本实施例是上述方法实施例对应的装置实施例，具体效果参见上述方法实施例，在此不再一一赘述。

基于前述实施例，所述模型确定模块包括：

计算单元，用于根据所述目标逻辑回归模型绘制得到接受者操作特征曲线，并计算获取所述接受者操作特征曲线下的目标面积；

比较单元，用于将所述目标面积与预设面积阈值进行比较得到评价结果；

第二处理单元，用于若所述评价结果为所述目标面积小于等于所述预设面积阈值，则确定所述目标逻辑回归模型不符合要求，获取新的训练集进行重训练；若所述评价结果为所述目标面积大于所述预设面积阈值，则确定所述目标逻辑回归模型为所述病患识别模型。

具体的，本实施例是上述方法实施例对应的装置实施例，具体效果参见上述方法实施例，在此不再一一赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的程序模块完成，即将所述装置的内部结构划分成不同的程序单元或模块，以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中，也可是各个单元单独物理存在，也可以两个或两个以上单元集成在一个处理单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序单元的形式实现。另外，各程序模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

本发明的一个实施例，一种终端设备100，包括处理器110、存储器120，其中，存储器120，用于存放计算机程序121；处理器110，用于执行存储器120上所存放的计算机程序121，实现上述所对应方法实施例中的模型的训练方法。

所述终端设备100可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、手机、人机交互屏等设备。所述终端设备100可包括，但不仅限于处理器110、存储器120。本领域技术人员可以理解，上述仅仅是终端设备100的示例，并不构成对终端设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如：终端设备100还可以包括输入/输出接口、显示设备、网络接入设备、通信总线、通信接口等。通信接口和通信总线，还可以包括输入/输出接口，其中，处理器110、存储器120、输入/输出接口和通信接口通过通信总线完成相互间的通信。该存储器120存储有计算机程序121，该处理器110用于执行存储器120上所存放的计算机程序121，实现上述所对应方法实施例中的模型的训练方法。

所述处理器110可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器120可以是所述终端设备100的内部存储单元，例如：终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储介质，例如：所述终端设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器120还可以既包括所述终端设备100的内部存储单元也包括外部存储介质。所述存储器120用于存储所述计算机程序121以及所述终端设备100所需要的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

通信总线是连接所描述的元素的电路并且在这些元素之间实现传输。例如，处理器110通过通信总线从其它元素接收到命令，解密接收到的命令，根据解密的命令执行计算或数据处理。存储器120可以包括程序模块，例如内核(kernel)，中间件(middleware)，应用程序编程接口(applicationprogramminginterface，api)和应用。该程序模块可以是有软件、固件或硬件、或其中的至少两种组成。输入/输出接口转发用户通过输入/输出接口(例如感应器、键盘、触摸屏)输入的命令或数据。通信接口将该终端设备100与其它网络设备、用户设备、网络进行连接。例如，通信接口可以通过有线或无线连接到网络以连接到外部其它的网络设备或用户设备。无线通信可以包括以下至少一种：无线保真(wifi)，蓝牙(bt)，近距离无线通信技术(nfc)，全球卫星定位系统(gps)和蜂窝通信等等。有线通信可以包括以下至少一种：通用串行总线(usb)，高清晰度多媒体接口(hdmi)，异步传输标准接口(rs-232)等等。网络可以是电信网络和通信网络。通信网络可以为计算机网络、因特网、物联网、电话网络。终端设备100可以通过通信接口连接网络，终端设备100和其它网络设备通信所用的协议可以被应用、应用程序编程接口(api)、中间件、内核和通信接口至少一个支持。

本发明的一个实施例，一种存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现上述模型的训练方法对应实施例所执行的操作。例如，存储介质可以是只读内存(rom)、随机存取存储器(ram)、只读光盘(cd-rom)、磁带、软盘和光数据存储介质等。

它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性、机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序121发送指令给相关的硬件完成，所述的计算机程序121可存储于一存储介质中，该计算机程序121在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序121可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述存储介质可以包括：能够携带所述计算机程序121的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如：在某些司法管辖区，根据立法和专利实践，计算机可读的存储介质不包括电载波信号和电信信号。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。