网络结构的搜索方法、装置及电子设备与可读存储介质与流程

本发明涉及计算机应用技术领域，具体涉及一种网络结构搜索方法、装置及电子设备与可读存储介质。

背景技术：

人工智能(artificialintelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术学科。ai技术可以应用于机器人、语言识别、图像识别、自然语言处理和专家系统等各种领域中，使用非常方便。

现有的ai技术中，大多需要基于神经网络模型进行深度学习来实现。而神经网络模型的网络结构的选取是深度学习任务中的首要问题。之前，现有技术中的网络结构大都由研发人员手工来设计。人工设计网络结构的过程费时、费力，且设计的网络结构也不够精准。近两年来，研究者们趋向于通过计算机自动生成神经网络模型的网络结构，从而替代人工手工设计。由于计算资源的限制，现有的通过计算机自动生成神经网络模型的网络结构的方法通常只能在小数据集上进行搜索。具体地，利用进化算法或者强化学习算法，在小数据集上生成网络结构，将该网络结构训练一遍，得到其精度等指标后，根据该次的经验，生成新的更好的网络结构出来。该过程也可以称之为网络结构的搜索过程。

但是，由于小数据集上所包括的数据的数量较少以及每个数据的尺寸都非常小，导致基于小数据集所搜索到的网络结构的准确性较差。

技术实现要素：

为了解决上述技术问题，提出了本申请的网络结构搜索方法、装置及电子设备与可读存储介质。

根据本申请的一个方面，提供了一种网络结构的搜索方法，包括：。

采用第一数据集对待搜索的网络结构进行网络结构搜索，获取中间网络结构；

基于所述中间网络结构，采用第二数据集进行网络结构搜索，获取目标网络结构；所述第二数据集中包括的数据的数量大于所述第一数据集中包括的数据的数量，且第二数据集中的各数据的大小大于所述第一数据集中的各数据的大小。

根据本申请的另一个方面，提供了一种网络结构的搜索装置，包括：

第一搜索模块，用于采用第一数据集对待搜索的网络结构进行网络结构搜索，获取中间网络结构；

第二搜索模块，用于基于所述中间网络结构，采用第二数据集进行网络结构搜索，获取目标网络结构；所述第二数据集中包括的数据的数量大于所述第一数据集中包括的数据的数量，且第二数据集中的各数据的大小大于所述第一数据集中的各数据的大小。

根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的方法。

根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的方法。

本申请实施例提供的网络结构搜索方法、装置及电子设备与可读存储介质，通过采用第一数据集对待搜索的网络结构进行网络结构搜索，获取中间网络结构；基于所述中间网络结构，采用第二数据集进行网络结构搜索，获取目标网络结构，实现一种迁移式的网络结构搜索；其中第二数据集中包括的数据的数量大于第一数据集中包括的数据的数量，且第二数据集中的各数据的大小大于第一数据集中的各数据的大小。本申请的技术方案，通过上述迁移式网络结构搜索，能够在可接受的时间和计算资源的范围内，有效地节省搜索的耗时，提高搜索的效率，同时，还能够有效地提高搜素的目标网络结构的准确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本申请一示例性实施例提供的网络结构的搜索方法的流程示意图。

图2是本申请另一示例性实施例提供的网络结构的搜索方法的流程示意图。

图3是本申请一示例性实施例提供的网络结构的搜索方法的流程示意图。

图4是本申请一示例性实施例提供的网络结构的搜索装置的结构示意图。

图5是本申请另一示例性实施例提供的网络结构的搜索装置的结构示意图。

图6是本申请一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

现有的通过计算机自动生成神经网络模型的网络结构的方法通常只能在一个数据集上进行搜索。例如，若在一个包括的数据量较多、且每个数据的大小较大的大数据集上进行搜索时，由于大数据集上不仅数据量多，每个数据的大小也较大，所以会导致对计算资源的要求非常高，而且非常费时，例如，采用大数据集搜索一个网络结构可能需要耗时好几天。鉴于此问题，现有技术中多采用较小的小数据集来实现网络结构的搜索。该小数据集相对于大数据集而言，不仅包括的数据量较少，且每个数据的大小也相对较小。所以，采用小数据集实现网络结构的搜索，对计算资源的要求不高，一般的计算机设备便可以实现。但是采用小数据集搜索的网络结构时，由于小数据集上所包括的数据的数量较少以及每个数据的尺寸都非常小，导致基于小数据集所搜索到的网络结构未经过大数据集的训练，使得搜索得到的网络结构的准确性较差。本实施例的大数据集和小数据集中的数据的类型，可以根据网络结构应用的场景所需要的数据来设置。例如可以为图片数据、也可以为语音数据，还可以为其他特征信号等等，在此不再一一举例赘述。

