一种模型训练方法、装置及电子设备与流程

[0001]
本申请属于人工智能技术领域，尤其涉及一种模型训练方法、装置及电子设备。


背景技术：

[0002]
模型训练是人工智能领域中不可或缺的一个环节，模型根据训练数据以及对应的标签调整模型的参数，从而学习到数据与标签的内在联系。而对于一个分类任务而言，模型学习到的是数据的类别边界。
[0003]
传统的训练过程中，样本数据是随机选择的，或者称之为随机采样。而随机采样并不是效率最高的做法，因为有些数据包含的信息比较多，对于确定类别边界的帮助更大，相对的有些数据所包含的信息比较少或者说比较冗余，对于确定类别边界的帮助较少。使用随机挑选样本的方法隐含了冗余样本的增加，样本有效性较低，导致模型的训练效果及训练好之后模型的分类性能较差。


技术实现要素：

[0004]
本申请实施例提供了一种模型训练方法、装置及电子设备，以解决现有技术中模型训练样本的选取有效性较低，模型的训练效果及训练好之后模型的分类性能较差的问题。
[0005]
本申请实施例的第一方面提供了一种模型训练方法，包括：
[0006]
通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据；
[0007]
基于所述采样数据，对所述第一分类模型进行模型训练，得到训练更新后的所述第一分类模型；
[0008]
返回执行所述通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据的步骤，直至采样得到n组所述采样数据；n≥2；
[0009]
基于所述n组采样数据，筛选得到训练样本数据；
[0010]
根据所述训练样本数据，对第二分类模型进行模型训练。
[0011]
本申请实施例的第二方面提供了一种模型训练装置，包括：
[0012]
采样模块，用于通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据；
[0013]
模型更新模块，用于基于所述采样数据，对所述第一分类模型进行模型训练，得到训练更新后的所述第一分类模型，并返回执行所述通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据的步骤，直至采样得到n组所述采样数据；n≥2；
[0014]
获取模块，用于基于所述n组采样数据，筛选得到训练样本数据；
[0015]
模型训练模块，用于根据所述训练样本数据，对第二分类模型进行模型训练。
[0016]
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
[0017]
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
[0018]
本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行上述第一方面所述方法的步骤。
[0019]
由上可见，本申请实施例中，通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据，并在数据采样过程中，基于采样得到的数据不断对第一分类模型进行模型训练更新，以该种方式采样得到n组采样数据，在该n组采样数据基础上筛选得到训练样本数据，基于该训练样本数据，对第二分类模型进行模型训练，有效降低冗余样本，提升采样数据的有效性，提升最终模型的训练效果及训练好之后模型的分类性能。
附图说明
[0020]
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
[0021]
图1是本申请实施例提供的一种模型训练方法的流程图一；
[0022]
图2是本申请实施例提供的模型训练样本的采集过程的数据流向图；
[0023]
图3是本申请实施例提供的一种模型训练方法的流程图二；
[0024]
图4是本申请实施例提供的一种模型训练装置的结构图；
[0025]
图5是本申请实施例提供的一种电子设备的结构图。
具体实施方式
[0026]
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它实施例中也可以实现本申请。在其它情况中，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。
[0027]
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它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0028]
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0029]
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。
[0030]
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0031]
应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0032]
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
[0033]
参见图1，图1是本申请实施例提供的一种模型训练方法的流程图一。如图1所示，一种模型训练方法，该方法包括以下步骤：
[0034]
步骤101，通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据。
