数据处理方法、装置、计算机设备及存储介质与流程

本公开涉及计算机技术领域，尤其涉及一种数据处理方法、装置、计算机设备及存储介质。

背景技术：

随着计算机技术的发展，越来越多场景的数据处理过程采用数据处理模型进行数据处理，数据处理模型的训练过程是由许多超参数决定的，例如网络深度，学习率，卷积核大小等，为模型配置较好的超参数，能够有效提高模型训练的效率和模型的性能。

目前，数据处理方法通常是由技术人员通常会为初始数据处理模型配置超参数，再对模型进行训练，技术人员会根据训练结果，人工调整超参数，再进行模型训练，最终得到较好的超参数，并训练好数据处理模型，使用训练好的数据处理模型进行数据处理。这是一种人工调参方式，还有一些自动调参方式。例如贝叶斯调参法是通过人为设定探索边界，也即是，为超参数设定一个探索范围，后续从这个探索范围内选择超参数进行模型训练，以找到最优超参数。

人工调参方式中需要消耗大量人力，调参效率低，进而整个数据处理方法的效率较低，且人工调参依赖于技术人员的专业经验，可能会出现错误，最终得到的数据处理模型的数据处理的准确性可能比较低。在上述自动调参方式中，需要人为设定探索边界，当探索边界设置过小时，最优超参数可能在边界范围外，导致无法找到最优超参数；当探索边界设置过大时，选择参数进行尝试的次数可能会很多，调参所消耗的时长也会很大，因而，数据处理效率较低，准确性较低。

技术实现要素：

本公开提供一种数据处理方法、装置、计算机设备及存储介质，能够提高数据处理的效率和准确性。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种数据处理方法，包括：

响应于调参指令，从数据库中，获取所述调参指令所指示的目标场景的多个样本数据；

根据超参数的初始值、探索方向以及步长，获取所述超参数的探索值；

根据所述多个样本数据对配置有所述探索值的初始数据处理模型的训练结果，确定所述超参数的目标范围；

基于所述目标范围和所述超参数的历史取值信息，从所述目标范围中，确定所述超参数的候选值以配置所述初始数据处理模型进行训练，直至得到所述超参数的目标候选值；

将所述目标候选值作为所述超参数的初始值，继续执行所述探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到所述超参数的目标值，以及对配置有所述目标值的初始数据处理模型训练得到的数据处理模型；

响应于数据处理指令，根据所述数据处理模型，对所述目标场景的目标数据进行处理。

可选地，所述根据超参数的初始值、探索方向以及步长，获取所述超参数的探索值，根据所述多个样本数据对配置有所述探索值的初始数据处理模型的训练结果，确定所述超参数的目标范围，包括：

根据所述超参数的初始值、不同的探索方向和步长，获取所述超参数不同的探索值；

基于所述多个样本数据，对配置有所述不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述超参数的目标探索方向；

基于所述超参数的初始值、所述目标探索方向和所述步长，确定所述超参数的目标范围。

可选地，所述超参数包括多维超参数；

所述根据所述超参数的初始值、不同的探索方向和步长，获取所述超参数不同的探索值，根据所述多个样本数据对配置有所述探索值的初始数据处理模型的训练结果，确定所述超参数的目标范围，包括：

对于所述多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取所述第一维超参数不同的探索值；

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，所述第一初始数据处理模型配置的超参数中所述第一维超参数的取值为所述第一维超参数不同的探索值，其他维超参数的取值为初始值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述第一维超参数的目标探索方向；

基于所述第一维超参数的初始值、所述目标探索方向和所述步长，确定所述第一维超参数的目标范围；

继续对所述多维超参数中其他维超参数，执行所述探索值获取和模型训练步骤，直至所述多维超参数均获取过目标范围时停止，得到所述多维超参数的目标范围。

可选地，所述将所述目标候选值作为所述超参数的初始值，继续执行所述探索值获取、目标范围确定以及目标候选值确定的步骤，包括：

根据步长衰减系数，对所述步长进行调整；

基于调整后的步长，继续执行所述探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，所述基于所述目标范围和所述超参数的历史取值信息，从所述目标范围中，确定所述超参数的候选值以配置所述初始数据处理模型进行训练，直至得到所述超参数的目标候选值，包括：

基于所述目标范围和所述超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据所述对应关系，从所述目标范围中，确定所述超参数的候选值；

基于所述多个样本数据，对配置有所述超参数的候选值的初始数据处理模型进行训练，得到所述候选值对应的目标函数取值；

根据所述目标函数取值，对所述超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行所述确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到所述超参数的目标候选值。

可选地，对所述初始数据处理模型进行训练的训练过程包括：

从所述多个样本数据随机选择多个样本数据，将所述多个样本数据输入所述初始数据处理模型中，由所述初始数据处理模型对所述多个样本数据中的多种样本特征中随机选取特征进行分类，输出所述多个样本数据对应的预测结果；

根据所述多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据所述目标函数取值，对所述初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一设备执行，所述超参数的候选值确定和目标候选值确定的步骤由第二设备执行，所述第一设备和所述第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一线程执行，所述超参数的候选值确定和目标候选值确定的步骤由第二线程执行，所述第一线程和所述第二线程之间通过通信传递数据。

根据本公开实施例的第二方面，提供一种数据处理装置，包括：

获取单元，被配置为执行响应于调参指令，从数据库中，获取所述调参指令所指示的目标场景的多个样本数据；

所述获取单元，还被配置为执行根据超参数的初始值、探索方向以及步长，获取所述超参数的探索值；

第一确定单元，被配置为执行根据所述多个样本数据对配置有所述探索值的初始数据处理模型的训练结果，确定所述超参数的目标范围；

第二确定单元，被配置为执行基于所述目标范围和所述超参数的历史取值信息，从所述目标范围中，确定所述超参数的候选值以配置所述初始数据处理模型进行训练，直至得到所述超参数的目标候选值；

所述获取单元、所述第一确定单元和所述第二确定单元，还分别被配置为执行将所述目标候选值作为所述超参数的初始值，继续执行所述探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到所述超参数的目标值，以及对配置有所述目标值的初始数据处理模型训练得到的数据处理模型；

处理单元，被配置为执行响应于数据处理指令，根据所述数据处理模型，对所述目标场景的目标数据进行处理。

可选地，所述获取单元被配置为执行根据所述超参数的初始值、不同的探索方向和步长，获取所述超参数不同的探索值；

所述第一确定单元，被配置为执行：

基于所述多个样本数据，对配置有所述不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述超参数的目标探索方向；

基于所述超参数的初始值、所述目标探索方向和所述步长，确定所述超参数的目标范围。

可选地，所述超参数包括多维超参数；

所述获取单元被配置为执行对于所述多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取所述第一维超参数不同的探索值；

所述第一确定单元，被配置为执行：

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，所述第一初始数据处理模型配置的超参数中所述第一维超参数的取值为所述第一维超参数不同的探索值，其他维超参数的取值为初始值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述第一维超参数的目标探索方向；

基于所述第一维超参数的初始值、所述目标探索方向和所述步长，确定所述第一维超参数的目标范围；

所述获取单元和所述第一确定单元，分别被配置为执行继续对所述多维超参数中其他维超参数，执行所述探索值获取和模型训练步骤，直至所述多维超参数均获取过目标范围时停止，得到所述多维超参数的目标范围。