图1是本申请一示例性实施例提供的网络结构的搜索方法的流程示意图。如图1所示，本实施例的网络结构的搜索方法，具体可以包括如下步骤：

s100、采用第一数据集对待搜索的网络结构进行网络结构搜索，获取中间网络结构；

s101、基于中间网络结构，采用第二数据集进行网络结构搜索，获取目标网络结构；其中第二数据集中包括的数据的数量大于第一数据集中包括的数据的数量，且第二数据集中的各数据的大小大于第一数据集中的各数据的大小。

本实施例的网络结构的搜索方法的执行主体为网络结构的搜索装置，该网络结构的搜索装置可以设置在任意具有计算能力的计算机设备或者电子设备中，实现网络结构的搜索功能。

本实施例的第一数据集即为小数据集，第二数据集为大数据集，其中，该小数据集中的数据数量小于大数据集中的数据数量。本实施例的网络结构的搜索方法，具体地，先采用小数据集对待搜索的网络结构进行网络结构搜索，在计算资源耗费较少的情况下可以得到一个中间网络结构。本实施例的待搜索的网络结构可以理解为一个未经训练、参数待确定的网络结构。在采用小数据集进行网络结构搜索之前，可以接收研发人员对待搜索的网络结构进行简单配置得到的初始网络结构，然后开始采用小数据集进行网络结构搜索。例如研发人员可以经过研究发现，对该待搜索的网络结构配置哪些初始参数更利于网络结构的搜索，此时配置好网络结构的参数，得到初始网络结构后，便可以采用小数据集和该初始网络结构进行网络结构搜索。或者也可以采用其他方式对待搜索的网络结构进行配置，以开始网络结构的搜索。

例如，可选地，实际应用中，也可以采用相关的网络结构模型随机初始化的方法，对待搜索的网络结构进行初始化，得到初始网络结构；即初始网络结构中的参数为随机赋值的。然后再采用第一数据集中的数据对初始网络结构进行进化训练，获取到一个中间网络结构。例如，采用第一数据集即小数据集进行网络结构搜索时，每采用小数据集搜索一次，可以认为进行了一次进化周期，搜索得到的中间网络结构进化一次，对于每次进化后的中间网络结构都可以计算其性能参数，并在每次搜索后，检测网络结构的性能参数是否符合预设条件时，若符合，则对应的网络结构作为中间网络结构，若不符合，则通过不断地搜索，直到获取到符合预设条件的中间网络结构。

例如，可以设置预设条件为进化周期次数达到预设的进化周期阈值时，停止搜索，从已搜索得到的所有中间网络结构中获取性能参数最好的中间网络结构。本实施例的预设的进化周期阈值可以为100次、200次或者其他整数次，在此不再一一举例赘述。

或者预设条件也可以为若连续两次进化或者两次以上进化后得到的中间网络结构的性能参数收敛，则获取收敛后的中间网络结构的性能参数为最好的性能参数，对应的网络结构为性能参数最好的中间网络结构。

本实施例的网络结构的性能参数，可以采用网络结构在该进化周期中精度。如网络结构在某个进化周期中，采用小数据集中的500个数据对该网络结构进行训练时，网络结构对400个数据的。预测都是正确的，此时该网络结构在该进化周期中的精度可以表示为400/500＝0.8。实际应用中，也可以采用其他参数来表示网络结构的性能，在此不再一一举例赘述。

另外，可选地，本实施例的网络结构的性能参数也可以为网络结构的打分。例如可以预先训练一个评分网络模型，使得该评分网络模型能够对精度越高的网络模型打分越高，而精度越低的网络模型打分越低。训练时，采用无数条训练数据对该评分网络模型进行训练。其中每条训练数据可以包括网络模型的参数和根据该该网络结构的精度为该网络结构设置的打分，网络结构的精度越高对应的打分越高，反之网络结构的精度越低，对应的打分越低。经过上述方案，在计算资源耗费有限的情况下，可以采用小数据集对待搜索的网络结构进行网络结构搜索，可以得到一个性能较佳的中间网络结构。与待搜索的网络结构相比，该中间网络结构由于经过小数据集的训练，性能比待搜索的网络结构更好。然后，可以再基于该中间网络结构，采用大数据集进行网络结构搜索，得到目标网络结构。该过程可以理解为迁移式网络结构搜索，即现在小数据集上搜索一个性能较佳的中间网络结构，然后再以该中间网络结构为起点即种子点，迁移至大数据集上继续搜索，从而得到目标网络结构。