[0035]
该第一分类模型具体为用于实现数据分类的模型。通过第一分类模型分类采样后得到的采样数据具备有用于标记其所属类别的样本标签。
[0036]
其中，结合图2所示，该样本池中的未标注样本被第一分类模型分类采样后，得到一组采样数据，同时该一组采样数据则从样本池中移除，不会在后续的循环采样过程中被重复采样。
[0037]
该实现数据分类的模型具体可以是：采用k-近邻(k-nearest neighbors，knn)算法模型、人工神经网络(artificial neural networks，ann)模型等等。
[0038]
这里，需要通过第一分类模型从样本池中进行数据分类采样。该样本池中的样本为未标注样本，未标注样本即没有进行类别区分及标注的样本。
[0039]
作为一可选的实施方式，该通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据，包括：
[0040]
通过第一分类模型对样本池中的每个未标注样本进行样本类别预测，得到每个未标注样本的类别不确定值；将处于设定范围内的类别不确定值对应的未标注样本，确定为采样数据。
[0041]
其中，类别不确定值用于描述样本类别预测后的样本是否属于某一样本类别的可能性的大小。通过样本类别预测时获取的类别不确定值，实现对样本的一次筛选。
[0042]
结合图2所示，第一分类模型从样本池中进行分类采样时，需要通过预测模块对未标注样本进行类别预测，以能够结合样本类别预测结果，从样本池中选取出样本类别不确定值较小的样本，进而确保选取出的样本为处于边界处的具有显著差异的样本，以提升样本选取的有效性及准确度，并区别于现有技术中的随机采样。
[0043]
步骤102，基于该采样数据，对第一分类模型进行模型训练，得到训练更新后的第一分类模型。
[0044]
对第一分类模型进行训练的过程，具体可以是：
[0045]
将每次采样获取得到的一组采样数据作为输入，输入至第一分类模型中，由于该一组采样数据中的样本中通常包含的有不同类别的数据，因此，第一分类模型在基于输入的采样数据后，根据采样数据以及对应的类别标签，调整第一分类模型的参数，从而学习到数据与标签的内在联系，实现分类模型的更新。而对于一个分类任务而言，模型学习到的是数据的类别边界。
[0046]
该过程中，每获取到一组采样数据，则对第一分类模型进行一次模型训练更新，再基于训练更新后的分类模型实现下一次的采样数据的获取，实现模型的增量训练过程，通过融入模型的自学习过程，提升采样数据的数据有效性及准确性。
[0047]
步骤103，判断是否采样得到n组采样数据。
[0048]
其中，n≥2。
[0049]
在步骤103判断结果为否时，返回执行步骤101通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据的步骤，及执行步骤102，直至步骤103的判断结果为是，即采样得到n组采样数据，再执行接下来的步骤104及步骤105。
[0050]
其中，该步骤102与步骤103的执行顺序可以调换。在步骤101之后，执行步骤103判断是否采样得到n组采样数据，若判断结果为否，则执行步骤102之后重新返回执行步骤101，直到步骤103的判断结果为是，则执行步骤104。可以根据需要进行具体设置。
[0051]
在具体实施过程中，根据训练更新后的分类模型，继续从样本池中对剩余样本进行采样，并对采样次数进行计数，直至采样次数达到设定值n，得到n次采样对应的n组采样数据。
[0052]
步骤104，基于n组采样数据，筛选得到训练样本数据。
[0053]
该训练样本数据中具体为包含n组采样数据中的全部数据或部分数据。
[0054]
该上述过程中，训练后的分类模型则会随着模型训练过程中发生的参数调整，变得更加智能与准确，能够指导下一次的数据采样过程中，采集到类别准确度更高的、更加有效的样本数据。
[0055]
步骤105，根据该训练样本数据，对第二分类模型进行模型训练。
[0056]
其中，第一分类模型与第二分类模型可以是相同、相似或同类的分类模型。
[0057]
且该过程，结合图2所示，在循环执行的n次采样过程中，使模型形成循环的自学习操作，在模型自我完善的同时，不断采集得到的更加准确有效的样本数据，以在最终形成一个存储有有效样本数据的训练样本数据池。
[0058]
该训练样本数据为基于由第一分类模型得到的采样数据得到。利用该训练样本数据对第二分类模型进行训练，实现利用混合在一起的多组采样数据构成训练样本集合，提升样本的类别分布均匀度，并基于训练样本集合实现对第二分类模型的全量训练，且训练样本数据中包含的采样数据是随着第一分类模型的循环采样自学习过程而变得越来越准确的数据，有效提升训练样本的数据质量，提升最终模型训练的便捷度及准确度。
[0059]
进一步地，作为一可选的实施方式，其中在通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据之前，还包括：
[0060]
构建样本池中的未标注样本；其中，该未标注样本对应有不同的样本类别，不同的样本类别之间的平均样本量满足如下条件：
[0061][0062]
其中，为平均样本量；n
pool
为样本池中未标注样本的总量；class为样本池中的样本类别的数量；γ为固定参数，γ≥1；n为分类模型收敛所需要的样本量经验值。
[0063]
为确保对最终样本分类模型的训练效果，需要对样本池中的数据进行事先限定，以确保样本池中每个样本类别的样本数量的分布均匀度，提升样本选取时达到更佳的数据选取效果。
[0064]