可选地，所述装置还包括：

调整单元，被配置为执行根据步长衰减系数，对所述步长进行调整；

所述获取单元和所述第一确定单元，还分别被配置为执行基于调整后的步长，继续执行所述探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，所述第二确定单元被配置为执行：

基于所述目标范围和所述超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据所述对应关系，从所述目标范围中，确定所述超参数的候选值；

基于所述多个样本数据，对配置有所述超参数的候选值的初始数据处理模型进行训练，得到所述候选值对应的目标函数取值；

根据所述目标函数取值，对所述超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行所述确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到所述超参数的目标候选值。

可选地，对所述初始数据处理模型进行训练的训练过程包括：

从所述多个样本数据随机选择多个样本数据，将所述多个样本数据输入所述初始数据处理模型中，由所述初始数据处理模型对所述多个样本数据中的多种样本特征中随机选取特征进行分类，输出所述多个样本数据对应的预测结果；

根据所述多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据所述目标函数取值，对所述初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一设备执行，所述超参数的候选值确定和目标候选值确定的步骤由第二设备执行，所述第一设备和所述第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一线程执行，所述超参数的候选值确定和目标候选值确定的步骤由第二线程执行，所述第一线程和所述第二线程之间通过通信传递数据。

根据本公开实施例的第三方面，提供一种计算机设备，所述计算机设备包括：

一个或多个处理器；

用于存储所述一个或多个处理器可执行命令的易失性或非易失性存储器；

其中，所述一个或多个处理器被配置为执行如第一方面所述的数据处理方法。

根据本公开实施例提供的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算机设备的处理器执行时，使得计算机设备能够执行如第一方面所述的数据处理方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由计算机设备的处理器执行时，使得计算机设备能够执行如第一方面所述的数据处理方法。

根据本公开实施例的第六方面，提供一种计算机设备，所述计算机设备包括：一个或多个处理器，一个或多个存储器和通信接口；其中，所述一个或多个用于存储所述一个或多个处理器可执行的至少一条指令，所述一个或多个存储器为易失性存储器或非易失性存储器；所述通信接口用于将所述计算机设备连接到网络；

其中，当所述至少一条指令被一个或多个处理器执行时，使得所述计算机设备能够执行如下步骤：

响应于调参指令，从数据库中，获取所述调参指令所指示的目标场景的多个样本数据；

根据超参数的初始值、探索方向以及步长，获取所述超参数的探索值；

根据所述多个样本数据对配置有所述探索值的初始数据处理模型的训练结果，确定所述超参数的目标范围；

基于所述目标范围和所述超参数的历史取值信息，从所述目标范围中，确定所述超参数的候选值以配置所述初始数据处理模型进行训练，直至得到所述超参数的目标候选值；

将所述目标候选值作为所述超参数的初始值，继续执行所述探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到所述超参数的目标值，以及对配置有所述目标值的初始数据处理模型训练得到的数据处理模型；

响应于数据处理指令，根据所述数据处理模型，对所述目标场景的目标数据进行处理。

可选地，所述计算机设备还包括通信总线，所述通信总线用于在所述处理器、存储器和通信接口之间传送消息。

可选地，所述计算机设备还包括电源组件，所述电源组件用于为所述计算机设备的各个组件进行供电。

可选地，当所述至少一条指令被一个或多个处理器执行时，使得所述计算机设备能够执行如下步骤：

根据所述超参数的初始值、不同的探索方向和步长，获取所述超参数不同的探索值；

基于所述多个样本数据，对配置有所述不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述超参数的目标探索方向；

基于所述超参数的初始值、所述目标探索方向和所述步长，确定所述超参数的目标范围。

可选地，所述超参数包括多维超参数；

当所述至少一条指令被一个或多个处理器执行时，使得所述计算机设备能够执行如下步骤：

对于所述多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取所述第一维超参数不同的探索值；

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，所述第一初始数据处理模型配置的超参数中所述第一维超参数的取值为所述第一维超参数不同的探索值，其他维超参数的取值为初始值；

将所述目标函数取值符合条件的探索值对应的探索方向作为所述第一维超参数的目标探索方向；

基于所述第一维超参数的初始值、所述目标探索方向和所述步长，确定所述第一维超参数的目标范围；

继续对所述多维超参数中其他维超参数，执行所述探索值获取和模型训练步骤，直至所述多维超参数均获取过目标范围时停止，得到所述多维超参数的目标范围。

可选地，当所述至少一条指令被一个或多个处理器执行时，使得所述计算机设备能够执行如下步骤：

根据步长衰减系数，对所述步长进行调整；

基于调整后的步长，继续执行所述探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，当所述至少一条指令被一个或多个处理器执行时，使得所述计算机设备能够执行如下步骤：

基于所述目标范围和所述超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据所述对应关系，从所述目标范围中，确定所述超参数的候选值；

基于所述多个样本数据，对配置有所述超参数的候选值的初始数据处理模型进行训练，得到所述候选值对应的目标函数取值；

根据所述目标函数取值，对所述超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行所述确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到所述超参数的目标候选值。

可选地，对所述初始数据处理模型进行训练的训练过程包括：

从所述多个样本数据随机选择多个样本数据，将所述多个样本数据输入所述初始数据处理模型中，由所述初始数据处理模型对所述多个样本数据中的多种样本特征中随机选取特征进行分类，输出所述多个样本数据对应的预测结果；

根据所述多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据所述目标函数取值，对所述初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一设备执行，所述超参数的候选值确定和目标候选值确定的步骤由第二设备执行，所述第一设备和所述第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，所述超参数的探索值获取和确定目标范围的步骤由第一线程执行，所述超参数的候选值确定和目标候选值确定的步骤由第二线程执行，所述第一线程和所述第二线程之间通过通信传递数据。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开实施例中，响应于调参指令，能够从数据库中自动获取样本数据，执行调参步骤得到超参数的目标值和对配置有所述目标值的初始数据处理模型训练得到的数据处理模型，如果有数据处理需求，即可使用该数据处理模型执行数据处理步骤，一方面，整个数据处理过程实现了自动化，无需人工参与，减少了人力成本，提高了调参效率，进而提高整体数据处理的效率，还能够避免出现人为误差，提高数据处理的准确性。另一方面，在确定超参数的目标值时，通过超参数的初始值、探索方向以及步长等进行探索，来确定超参数的目标范围，再确定得到目标候选值后将其作为初始值继续确定超参数的目标范围，相较于人为设定探索边界，能够拓展超参数的探索范围，且加快了寻找最优超参数探索方向的过程，能够避免探索边界设置不当导致找不到最优超参数的情况出现，提高了调参准确性和效率，进而提高了整体数据处理的准确性和效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种数据处理方法的实施环境示意图；

图2是根据一示例性实施例示出的一种数据处理方法的流程图；

图3是根据一示例性实施例示出的一种数据处理方法的流程图；

图4是根据一示例性实施例示出的一种数据处理系统的流程图；

图5是根据一示例性实施例示出的一种数据处理方法的流程图；

图6是根据一示例性实施例示出的一种数据处理装置框图；

图7是根据一示例性实施例示出的一种终端的框图；

图8是根据一示例性实施例示出的一种服务器的结构示意图；

图9是根据一示例性实施例示出的一种计算机设备的结构示意图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。

图1是根据一示例性实施例示出的一种数据处理方法的实施环境示意图，参见图1，该实施环境可以包括至少一个计算机设备101和数据库102，其中，该至少一个计算机设备101与该数据库102通过有线或无线连接，能够进行数据交互。