可选地，本实施例中，以中间网络结构为种子点，可以采用第二数据集即大数据集并利用进化算法进行网络结构搜索，从而得到目标网络结构。其中该进化算法可以参考现有的网络结构搜索相关领域中的进化算法的记载，在此不再赘述。

与现有的仅采用小数据集进行网络结构的搜索方案相比：本实施例的网络结构搜索方法，还采用了大数据集的搜索，由于大数据集中包括更多的数据量，且每个数据的大小也比小数据集中的数据更大，从而能够对网络结构进行更有效地训练，因此，经过大数据集的搜索，能够有效地提高搜索得到的目标网络结构的准确性。

与现有的仅采用大数据集的网络结构搜索相比，本实施例的网络结构搜索方法，由于先采用了小数据集进行搜索，获取到性能较佳的中间网络结构，采用大数据集进行搜索时是以该性能较佳的中间网络结构开始搜索的，本实施例的迁移式的网络结构搜索，能够有效节省搜索的耗时，提高搜索效率；经过试验分析，本实施例的网络结构搜索方法，在可接受的时间和计算资源的范围内，可以取得与现有的直接在大数据集上的搜索时，前人用几百倍的计算资源进行搜索时取得的相似效果。

基于以上所述可以知道，本实施例的网络结构搜索方法，提供一种迁移式网络结构搜索方案，能够在可接受的时间和计算资源的范围内，有效地节省搜索的耗时，提高搜索的效率，同时，还能够有效地提高搜素的目标网络结构的准确性。

图2是本申请另一示例性实施例提供的网络结构的搜索方法的流程示意图。如图2所示，本实施例在上述图1所示实施例的基础上，进一步更加详细地介绍本发明的技术方案。如图2所示，本实施例的网络结构的搜索方法，具体可以包括如下步骤：

s200、对待搜索的网络结构进行初始化，得到初始网络结构；

s201、基于初始网络结构，采用第一数据集进行网络结构搜索，计算每一次搜索得到的网络结构的精度；若至少两次搜索得到的网络结构的精度收敛时，将对应的网络结构作为中间网络结构；

该步骤s200-s201为上述图1所示实施例的步骤s100的一种具体实现方式，本实施例中以网络结构的性能参数为网络结构的精度，符合预设条件为至少两次搜索得到的网络结构的精度收敛时，对应的收敛后的网络结构为中间网络结构。详细可以参考上述图1所示实施例的相关记载，在此不再赘述。

s202、以中间网络结构为种子点，将种子点进行变异，生成预设数量的变异网络结构；

s203、以种子点和预设数量的变异网络结构作为初始模型种群，采用第二数据集并利用进化算法对初始模型种群进行网络结构的搜索，获取进化后的目标模型种群；

s204、从目标模型种群中获取性能参数最好的网络结构，作为目标网络结构。

本实施例的步骤s202-s205为上述图1所示实施例的步骤s101的一种具体实现方式。同理，本实施例的第一数据集为小数据集，第二数据集为大数据集。

本实施例中，以中间网络结构为种子点，将种子点进行变异时，可以对对应的中间网络结构中的各段分别进行扰动，以实现对网络结构的变异，可以得到预设数量的变异网络结构。本实施例的预设数量可以根据需求设置为任意整数。

例如该步骤s203在具体实施时，可以包括如下步骤：

(1)以种子点和预设数量的变异网络结构作为初始模型种群，采用第二数据集并利用进化算法对初始模型种群进行网络结构的搜索，得到中间模型种群；

(2)每次搜索完后，判断是否需要终止网络结构的搜索；若是，执行步骤(3)；否则执行步骤(4)；

(3)将中间模型种群作为目标模型种群；结束。

(4)获取中间模型种群中性能参数最好的网络结构和性能参数最差的网络结构；执行步骤(5)；

(5)将性能参数最好的网络结构进行变异，得到替换网络结构；执行步骤(6)；

(6)采用替换网络结构替换中间模型种群中性能参数最差的网络结构，以更新中间模型种群；执行步骤(7)；

(7)继续采用第二数据集并利用进化算法对中间模型种群进行网络结构的搜索，直到得到目标模型种群。

本实施例中，在大数据集上进行网络结构的搜索时，不是以单个网络结构单元进行网络结构搜索，而是以多个网络结构构成的模型种群为单元进行的网络结构的搜索，即同时对模型种群中的多个网络结构分别进行网络结构的搜索。