本申请实施例中，通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据，并在数据采样过程中，基于采样得到的数据不断对第一分类模型进行模型训练更新，以该种方式采样得到n组采样数据，在该n组采样数据基础上筛选得到训练样本数
据，基于该训练样本数据，对第二分类模型进行模型训练，有效降低冗余样本，提升采样数据的有效性，提升后续模型的训练效果及训练好之后模型的分类性能。
[0065]
本申请实施例中还提供了模型训练方法的不同实施方式。
[0066]
参见图3，图3是本申请实施例提供的一种模型训练方法的流程图二。如图3所示，一种模型训练方法，该方法包括以下步骤：
[0067]
步骤301，通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据。
[0068]
该步骤的实现过程与前述实施方式中的步骤101的实现过程相同，此处不再赘述。
[0069]
步骤302，基于该采样数据，对第一分类模型进行模型训练，得到训练更新后的第一分类模型。
[0070]
该步骤的实现过程与前述实施方式中的步骤102的实现过程相同，此处不再赘述。
[0071]
步骤303，判断是否采样得到n组采样数据。
[0072]
其中，n≥2。
[0073]
该步骤的实现过程与前述实施方式中的步骤103的实现过程相同，此处不再赘述。
[0074]
步骤304，每获得一组采样数据，则对训练更新后的第一分类模型进行模型测试。
[0075]
结合图2所示，在通过第一分类模型从样本池中分类采集得到采样数据之后，利用该采样数据，通过第一分类模型中的训练模块实现对第一分类模型的模型训练，并循环利用训练更新后的第一分类模型继续从样本池中进行数据采样。
[0076]
这里，在该循环采样过程中，判断是否对采样数据进行采用，需要进一步对训练更新后的第一分类模型进行模型测试，以结合模型测试结果来判断当前一组采样数据的样本训练效果，进而以模型测试结果指导当前一组采样数据的采用与否。
[0077]
步骤305，若训练更新后的第一分类模型的测试结果满足设定测试条件，则将采样数据存放至训练样本数据池中。
[0078]
该设定测试条件例如为模型中的某些模型参数达到设定范围值内，或者模型测试过程中的模型收敛速度处于设定时长内等等。
[0079]
将采样数据添加至训练样本数据池中，则表明对当前一组的采样数据进行采用。
[0080]
对应地，在每获得一组采样数据，则对训练更新后的第一分类模型进行模型测试之后，还包括：
[0081]
若训练更新后的第一分类模型的测试结果不满足设定测试条件，则将该组采样数据舍弃。
[0082]
该过程，通过对每次循环式采样过程中训练得到的新的数据采样模型的训练结果进行测试，以判断当前的采样数据是否为有效数据，实现对全量训练时的训练样本数据池中所放入的样本数据的优化判断，实现对采样数据的进一步筛选，提升模型训练样本数据的选取合理性及选取有效性，提升最终样本分类模型的模型训练效果。
[0083]
步骤306，将训练样本数据池中的采样数据确定为训练样本数据。
[0084]
最终以放入至训练样本数据池中的采样数据，作为训练样本数据。没有放入至训练样本数据池中的采样数据则放弃不用。
[0085]
上述实施例中，通过将模型增量式训练与全量式训练的两种训练方式相结合，使增量式训练方式中实现对样本的循环式采集，并基于循环式采集的样本对模型进行增量式
训练，提升采样数据的样本有效性，并通过在循环式采样过程中对分类模型进行模型检测，实现对循环式采集的样本效果的检测，来确定全量式训练方式中采样池中对循环式采集的样本采取保留或者舍弃，以实现模型全量式训练过程中样本的有效性及选取准确性。
[0086]
步骤307，根据该训练样本数据，对第二分类模型进行模型训练。
[0087]
该步骤的实现过程与前述实施方式中的步骤105的实现过程相同，此处不再赘述。
[0088]
此外，在本申请实施例中，作为一可选的实施方式，该根据训练样本数据，对第二分类模型进行模型训练，包括：
[0089]
当训练样本数据池中的数据量达到第一设定阈值或者通过第一分类模型从样本池中对未标注样本进行分类采样的次数达到第二设定阈值时，从训练样本数据池中读取采样数据；基于采样数据，对第二分类模型进行模型训练。
[0090]
本申请实施例中，通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据，并在数据采样过程中，基于采样得到的数据不断对第一分类模型进行模型训练更新，以该种方式采样得到n组采样数据，针对每组采样数据，对训练更新后的第一分类模型进行模型测试，基于模型测试结果决定采样数据的保留或舍弃，实现在该n组采样数据基础上筛选得到训练样本数据，基于该训练样本数据，对第二分类模型进行模型训练，有效降低冗余样本，提升采样数据的有效性，提升后续模型的训练效果及训练好之后模型的分类性能。
[0091]
参见图4，图4是本申请实施例提供的一种模型训练装置的结构图，为了便于说明，仅示出了与本申请实施例相关的部分。
[0092]
该模型训练装置400包括：
[0093]
采样模块401，用于通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据；
[0094]
模型更新模块402，用于基于所述采样数据，对所述第一分类模型进行模型训练，得到训练更新后的所述第一分类模型，并返回执行所述通过第一分类模型从样本池中对未标注样本进行分类采样，得到采样数据的步骤，直至采样得到n组所述采样数据；n≥2；
[0095]
获取模块403，用于基于所述n组采样数据，筛选得到训练样本数据；
[0096]