其中，该至少一个计算机设备101具备计算能力，能够对数据进行处理。在本公开实施例中，该至少一个计算机设备102能够获取样本数据，基于样本数据对初始数据处理模型进行训练，得到数据处理模型，从而在有数据处理需求时，使用训练好的数据处理模型对数据进行处理。其中，该初始数据处理模型在训练前设置的超参数，可以由该至少一个计算机设备101进行优化得到。该至少一个计算机设备101所需的样本数据或数据可以从数据库102处获取得到，该数据库102用于存储和管理数据。

该数据可以为多种数据处理场景的数据，例如，该数据处理场景可以为资源投放场景，在该场景中，上述数据、样本数据可以为待投放资源和待投放用户，数据处理模型可以用于根据待投放资源从待投放用户中确定待投放的用户集，也即是，该数据处理模型可以为用户集确定模型，该至少一个计算机设备101用于确定模型的超参数取值，并给予该超参数取值的模型进行训练，从而能够使用训练好的模型对待投放资源进行处理，确定待投放的用户集。在该场景中，数据处理模型还可以用于根据待投放用户从待投放资源中确定待投放给该待投放用户的资源，或者根据待投放用户对待投放资源进行排序，按照排序进行投放。

又例如，该数据处理场景可以为目标识别场景，上述数据、样本数据可以为图像或视频，该数据处理模型可以为目标识别模型，该目标识别模型用于识别图像或视频中的目标，输出目标所在位置，或者识别出目标后，对目标进行标注，输出标注后的图像或视频。

又例如，该数据处理场景可以为分类、决策场景，该数据处理模型可以为分类、决策模型，该数据处理模型用于对目标问题进行决策，例如，根据用户的个人信息，确定用户是否会点击播放某个展示资源。

上述提供了集中数据处理场景，本公开实施例提供的数据处理方法还可以应用于其他场景，本公开实施例对数据处理场景不作限定。

图2是根据一示例性实施例示出的一种数据处理方法的流程图，该方法应用于计算机设备，如图2所示，该方法可以包括以下步骤。

201、计算机设备响应于调参指令，从数据库中，获取该调参指令所指示的目标场景的多个样本数据。

202、计算机设备根据超参数的初始值、探索方向以及步长，获取该超参数的探索值。

203、计算机设备根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围。

204、计算机设备基于该目标范围和该超参数的历史取值信息，从该目标范围中，确定该超参数的候选值以配置该初始数据处理模型进行训练，直至得到该超参数的目标候选值。

205、计算机设备将该目标候选值作为该超参数的初始值，继续执行该探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到该超参数的目标值，以及对配置有该目标值的初始数据处理模型训练得到的数据处理模型。

206、计算机设备响应于数据处理指令，根据该数据处理模型，对该目标场景的目标数据进行处理。

本公开实施例中，响应于调参指令，能够从数据库中自动获取样本数据，执行调参步骤得到超参数的目标值和对配置有该目标值的初始数据处理模型训练得到的数据处理模型，如果有数据处理需求，即可使用该数据处理模型执行数据处理步骤，一方面，整个数据处理过程实现了自动化，无需人工参与，减少了人力成本，提高了调参效率，进而提高整体数据处理的效率，还能够避免出现人为误差，提高数据处理的准确性。另一方面，在确定超参数的目标值时，通过超参数的初始值、探索方向以及步长等进行探索，来确定超参数的目标范围，再确定得到目标候选值后将其作为初始值继续确定超参数的目标范围，相较于人为设定探索边界，能够拓展超参数的探索范围，且加快了寻找最优超参数探索方向的过程，能够避免探索边界设置不当导致找不到最优超参数的情况出现，提高了调参准确性和效率，进而提高了整体数据处理的准确性和效率。

可选地，该根据超参数的初始值、探索方向以及步长，获取该超参数的探索值，根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围，包括：

根据该超参数的初始值、不同的探索方向和步长，获取该超参数不同的探索值；

基于该多个样本数据，对配置有该不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将该目标函数取值符合条件的探索值对应的探索方向作为该超参数的目标探索方向；

基于该超参数的初始值、该目标探索方向和该步长，确定该超参数的目标范围。

可选地，该超参数包括多维超参数；

该根据该超参数的初始值、不同的探索方向和步长，获取该超参数不同的探索值，根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围，包括：

对于该多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取该第一维超参数不同的探索值；

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，该第一初始数据处理模型配置的超参数中该第一维超参数的取值为该第一维超参数不同的探索值，其他维超参数的取值为初始值；

将该目标函数取值符合条件的探索值对应的探索方向作为该第一维超参数的目标探索方向；

基于该第一维超参数的初始值、该目标探索方向和该步长，确定该第一维超参数的目标范围；

继续对该多维超参数中其他维超参数，执行该探索值获取和模型训练步骤，直至该多维超参数均获取过目标范围时停止，得到该多维超参数的目标范围。

可选地，该将该目标候选值作为该超参数的初始值，继续执行该探索值获取、目标范围确定以及目标候选值确定的步骤，包括：

根据步长衰减系数，对该步长进行调整；

基于调整后的步长，继续执行该探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，该基于该目标范围和该超参数的历史取值信息，从该目标范围中，确定该超参数的候选值以配置该初始数据处理模型进行训练，直至得到该超参数的目标候选值，包括：

基于该目标范围和该超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据该对应关系，从该目标范围中，确定该超参数的候选值；

基于该多个样本数据，对配置有该超参数的候选值的初始数据处理模型进行训练，得到该候选值对应的目标函数取值；

根据该目标函数取值，对该超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行该确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到该超参数的目标候选值。

可选地，对该初始数据处理模型进行训练的训练过程包括：

从该多个样本数据随机选择多个样本数据，将该多个样本数据输入该初始数据处理模型中，由该初始数据处理模型对该多个样本数据中的多种样本特征中随机选取特征进行分类，输出该多个样本数据对应的预测结果；

根据该多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据该目标函数取值，对该初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一设备执行，该超参数的候选值确定和目标候选值确定的步骤由第二设备执行，该第一设备和该第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一线程执行，该超参数的候选值确定和目标候选值确定的步骤由第二线程执行，该第一线程和该第二线程之间通过通信传递数据。

图3是根据一示例性实施例示出的一种数据处理方法的流程图，如图3所示，数据处理方法用于计算机设备中，该方法可以包括以下步骤。

301、计算机设备响应于调参指令，从数据库中，获取该调参指令所指示的目标场景的多个样本数据。

该调参指令用于指示该计算机设备获取样本数据，基于样本数据对初始数据处理模型的超参数的取值进行调整，确定出目标值，以此来配置初始数据处理模型，并对配置好的初始数据处理模型进行训练，得到数据处理模型。如果计算机设备有数据处理需求，可以基于训练好的数据处理模型对数据进行处理。

该数据库可以存储和管理数据，如果其他设备有数据获取的需求，可以从该数据库中提取相关数据。在本公开实施例中，该数据库中可以包括存储有模型训练所需的样本数据。当然，该数据库中还可以包括其他数据，例如，该数据库中可以存储有该初始数据处理模型的超参数的初始值，该初始值可以由相关技术人员预先设置。又例如，该数据库中还可以存储有步长衰减系数等，本公开实施例对此不作限定。

在一种可能实现方式中，该数据库中可以存储有多种场景的样本数据，计算机设备可以根据自身的需求，获取所需场景的样本数据。相应的，上述步骤301中，计算机设备可以响应于调参指令，根据该调参指令中的目标场景的标识信息，从数据库中获取该标识信息对应的多个样本数据。当然，该计算机设备还可以获取其他数据，例如，上述初始数据处理模型的超参数的初始值，或步长衰减系数，或二者均获取。