采用大数据集利用进化算法对初始模型种群进行网络结构的搜索一次，为一个进化周期。在搜索过程中，每一个进化周期进行网络结构的搜索后，可以得到一个中间模型种群。然后还可以继续采用大数据集利用进化算法对中间模型种群再次进行网络结构的搜索，更新中间模型种群。实际应用中，可以共进行数次进化周期的网络结构的搜索。

对于每一次网络结构的搜索后得到的中间模型种群，本实施例中，还需要判断是否需要终止网络结构的搜索。若需要终止，将该中间模型种群作为最终所需的目标模型种群即可。然后可以从目标模型种群中的多个网络结构中获取性能最好的网络结构作为目标网络结构。

否则若不需要终止网络结构的搜索时，可以获取中间模型种群中性能参数最好的网络结构和性能参数最差的网络结构；并将性能参数最好的网络结构进行变异，得到替换网络结构；并采用替换网络结构替换中间模型种群中性能参数最差的网络结构，以更新中间模型种群。这样，可以对中间模型种群进行优化，采用性能参数最好的网络结构的变异结构淘汰掉性能参数较差的网络结构，提高整个中间模型种群的网络结构的质量。接下来继续采用大数据集并利用进化算法对中间模型种群继续进行网络结构的搜索，按照上述过程重复进化训练，直到得到目标模型种群。

本实施例的性能参数最好可以为网络结构的精度最高或者评分最高，性能参数最差可以为网络结构的精度最低或者评分最低。同理，如果采用网络结构的其他性能参数，原理类似，在此不再赘述。

本实施例中的步骤(2)中判断是否需要终止网络结构的搜索，具体可以包括如下方式：

第一种方式：确定已完成的进化周期的次数；并判断已完成的进化周期的次数是否符合第一预设条件，若是，确定需要终止网络结构的搜索；

该种方式中，第一预设条件可以为已完成的进化周期的次数大于预设阈值时，终止网络结构搜索。这样，在每一次进化周期中，检测已完成的进化周期的次数是否符合第一预设条件，若符合，则可以终止网络结构的搜索。

第二种方式：判断中间模型种群中的性能参数最好的网络结构的性能参数参数是否符合第二预设条件，若符合，确定需要终止网络结构的搜索。

在该种方式中，第二预设条件可以为网络结构的性能参数收敛时，终止网络结构的搜索。在每个进化周期的网络结构的搜索过程中，需要计算各中间模型种群中的每个网络结构的性能参数，如网络结构的精度或者网络结构的打分，然后可以判断连续两次或者两次以上的进化周期内，中间模型种群中的性能参数最好的网络结构的性能参数趋于收敛，如不变或者变化不超过一个很小的阈值，此时可以终止网络结构的搜索。

本实施例的网络结构搜索方法，通过采用上述迁移式的网络结构搜索的技术方案，能够在可接受的时间和计算资源的范围内，有效地节省搜索的耗时，提高搜索的效率，同时，还能够有效地提高搜素的目标网络结构的准确性。

图3是本申请一示例性实施例提供的网络结构的搜索过程示意图。如图3所示，可以在左侧小数据集(smalltalk)中进行网络结构搜索，例如可以得到性能参数分别为0.88、0.78、0.72以及0.92的多个网络结构。然后可以从多个性能参数为0.92的网络结构(architecture)中选取(select)一个作为种子点即起始点(intialseed)，然后将网络结构迁移(transfer)到大数据集(largetask)中进行搜索。在搜索之前，还需要基于该intialseed，进行变异，得到多个网络结构构成的模型种群，然后基于模型种群，在largetask中进行网络结构的搜索，先获取到目标模型种群，再从目标模型种群中获取性能最好的目标网络结构。其具体实现过程，详细可以参考上述图2所示实施例的相关记载，在此不再赘述。图3所示实施例中的smalltalk和largetask中的数据是以图片数据为例，实际应用中，smalltalk和largetask中的数据可以为语音数据或者其他类型的数据，在此不再一一举例赘述。