模型训练模块404，用于根据所述训练样本数据，对第二分类模型进行模型训练。
[0097]
其中，采样模块401具体用于：
[0098]
通过所述第一分类模型对所述样本池中的每个未标注样本进行样本类别预测，得到每个未标注样本的类别不确定值；
[0099]
将处于设定范围内的类别不确定值对应的未标注样本，确定为所述采样数据。
[0100]
其中，获取模块，具体用于：
[0101]
每获得一组所述采样数据，则对训练更新后的所述第一分类模型进行模型测试；
[0102]
若训练更新后的所述第一分类模型的测试结果满足设定测试条件，则将所述采样数据存放至训练样本数据池中；
[0103]
将所述训练样本数据池中的所述采样数据确定为所述训练样本数据。
[0104]
其中，获取模块，还具体用于：
[0105]
若训练更新后的所述第一分类模型的测试结果不满足设定测试条件，则将所述采样数据舍弃。
[0106]
其中，该模型训练模块，具体用于：
[0107]
当所述训练样本数据池中的数据量达到第一设定阈值或者通过所述第一分类模型从所述样本池中对所述未标注样本进行分类采样的次数达到第二设定阈值时，从所述训练样本数据池中读取所述采样数据；
[0108]
基于所述采样数据，对第二分类模型进行模型训练。
[0109]
其中，所述第一分类模型与所述第二分类模型为相同的分类模型。
[0110]
该装置还包括：
[0111]
样本构建模块，用于构建所述样本池中的未标注样本；
[0112]
其中，所述未标注样本对应有不同的样本类别，不同的所述样本类别之间的平均样本量满足如下条件：
[0113][0114]
其中，为所述平均样本量；n
pool
为所述样本池中所述未标注样本的总量；class为所述样本池中的样本类别的数量；γ为固定参数，γ≥1；n为分类模型收敛所需要的样本量经验值。
[0115]
本申请实施例提供的模型训练装置能够实现上述模型训练方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0116]
图5是本申请实施例提供的一种电子设备的结构图。如该图所示，该实施例的电子设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。
[0117]
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0118]
所述处理器50可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。
[0119]
所述存储器51可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0120]
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，仅以上述各功
能单元、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功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以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。另外，各功能单元、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。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0121]
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述或记载的部分，可以参见其它实施例的相关描述。
[0122]
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方式来执行，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。
[0123]
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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，机械或其它的形式。
[0124]
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。
[0125]
另外，在本申请各个实施例中的各功能单元可以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。
[0126]
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、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-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读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，计算机可读介质不包括电载波信号和电信信号。
[0127]
本申请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产品来实现，当计算机程序产品在电子设备上运行时，使得所述电子设备执行时实现可实现上述各个方法实施例中的步骤。
[0128]
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。