302、计算机设备获取该超参数的初始值，该超参数为多维超参数。

该超参数的初始值可以由相关技术人员根据需求进行设置，该初始值可以被设置于该计算机设备中，也可以被存储于上述数据库中。该超参数可以为多维超参数，则该超参数的初始值中包括每维超参数的初始值。

计算机设备在需要进行调参(也即是参数优化)时，可以从本次存储数据中提取该超参数的初始值，也可以从数据库中提取该超参数的初始值，本公开实施例对此不作限定。

303、对于该多维超参数中第一维超参数，计算机设备根据第一维超参数的初始值、不同的探索方向和步长，获取该第一维超参数不同的探索值。

计算机设备可以从不同的探索方向探索超参数，并针对每次探索结果进行下述步骤304所示的模型训练步骤，来确定超参数的目标探索方向。该超参数为多维超参数，计算机设备可以对每维超参数均从不同的探索方向进行探索，确定每维超参数的目标探索方向。

该步骤303中，第一维超参数为该多维超参数中的任一维超参数，计算机设备可以获取到第一维超参数的探索值以执行后续步骤304、步骤305和步骤306，后续还可以对该多维超参数中的其他维超参数执行与该步骤303同理的步骤，以获取其他维超参数的探索值，继续执行后续步骤304、步骤305和步骤306，直至所有维超参数均确定了目标范围时停止。

例如，该多维超参数为n维超参数，分别为超参数1、超参数2、……、超参数n，其中，n为大于1的整数。该步骤303中，计算机设备根据超参数1的初始值、不同的探索方向和步长，获取该超参数1不同的探索值。后续再次执行该步骤303时，计算机设备可以获取超参数2不同的探索值，直至获取了超参数n不同的探索值。

探索方向(也可以称之为坐标方向)可以包括多种，例如，正向探索方向(也可以称之为前向探索方向)和反向探索方向。具体的，该步骤303中，计算机设备可以根据该第一维超参数的初始值、正向探索方向、反向探索方向和步长，获取该第一维超参数的第一探索值和第二探索值。也即是，计算机设备可以根据该第一维超参数的初始值、正向探索方向和步长，获取该第一维超参数的第一探索值，据该第一维超参数的初始值、反向探索方向和步长，获取该第一维超参数的第二探索值。进而可以将两个探索值分别配置给初始数据处理模型进行模型训练，确定向哪个探索方向探索，对初始数据处理模型的性能有所提升。

在一个具体的可能实施例中，计算机设备可以获取不同的探索方向的方向向量和步长的乘积，获取该乘积与第一维超参数的初始值的和，将该和作为该该第一维超参数的探索值。

304、计算机设备基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，该第一初始数据处理模型配置的超参数中该第一维超参数的取值为该第一维超参数不同的探索值，其他维超参数的取值为初始值。

计算机设备获取到第一维超参数不同的探索值后，可以保持其他超参数的取值为初始值不变，将其作为超参数的不同组取值，为初始数据处理模型进行超参数配置，基于获取到的多个样本数据对配置好的初始数据处理模型进行训练，来确定配置有当前每组取值的初始数据处理模型的目标函数取值。

该目标函数取值用于指示当前初始数据处理模型的数据处理能力，该目标函数可以由相关技术人员根据需求进行设置，本公开实施例对此不作限定。例如，该目标函数取值用于指示当前初始数据处理模型处理数据的准确度，或者当前初始数据处理模型处理数据的误差，又或者当前初始数据处理模型处理数据的速度等。

该数据处理模型可以为任一种模型，在一种可能实现方式中，该数据处理模型可以为随机森林模型，随机森林是基于bagging框架的决策树模型，随机森林的超参数可以包括rf框架的参数和rf决策树的参数，本公开实施例提供的调参方式可以应用于对任一种或多种超参数进行优化，对此不作限定。具体的，以该数据处理模型为随机森林模型为例进行说明，基于多个样本数据对初始数据处理模型进行训练的过程可以通过下述步骤一至步骤三实现。

步骤一、计算机设备从该多个样本数据随机选择多个样本数据，将该多个样本数据输入该初始数据处理模型中，由该初始数据处理模型对该多个样本数据中的多种样本特征中随机选取特征进行分类，输出该多个样本数据对应的预测结果。

在该步骤一中，计算机设备随机选择多个样本数据的过程可以为有放回的抽取过程，例如，该多个样本数据为n个样本数据，计算机设备可以从n个样本数据中随机选择一个样本数据，将其输入初始数据处理模型中进行分类得到预测结果，然后可以再从n个样本数据中随机选择一个样本数据进行模型训练，再次随机选择的样本数据可以与前一次随机选择的样本数据相同，也可以不同。计算机设备可以再继续进行n-2次选择过程，n为大于1的正整数。

每个样本数据可以具有多种样本特征，进行分类时，计算机设备可以从多种样本特征中随机选择一种或多种样本特征进行分类，例如，样本特征的数量可以为m个，计算机设备可以从m个样本特征中随机选择m个样本特征进行分类，m小于或等于m，m和n均为正整数。

计算机设备选择一种或多种样本特征进行分类时，可以先随机选择一种样本特征进行分类，基于分类结果，再随机选择下一种样本特征继续进行分类，以此类推。

步骤二、计算机设备根据该多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值。

每个样本数据携带有对应的目标结果，该目标结果为真实的、准确的结果，通过预测结果和目标结果，可以确定预测结果的准确性或误差，以此来确定是否需要调整模型参数，以提升模型的数据处理能力。

其中，该目标函数即为用于衡量当前初始数据处理模型的数据处理能力。通过预测结果和目标结果来确定该目标函数取值，该目标函数取值即可以用于衡量该预测结果的准确度，或者误差，或者该目标函数取值可以用于衡量当前数据处理模型的数据处理能力相较于上一次迭代过程的数据处理能力的差值，或者用于衡量当前初始数据处理模型的数据处理能力。例如，该目标函数可以为损失函数，也可以为其他函数，本公开实施例对该目标函数和该目标函数取值不作限定。

步骤三、计算机设备根据该目标函数取值，对该初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

通过上述目标函数取值，对本次迭代时初始数据处理模型的数据处理能力有了了解后，即可根据该目标函数取值，确定是否还需要对模型参数进行调整，并确定如何调整，来提高该初始数据处理模型的数据处理能力。

该初始数据模型训练的训练过程可以通过第三目标条件来确定训练结束的时机。其中，该第三目标条件可以由相关技术人员根据需求进行设置，例如，可以为目标函数取值收敛，或者目标函数取值大于目标阈值，或者迭代次数达到目标次数等，本公开实施例对此不作限定。

305、计算机设备将该目标函数取值符合条件的探索值对应的探索方向作为该第一维超参数的目标探索方向。

上述第一维超参数不同的探索值为基于不同的探索方向得到的，通过上述目标函数取值，能够确定哪个探索方向能够使得初始数据处理模型的数据处理能力提升，从而可以将该探索方向作为目标探索方向，该目标探索方向即为正向的或更好的探索方向。

对于目标探索方向的选定，可以通过为目标函数取值设定条件实现，在该目标函数取值符合条件时，例如，准确度提高或者高于某个值，或者损失值减小或降低等，这个探索方向能够提高初始数据处理模型的数据处理能力。