图4是本申请一示例性实施例提供的网络结构的搜索装置的结构示意图。如图4所示，本实施例的网络结构的搜索装置，包括：

第一搜索模块10用于采用第一数据集对待搜索的网络结构进行网络结构搜索，获取性能最好的中间网络结构；

第二搜索模块11用于基于中间网络结构，采用第二数据集进行网络结构搜索，获取目标网络结构；第二数据集中包括的数据的数量大于第一数据集中包括的数据的数量，且第二数据集中的各数据的大小大于第一数据集中的各数据的大小。

本实施例的网络结构的搜索装置，通过上述模块实现网络结构的搜索的实现原理以及技术效果与上述相关方法实施例的相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图5是本申请另一示例性实施例提供的网络结构的搜索方法的流程示意图。如图5所示，本实施例的网络结构的搜索装置，在上述图4所示实施例的技术方案的基础上，进一步更加详细地介绍本发明的技术方案。

如图5所示，本实施例的网络结构的搜索装置中，第一搜索模块10，包括：

初始化处理单元101用于对待搜索的网络结构进行初始化，得到初始网络结构；

网络结构搜索单元102用于基于初始化处理单元101得到的初始网络结构，采用第一数据集中的数据进行网络结构搜索，计算每一次搜索得到的网络结构的性能参数；若网络结构的性能参数符合预设条件时，将对应的网络结构作为中间网络结构。

进一步可选地，本实施例的网络结构的搜索装置中，第二搜索模块11用于以网络结构搜索单元102获取的中间网络结构为种子点，采用第二数据集并利用进化算法进行网络结构搜索，得到目标网络结构。

例如，如图5所示，本实施例的网络结构的搜索装置中，第二搜索模块11，可以包括：

变异处理单元111用于以网络结构搜索单元102获取的中间网络结构为种子点，将种子点进行变异，生成预设数量的变异网络结构；

模型种群搜索单元112用于以种子点和变异处理单元111得到的预设数量的变异网络结构作为初始模型种群，采用第二数据集并利用进化算法进行网络结构的搜索，获取进化后的目标模型种群；

获取单元113用于从模型种群搜索单元112获取到的目标模型种群中获取性能参数最好的网络结构，作为目标网络结构。

进一步可选地，本实施例的网络结构的搜索装置中，模型种群搜索单元112用于：

以种子点和预设数量的变异网络结构作为初始模型种群，采用第二数据集并利用进化算法进行网络结构的搜索，得到中间模型种群；

判断是否需要终止网络结构的搜索；

若确定需要终止网络结构的搜索，将中间模型种群作为目标模型种群；

若确定不需要终止网络结构的搜索，继续采用第二数据集并利用进化算法对中间模型种群进行网络结构的搜索，直到获取到目标模型种群。

进一步可选地，本实施例的网络结构的搜索装置中，模型种群搜索单元112用于：

确定已完成的进化周期的次数；

判断已完成的进化周期的次数是否符合第一预设条件，若是，确定需要终止网络结构的搜索；

或者判断中间模型种群中的性能参数最好的网络结构的性能参数是否符合第二预设条件，若是，确定需要终止网络结构的搜索。

进一步可选地，本实施例的网络结构的搜索装置中，模型种群搜索单元112还用于获取中间模型种群中性能参数最好的网络结构和性能参数最差的网络结构；将性能参数最好的网络结构进行变异，得到替换网络结构；采用替换网络结构替换中间模型种群中性能参数最差的网络结构。

本实施例的网络结构的搜索装置，通过上述模块实现网络结构的搜索的实现原理以及技术效果与上述相关方法实施例的相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备11包括一个或多个处理器111和存储器112。

处理器111可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备11中的其他组件以执行期望的功能。

存储器112可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器111可以运行所述程序指令，以实现上文所述的本申请的各个实施例的网络结构的搜索方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备11还可以包括：输入装置113和输出装置114，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，该输入装置113可以是上述的摄像头或麦克风、麦克风阵列等，用于捕捉图像或声源的输入信号。在该电子设备是单机设备时，该输入装置123可以是通信网络连接器，用于从神经网络处理器接收所采集的输入信号。

此外，该输入设备113还可以包括例如键盘、鼠标等等。

该输出装置114可以向外部输出各种信息，包括确定出的输出电压、输出电流信息等。该输出设备114可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备11中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备11还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的网络结构的搜索方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的网络结构的搜索方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。