其中，该目标函数取值符合条件可以包括多种情况，可以由相关技术人员根据需求进行设置。例如，如果目标函数取值是准确度，该目标函数取值符合条件可以为准确度大于准确度阈值，或者还可以为其中一个探索值的目标函数取值大于另一个探索值的目标函数取值；如果目标函数取值是损失值，可以为损失小于损失值阈值，或者还可以为其中一个探索值的目标函数取值小于另一个探索值的目标函数取值，本公开实施例对此不作限定。

通过该步骤305，将对初始数据处理模型的处理性能有正向反馈的超参数探索方向确定为目标探索方向，也即是，将该超参数的取值变更为该探索值后，能够使得初始数据处理模型处理数据的准确性提高，误差变小，效率提高。

306、计算机设备基于该第一维超参数的初始值、该目标探索方向和该步长，确定该第一维超参数的目标范围。

计算机设备确定了第一维超参数的目标探索方向后，可以确定出第一维超参数的目标范围，该目标范围为第一维超参数的探索范围。计算机设备可以在该目标范围内选择第一维超参数的取值，进行后续的模型配置和训练过程，进一步确定出最优的第一维超参数的取值。

该探索过程可以通过设置步长、探索方向，来对初始值进行延展，得到目标范围。具体的，计算机设备可以根据第一维超参数的初始值、该目标探索方向和该步长，确定该第一维超参数的目标范围的边界。

在一种可能实现方式中，计算机设备可以将该第一维超参数的初始值与目标探索方向的方向向量和步长的乘积与初始值的和之间的范围作为该目标范围。所述该目标范围的边界分别为初始值，以及目标探索方向的方向向量和步长的乘积与初始值的和。也即是，[初始值，初始值+目标探索方向的方向向量x步长]。也即是，计算机设备可以获取该初始值作为目标范围的第一边界，将目标探索方向的方向向量和步长的乘积与初始值的和作为所述目标范围的第二边界，得到所述目标范围。

307、计算机设备继续对该多维超参数中其他维超参数，执行该探索值获取和模型训练步骤，直至该多维超参数均获取过目标范围时停止，得到该多维超参数的目标范围。

计算机设备可以采用与上述同理的过程，确定其他维超参数的目标范围，进而得到所有维超参数的目标范围，在此不多做赘述。

上述步骤303至步骤307为根据超参数的初始值、探索方向以及步长，获取该超参数的探索值，根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围的过程，该过程中通过初始值和步长的设置，对超参数进行探索得到探索范围，以进行后续的最优超参数确定过程，相较于人为设定探索边界，能够拓展超参数的探索范围，且加快了寻找最优超参数探索方向的过程，能够避免探索边界设置不当导致找不到最优超参数的情况出现，提高了调参准确性和效率，进而提高了整体数据处理的准确性和效率。

上述步骤303至步骤307为根据该超参数的初始值、不同的探索方向和步长，获取该超参数不同的探索值，基于该多个样本数据，对配置有该不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，将该目标函数取值符合条件的探索值对应的探索方向作为该超参数的目标探索方向，基于该超参数的初始值、该目标探索方向和该步长，确定该超参数的目标范围的过程，该超参数可以为多维超参数，也即是上述步骤303至步骤307所示的过程。当然，该超参数也可以为一维超参数，处理过程与上述步骤303至步骤307同理，在此不多做赘述。

308、计算机设备基于该目标范围和该超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系。

该历史取值信息也可以称为该超参数的历史探索信息，从历史取值信息中可以确定超参数的取值与目标函数取值之间的对应关系。通过该对应关系，可以进一步执行后续步骤，分析该超参数在目标范围内取值时，对应的预测目标函数取值，从而辅助从目标范围内选择候选值来进行尝试。

可选地，该对应关系的获取过程可以为概率模型的创建过程，具体地，计算机设备可以基于该目标范围和该超参数的历史取值信息，建立概率模型，该概率模型用于体现超参数的取值与目标函数取值之间的对应关系。也即是，根据目标范围内的取值与历史取值信息，拟合得到超参数的取值与目标函数取值之间的对应关系，该对应关系即为上述概率模型，或者也可以称为函数。

309、计算机设备根据该对应关系，从该目标范围中，确定该超参数的候选值。

计算机设备确定了超参数的取值与目标函数取值之间的对应关系，则可以分析出超参数在目标范围内的各种取值组合对应的目标函数取值，进而可以从中选择目标函数取值符合条件的候选值。

在一种可能实现方式中，该步骤309可以基于选取函数(acquisitionfunction，ac函数)实现。ac函数可以包括多种，例如，probabilityofimprovement(pi)，exceptedimprovement(ei)，gpupperconfidencebound(gp-ucb)三种，还可以包括其他种ac函数。本公开实施例对具体采用哪种ac函数不作限定。

310、计算机设备基于该多个样本数据，对配置有该超参数的候选值的初始数据处理模型进行训练，得到该候选值对应的目标函数取值。

计算机设备确定出超参数的候选值后，可以为初始数据处理模型进行超参数配置和模型训练过程，该过程与上述步骤304同理，在此不多做赘述。

311、计算机设备根据该目标函数取值，对该超参数的取值与目标函数取值之间的对应关系进行更新。

计算机设备获取到目标函数取值后，可以将本次模型训练过程的超参数的候选值也作为历史取值信息，进而对该超参数的取值与目标函数取值之间的对应关系进行更新，可以理解的，该对应关系更新了，选择的候选值也可能不同，因而，计算机设备可以执行后续步骤312。

312、计算机设备基于更新后的对应关系，继续执行该确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到该超参数的目标候选值。

该第二目标条件可以由相关技术人员根据需求进行设置，例如，可以为目标函数取值收敛，或者目标函数取值大于第二目标阈值，或者迭代次数达到第二目标次数等，本公开实施例对此不作限定。第二目标阈值和第二目标次数可以由相关技术人员根据需求进行设置，本公开实施例对此不作限定。

上述步骤308至步骤312基于该目标范围和该超参数的历史取值信息，从该目标范围中，确定该超参数的候选值以配置该初始数据处理模型进行训练，直至得到该超参数的目标候选值的过程，一方面，该过程实现了自动化，无需人工参与，减少了人力成本，提高了调参效率，进而提高整体数据处理的效率，还能够避免出现人为误差，提高数据处理的准确性。另一方面，在确定超参数的目标值时，通过超参数的初始值、探索方向以及步长等进行探索，来确定超参数的目标范围，再确定得到目标候选值后将其作为初始值继续确定超参数的目标范围，相较于人为设定探索边界，能够拓展超参数的探索范围，且加快了寻找最优超参数探索方向的过程，能够避免探索边界设置不当导致找不到最优超参数的情况出现，提高了调参准确性和效率，进而提高了整体数据处理的准确性和效率。

313、计算机设备将该目标候选值作为该超参数的初始值，继续执行步骤303至步骤312，直至符合第一目标条件，得到该超参数的目标值，以及对配置有该目标值的初始数据处理模型训练得到的数据处理模型。

通过上述步骤308至步骤312，从目标范围中确定出了最优的超参数取值，也即是目标候选值，该目标候选值为超参数取值在目标范围内的最优值，计算机设备还可以再继续扩大探索范围(也即是目标范围)，进一步确定该超参数的最优取值，这样可以避免得到局部最优取值，得到更准确的取值。因而，计算机设备可以将本次迭代的最优取值作为初始值进一步进行探索，探索和求最优取值的过程与上述步骤303至步骤312同理，本公开实施例在此不多做赘述。

通过探索得到目标范围，在目标范围内求解最优解，再进一步扩大探索范围，探索新的目标范围，再在新的目标范围内求解最优解，每次探索和每次最优解求解过程均可以看做是一次迭代，经过多次迭代，能够求解得到更准确的超参数取值。

在该多次迭代下，可以为其设置第一目标条件作为迭代结束的条件。该第一目标条件可以由相关技术人员根据需求进行设置，例如，可以为目标函数取值收敛，或者目标函数取值大于第一目标阈值，或者迭代次数达到第一目标次数等，本公开实施例对此不作限定。该第一目标阈值或第一目标次数可以由相关技术人员根据需求进行设置，本公开实施例对此不作限定。

在一种可能实现方式中，为了避免探索时间过长，或者避免进行过多无意义的探索，又或者为了更精准的探索，可以设置有步长衰减系数，在重复执行上述步骤时，也即是在下次迭代时，可以通过步长衰减系数来调整步长，使得步长逐步衰减。具体的，计算机设备可以根据步长衰减系数，对该步长进行调整，基于调整后的步长，继续执行该探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

通过上述步骤301至步骤313，计算机设备训练得到数据处理模型，在有数据处理需求时，计算机设备可以调用该数据处理模型，使用该数据处理模型对数据进行处理。上述步骤303至步骤307可以采用坐标下降算法实现，步骤308至步骤312可以采用贝叶斯优化方式实现。

314、计算机设备响应于数据处理指令，根据该数据处理模型，对该目标场景的目标数据进行处理。

该数据处理指令可以由用户操作触发，也可以为其他计算机设备发送的数据处理指令，还可以为目标指令触发。

例如，用户想要通过该计算机设备处理目标场景的目标数据，可以在该计算机设备上进行操作，触发该数据处理指令，该计算机设备接收到该数据处理指令，即可响应于该数据处理指令，执行数据处理步骤。

又例如，其他计算机设备上产生了目标场景的目标数据，需要对该目标数据进行处理，则可以将该目标场景的数据以及数据处理指令发送至该计算机设备，该计算机设备接收到目标场景的目标数据以及该数据处理指令，即可响应于该数据处理指令，对该目标数据进行处理。

又例如，其他计算机设备用于将数据处理指令发送至该计算机设备，该计算机设备响应于该数据处理指令，从该数据处理指令所指示的目标地址，获取目标场景的目标数据。

又例如，该计算机设备在处理其他数据时产生了目标场景的目标数据，需要进一步对该目标数据进行进一步处理，则会触发接收并执行该数据处理指令。

具体地，数据处理过程可以为：该计算机设备可以获取目标场景的目标数据，将该目标场景的目标数据输入该数据处理模型中，由该数据处理模型基于训练好的模型参数对该目标数据进行处理，输出处理结果。其中，该数据处理模型可以针对不同场景可以为不同的模型，例如在分类场景中，该数据处理模型可以为随机森林模型，也可以为其他分类模型。

对于该目标场景，该目标场景可以为任一种数据处理场景，该目标场景不同，对数据进行的处理则也不同。例如，该目标场景可以为资源投放场景，在该场景中，上述数据、样本数据可以为待投放资源和待投放用户，数据处理模型可以用于根据待投放资源从待投放用户中确定待投放的用户集，也即是，该数据处理模型可以为用户集确定模型，该计算机设备用于确定模型的超参数取值，并给予该超参数取值的模型进行训练，从而能够使用训练好的模型对待投放资源进行处理，确定待投放的用户集。在该场景中，数据处理模型还可以用于根据待投放用户从待投放资源中确定待投放给该待投放用户的资源，或者根据待投放用户对待投放资源进行排序，按照排序进行投放。

又例如，该数据处理场景可以为目标识别场景，上述数据、样本数据可以为图像或视频，该数据处理模型可以为目标识别模型，该目标识别模型用于识别图像或视频中的目标，输出目标所在位置，或者识别出目标后，对目标进行标注，输出标注后的图像或视频。相应地，上述步骤中的目标数据和样本数据均可以替换为图像或视频，数据处理模型替换为目标识别模型即可。

又例如，该数据处理场景可以为分类、决策场景，该数据处理模型可以为分类、决策模型，该数据处理模型用于对目标问题进行决策，例如，根据用户的个人信息，确定用户是否会点击播放某个展示资源。该数据处理模型可以为随机森林模型，本公开实施例对该目标场景和该数据处理模型的类型不作具体限定。在该场景中，在对目标数据进行处理时，可以采用决策树进行特征提取，继而对特征进行分类，输出分类结果。

上述步骤301至步骤314仅以在计算机设备上进行模型训练以及数据处理等步骤为例进行说明，具体地，该超参数的探索值获取和确定目标范围的步骤由第一线程执行，该超参数的候选值确定和目标候选值确定的步骤由第二线程执行，该第一线程和该第二线程之间通过通信传递数据。

在另一种可能实现方式中，上述步骤也可以由多个计算机设备协作完成。在一种可能实现方式中，该超参数的探索值获取和确定目标范围的步骤由第一设备执行，该超参数的候选值确定和目标候选值确定的步骤由第二设备执行，该第一设备和该第二设备之间通过超文本传输协议(hypertexttransferprotocol，http)或安全超文本传输协议(hypertexttransferprotocoloversecuresocketlayer，https)进行通信。

下面提供一个具体示例，在该具体示例中，以探索目标范围的过程采用坐标下降算法，确定目标候选值的过程采用贝叶斯优化算法，数据处理模型为随机森林模块为例，该具体示例中提供了一种数据处理系统，该数据处理系统包括多个服务模块：流程控制服务模块、坐标下降算法服务模块、贝叶斯优化算法服务模块、随机森林模型训练服务模块和数据库服务模块，该流程控制服务模块用于控制其他各个模块执行相应数据处理，在流程上进行总控制，该流程控制服务模块可以与数据库服务之间建立连接，从数据库服务模块中提取模型训练所需的样本数据，也可以提取调参所需的超参数的初始值等，该流程控制服务模块还可以将其他模块处理完成的数据存储至该数据库服务模块中。该流程控制服务模块可以先获取样本数据和超参数的初始值，将其发送至坐标下降算法服务模块，由该坐标下降算法服务模块执行上述步骤303至步骤307同理的目标范围确定步骤，然后将目标范围返回该流程控制服务模块，由该流程控制服务模块，为该数据处理系统提供数据服务，该流程控制服务模块可以将目标范围发送至贝叶斯优化算法服务模块，由该贝叶斯优化算法服务模块从目标范围中确定出目标候选值，再返回给该流程控制服务模块。需要说明的是，该坐标下降算法服务模块可以确定出探索值，由流程控制服务模块将探索值和样本数据发送至随机森林模型训练服务模块进行模型训练，基于模型训练结果，再由坐标下降算法服务模块继续进行探索，直至确定出目标范围。贝叶斯优化算法服务模块也可以从目标范围中确定出候选值，由流程控制服务模块将候选值转发至随机森林模型训练服务模块进行模型训练，基于模型训练结果继续确定候选值，直至确定出目标候选值。

如图5所示，本公开实施例提供的方法步骤可以如下：

步骤1、根据对随机森林模型设置的参数初始值，控制模块将相关数据通过http请求发送给坐标下降算法服务模块；不同的容器，线程和进程之间的通信方式。

步骤2、坐标下降算法服务依次对每一个参数进行正向或者负向步长的探索，探索某一参数时保持其它参数不变，将探索的结果通过http请求返回给控制模块。

步骤3、控制模块将坐标下降法获取的探索结果参数的建议值写入坐标下降探索表，并判断是否已经对所有的参数进行过探索，若有，则进行步骤5；若没有，则循环进行步骤4。

步骤4、控制模块将坐标下降算法服务的建议参数传递给随机森林模型训练模块进行训练，并收集模型训练的指标，将指标结果与对应参数写入坐标下降探索表，并通过http请求将指标结果发送给坐标下降算法服务，再执行步骤3。

步骤5、当所有参数的优化方向都找到后，控制模块将参数的[初始值，初始值+优化方向*步长]范围作为一次贝叶斯优化算法迭代的探索范围，将对应数据写入贝叶斯优化范围表中，将数据发送给贝叶斯算法服务模块。

步骤6、贝叶斯算法根据控制模块传递的探索范围和探索历史参数信息，计算获得一组新的尝试参数，回传给控制模块。

步骤7、控制模块将贝叶斯算法的建议参数传递给随机森林模型训练模块进行训练，并收集模型训练的指标，将指标结果与对应参数写入贝叶斯优化探索历史参数信息表。判断是否满足贝叶斯停止条件，如达到循环迭代次数或者指标达到期望，若不满足，则通过http请求将指标结果发送给贝叶斯算法服务，执行步骤6。

步骤8、控制模块判断是否满足调参实验的停止条件，如达到调参实验最大迭代次数或者指标达到期望，将最优参数和对应的模型保存；若不满足实验停止条件，则将贝叶斯产生的最优参数值通过http请求传递给坐标下降算法服务，执行步骤2。

图6是根据一示例性实施例示出的一种数据处理装置框图。参照图6，该装置包括：

获取单元601，被配置为执行响应于调参指令，从数据库中，获取该调参指令所指示的目标场景的多个样本数据；

该获取单元601，还被配置为执行根据超参数的初始值、探索方向以及步长，获取该超参数的探索值；

第一确定单元602，被配置为执行根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围；

第二确定单元603，被配置为执行基于该目标范围和该超参数的历史取值信息，从该目标范围中，确定该超参数的候选值以配置该初始数据处理模型进行训练，直至得到该超参数的目标候选值；

该获取单元601、该第一确定单元602和该第二确定单元603，还分别被配置为执行将该目标候选值作为该超参数的初始值，继续执行该探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到该超参数的目标值，以及对配置有该目标值的初始数据处理模型训练得到的数据处理模型；

处理单元604，被配置为执行响应于数据处理指令，根据该数据处理模型，对该目标场景的目标数据进行处理。

本公开实施例提供的装置，响应于调参指令，能够从数据库中自动获取样本数据，执行调参步骤得到超参数的目标值和对配置有该目标值的初始数据处理模型训练得到的数据处理模型，如果有数据处理需求，即可使用该数据处理模型执行数据处理步骤，一方面，整个数据处理过程实现了自动化，无需人工参与，减少了人力成本，提高了调参效率，进而提高整体数据处理的效率，还能够避免出现人为误差，提高数据处理的准确性。另一方面，在确定超参数的目标值时，通过超参数的初始值、探索方向以及步长等进行探索，来确定超参数的目标范围，再确定得到目标候选值后将其作为初始值继续确定超参数的目标范围，相较于人为设定探索边界，能够拓展超参数的探索范围，且加快了寻找最优超参数探索方向的过程，能够避免探索边界设置不当导致找不到最优超参数的情况出现，提高了调参准确性和效率，进而提高了整体数据处理的准确性和效率。

可选地，该获取单元601被配置为执行根据该超参数的初始值、不同的探索方向和步长，获取该超参数不同的探索值；

该第一确定单元602，被配置为执行：

基于该多个样本数据，对配置有该不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将该目标函数取值符合条件的探索值对应的探索方向作为该超参数的目标探索方向；

基于该超参数的初始值、该目标探索方向和该步长，确定该超参数的目标范围。

可选地，该超参数包括多维超参数；

该获取单元601被配置为执行对于该多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取该第一维超参数不同的探索值；

该第一确定单元602，被配置为执行：

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，该第一初始数据处理模型配置的超参数中该第一维超参数的取值为该第一维超参数不同的探索值，其他维超参数的取值为初始值；

将该目标函数取值符合条件的探索值对应的探索方向作为该第一维超参数的目标探索方向；

基于该第一维超参数的初始值、该目标探索方向和该步长，确定该第一维超参数的目标范围；

该获取单元601和该第一确定单元602，分别被配置为执行继续对该多维超参数中其他维超参数，执行该探索值获取和模型训练步骤，直至该多维超参数均获取过目标范围时停止，得到该多维超参数的目标范围。

可选地，该装置还包括：

调整单元，被配置为执行根据步长衰减系数，对该步长进行调整；

该获取单元601和该第一确定单元602，还分别被配置为执行基于调整后的步长，继续执行该探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，该第二确定单元603被配置为执行：

基于该目标范围和该超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据该对应关系，从该目标范围中，确定该超参数的候选值；

基于该多个样本数据，对配置有该超参数的候选值的初始数据处理模型进行训练，得到该候选值对应的目标函数取值；

根据该目标函数取值，对该超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行该确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到该超参数的目标候选值。

可选地，对该初始数据处理模型进行训练的训练过程包括：

从该多个样本数据随机选择多个样本数据，将该多个样本数据输入该初始数据处理模型中，由该初始数据处理模型对该多个样本数据中的多种样本特征中随机选取特征进行分类，输出该多个样本数据对应的预测结果；

根据该多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据该目标函数取值，对该初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一设备执行，该超参数的候选值确定和目标候选值确定的步骤由第二设备执行，该第一设备和该第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一线程执行，该超参数的候选值确定和目标候选值确定的步骤由第二线程执行，该第一线程和该第二线程之间通过通信传递数据。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据一示例性实施例示出的一种终端的框图。该终端700可以是便携式移动终端，比如：智能手机、平板电脑、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端700包括有：一个或多个处理器701和一个或多个存储器702。

处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用dsp(digitalsignalprocessing，数字信号处理)、fpga(field－programmablegatearray，现场可编程门阵列)、pla(programmablelogicarray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(centralprocessingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有gpu(graphicsprocessingunit，数据推荐器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括易失性存储器或非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所具有以实现本公开中方法实施例提供的数据处理方法。

在一些实施例中，终端700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、触摸显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。

外围设备接口703可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路704用于接收和发射rf(radiofrequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wirelessfidelity，无线保真)网络。在一些实施例中，射频电路704还可以包括nfc(nearfieldcommunication，近距离无线通信)有关的电路，本公开对此不加以限定。

显示屏705用于显示ui(userinterface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时，显示屏705还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705可以为一个，设置终端700的前面板；在另一些实施例中，显示屏705可以为至少两个，分别设置在终端700的不同表面或呈折叠设计；在再一些实施例中，显示屏705可以是柔性显示屏，设置在终端700的弯曲表面上或折叠面上。甚至，显示屏705还可以设置成非矩形的不规则图形，也即异形屏。显示屏705可以采用lcd(liquidcrystaldisplay，液晶显示屏)、oled(organiclight-emittingdiode,有机发光二极管)等材质制备。

摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtualreality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还可以包括耳机插孔。

定位组件708用于定位终端700的当前地理位置，以实现导航或lbs(locationbasedservice，基于位置的服务)。定位组件708可以是基于美国的gps(globalpositioningsystem，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。

电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。

加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制触摸显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器712可以检测终端700的机体方向及转动角度，陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3d动作。处理器701根据陀螺仪传感器712采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器713可以设置在终端700的侧边框和/或触摸显示屏705的下层。当压力传感器713设置在终端700的侧边框时，可以检测用户对终端700的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在触摸显示屏705的下层时，由处理器701根据用户对触摸显示屏705的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器714用于采集用户的指纹，由处理器701根据指纹传感器714采集到的指纹识别用户的身份，或者，由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器701授权该用户具有相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置终端700的正面、背面或侧面。当终端700上设置有物理按键或厂商logo时，指纹传感器714可以与物理按键或厂商标志集成在一起。

光学传感器715用于采集环境光强度。在一个实施例中，处理器701可以根据光学传感器715采集的环境光强度，控制触摸显示屏705的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏705的显示亮度；当环境光强度较低时，调低触摸显示屏705的显示亮度。在另一个实施例中，处理器701还可以根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。

接近传感器716，也称距离传感器，通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时，由处理器701控制触摸显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时，由处理器701控制触摸显示屏705从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图7中示出的结构并不构成对终端700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图8是根据一示例性实施例示出的一种服务器的结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)801和一个或一个以上的存储器802，其中，存储器802中存储有至少一条指令，至少一条指令由处理器801加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

服务器800可以用于执行数据处理方法中服务器所执行的步骤。

图9是根据一示例性实施例示出的一种计算机设备的结构示意图，参见图9，该计算机设备包括：一个或多个处理器901，一个或多个存储器902和通信接口903。

处理器901包括多种，例如，处理器为中央处理器(centralprocessingunit，cpu)、图形处理器(graphicsprocessingunit，gpu)、加速处理器(acceleratedprocessingunit，apu)、张量处理单元(tensorprocessingunit，tpu)、嵌入式神经网络处理器(neural-networkprocessingunits，npu)、深度学习处理器(deeplearningprocessingunit,dpu)、微处理器/微控制器(microprocessor/microcontrollerunit，mpu/mcu)等的一种或多种的任意组合。可选地，如果处理器901实现为多种处理器的任意组合，该多种处理器集成于一个芯片中。

通信接口903用于将该计算机设备连接到网络，使得该计算机设备能够数据通过该通信接口903发送至网络，或者使得该计算机设备能够通过该通信接口903从网络中获取数据。其中，该通信接口903包括有线通信接口，和/或，该通信接口包括无线通信接口。该通信接口903能够支持该计算机设备的有线通信和/或无线通信的功能。

存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器902还可包括易失性存储器或非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器902中的非暂态的计算机可读存储介质用于存储该一个或多个处理器901可执行的至少一个指令，其中，当该至少一条指令被一个或多个处理器901执行时，使得该计算机设备能够执行如下步骤：

响应于调参指令，从数据库中，获取该调参指令所指示的目标场景的多个样本数据；

根据超参数的初始值、探索方向以及步长，获取该超参数的探索值；

根据该多个样本数据对配置有该探索值的初始数据处理模型的训练结果，确定该超参数的目标范围；

基于该目标范围和该超参数的历史取值信息，从该目标范围中，确定该超参数的候选值以配置该初始数据处理模型进行训练，直至得到该超参数的目标候选值；

将该目标候选值作为该超参数的初始值，继续执行该探索值获取、目标范围确定以及目标候选值确定的步骤，直至符合第一目标条件，得到该超参数的目标值，以及对配置有该目标值的初始数据处理模型训练得到的数据处理模型；

响应于数据处理指令，根据该数据处理模型，对该目标场景的目标数据进行处理。

可选地，该计算机设备还包括通信总线，该通信总线用于在该处理器、存储器和通信接口之间传送消息。

可选地，该计算机设备还包括电源组件，该电源组件用于为该计算机设备的各个组件进行供电。

可选地，当该至少一条指令被一个或多个处理器901执行时，使得该计算机设备能够执行如下步骤：

根据该超参数的初始值、不同的探索方向和步长，获取该超参数不同的探索值；

基于该多个样本数据，对配置有该不同的探索值的初始数据处理模型进行训练，得到每个探索值对应的目标函数取值；

将该目标函数取值符合条件的探索值对应的探索方向作为该超参数的目标探索方向；

基于该超参数的初始值、该目标探索方向和该步长，确定该超参数的目标范围。

可选地，该超参数包括多维超参数；

当该至少一条指令被一个或多个处理器901执行时，使得该计算机设备能够执行如下步骤：

对于该多维超参数中第一维超参数，根据第一维超参数的初始值、不同的探索方向和步长，获取该第一维超参数不同的探索值；

基于多个样本数据，对第一初始数据处理模型进行训练，得到每个探索值对应的目标函数取值，该第一初始数据处理模型配置的超参数中该第一维超参数的取值为该第一维超参数不同的探索值，其他维超参数的取值为初始值；

将该目标函数取值符合条件的探索值对应的探索方向作为该第一维超参数的目标探索方向；

基于该第一维超参数的初始值、该目标探索方向和该步长，确定该第一维超参数的目标范围；

继续对该多维超参数中其他维超参数，执行该探索值获取和模型训练步骤，直至该多维超参数均获取过目标范围时停止，得到该多维超参数的目标范围。

可选地，当该至少一条指令被一个或多个处理器901执行时，使得该计算机设备能够执行如下步骤：

根据步长衰减系数，对该步长进行调整；

基于调整后的步长，继续执行该探索值获取步骤，以及目标范围确定以及目标候选值确定的步骤。

可选地，当该至少一条指令被一个或多个处理器901执行时，使得该计算机设备能够执行如下步骤：

基于该目标范围和该超参数的历史取值信息，获取超参数的取值与目标函数取值之间的对应关系；

根据该对应关系，从该目标范围中，确定该超参数的候选值；

基于该多个样本数据，对配置有该超参数的候选值的初始数据处理模型进行训练，得到该候选值对应的目标函数取值；

根据该目标函数取值，对该超参数的取值与目标函数取值之间的对应关系进行更新；

基于更新后的对应关系，继续执行该确定候选值和模型训练的步骤，直至符合第二目标条件时停止，得到该超参数的目标候选值。

可选地，对该初始数据处理模型进行训练的训练过程包括：

从该多个样本数据随机选择多个样本数据，将该多个样本数据输入该初始数据处理模型中，由该初始数据处理模型对该多个样本数据中的多种样本特征中随机选取特征进行分类，输出该多个样本数据对应的预测结果；

根据该多个样本数据对应的预测结果和对应的目标结果，确定每个样本数据的目标函数取值；

根据该目标函数取值，对该初始数据处理模型的模型参数进行调整，直至符合第三目标条件时停止。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一设备执行，该超参数的候选值确定和目标候选值确定的步骤由第二设备执行，该第一设备和该第二设备之间通过超文本传输协议http或安全超文本传输协议https进行通信。

可选地，该超参数的探索值获取和确定目标范围的步骤由第一线程执行，该超参数的候选值确定和目标候选值确定的步骤由第二线程执行，该第一线程和该第二线程之间通过通信传递数据。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由装置的处理器执行以完成上述数据处理方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，当所述计算机程序产品中的指令由计算机设备的处理器执行时，使得计算机设备能够执行如上述数据处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。