图像识别方法和装置与流程

1.本公开涉及人工智能领域，尤其涉及深度学习、图像分类、智能媒体技术领域，具体涉及一种图像识别模型的训练方法及其装置、图像识别方法及其装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质、以及计算机程序产品。


背景技术：

2.图像分类作为深度学习的重要应用领域得到了发展。随着训练规模的增大，存在标注数据成本高的问题。在应用时，容易获取大量未标注数据，所以如何基于小部分已标注图像准确识别大量未标注图像成为人们研究的重点。比如，图像分类任务中只有10w张已标注图像，但是有100w张未标注图像，如果可以解决该问题，那么只需要原来十分之一或者五分之一的标注图像就可以达到原来的准确识别率，这将降低实际应用中标注图像的工作量。


技术实现要素：

3.本公开提供了一种图像识别模型的训练方法及其装置、图像识别方法及其装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质、以及计算机程序产品。
4.根据本公开的一方面，提供了一种图像识别模型的训练方法，包括：
5.根据第一损失函数，利用具有类别标签的第一图像对图像识别模型进行训练，得到第一图像识别模型；
6.将无标签的第二图像输入所述第一图像识别模型，得到所述第二图像被分类为所述类别的第一评估值；
7.在所述第一评估值大于第一预定阈值的情况下，将所述类别标签添加至所述第二图像，得到具有所述类别标签的第二图像；以及
8.根据第二损失函数，利用所述具有类别标签的第二图像训练所述第一图像识别模型，得到经训练的图像识别模型。
9.根据本公开的另一方面，提供了一种图像识别方法，包括：
10.将目标图像输入图像识别模型，得到针对所述目标图像的识别结果；
11.其中，所述图像识别模型是利用根据上述本公开实施例的图像识别模型的训练方法训练的。
12.根据本公开的另一方面，提供了一种图像识别模型的训练装置，包括：
13.第一训练单元，被配置为根据第一损失函数，利用具有类别标签的第一图像对图像识别模型进行训练，得到第一图像识别模型；
14.评估单元，被配置为将无标签的第二图像输入所述第一图像识别模型，得到所述第二图像被分类为所述类别的第一评估值；
15.添加单元，被配置为在所述第一评估值大于第一预定阈值的情况下，将所述类别标签添加至所述第二图像，得到具有所述类别标签的第二图像；以及
16.第二训练单元，被配置为根据第二损失函数，利用所述具有类别标签的第二图像训练所述第一图像识别模型，得到经训练的图像识别模型。
17.根据本公开的另一方面，提供了一种图像识别装置，包括：
18.输入单元，被配置为将目标图像输入图像识别模型，得到针对所述目标图像的识别结果；
19.其中，所述图像识别模型是利用根据本公开实施例的图像识别模型的训练方法训练的。
20.根据本公开的另一方面，提供了一种电子设备，包括：
21.至少一个处理器；以及
22.与所述至少一个处理器通信连接的存储器；其中，
23.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例图像识别模型的训练方法和图像识别方法。
24.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例图像识别模型的训练方法和图像识别方法。
25.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开实施例图像识别模型的训练方法和图像识别方法。
26.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
27.附图用于更好地理解本方案，不构成对本公开的限定。其中：
28.图1是根据本公开实施例的可以执行图像识别模型的训练方法和图像识别方法的系统架构的示意图；
29.图2是根据本公开实施例的图像识别模型的训练方法的示意流程图；
30.图3是根据本公开实施例的图像识别模型的训练方法中的获得第一损失函数值的示意流程图；
31.图4是根据本公开实施例的根据第二损失函数利用具有类别标签的第二图像训练第一图像识别模型得到经训练的图像识别模型的详细操作的示意流程图；
32.图5是根据本公开实施例的图像识别模型的训练方法的附加处理的示意流程图；
33.图6是根据本公开的实施例的图像识别方法的示意流程图；
34.图7是根据本公开的实施例的图像识别模型的训练装置的结构图；
35.图8是根据本公开的实施例的图像识别装置的结构图；
36.图9是用来实现本公开实施例的图像识别模型的训练方法和图像识别方法的电子设备的框图。
具体实施方式
37.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
38.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/
39.或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
40.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
41.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和
42./或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”43.这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
44.应注意，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
45.本公开的实施例提供了一种图像识别模型的训练方法和能够实现该方法的装置，能够利用图像识别模型，基于少量的具有类别标签的图像对大量的无标签的图像进行识别并且基于新识别的图像来进一步训练图像识别模型。图像识别模型的训练方法包括：根据第一损失函数，利用具有类别标签的第一图像对图像识别模型进行训练，得到第一图像识别模型；将无标签的第二图像输入第一图像识别模型，得到第二图像被分类为类别的第一评估值；在第一评估值大于第一预定阈值的情况下，将所述类别标签添加至第二图像，得到具有类别标签的第二图像；以及根据第二损失函数，利用具有类别标签的第二图像训练第一图像识别模型，得到经训练的图像识别模型。
46.以下将参考附图并结合具体实施例详细阐述本公开。
47.图1是根据本公开实施例的可以执行图像识别模型的训练方法和图像识别方法的系统架构100的示意图。
48.需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
49.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
50.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如用户反馈应用、企业办公软件、企业内通信软件等。
51.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
52.服务器105可以是提供各种服务的服务器。
53.需要说明的是，本公开实施例所提供的图像识别模型的训练方法和图像识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的执行图像识别模型的训练方法和图像识别方法的单元或模块可以设置于服务器105中。本公开实施例所提供的图像识别模型的训练方法和图像识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的执行图像识别模型的训练方法和图像识别方法的单元或模块也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
54.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
55.本公开的实施例通过基于少量的具有类别标签的第一图像对大量无标签的第二图像进行识别，并且基于新识别出的具有类别标签的第二图像来进一步对图像识别模型进行训练，从而能够实现以少量的具有类别标签的第一图像为基础以高精度识别大量无标签图像的技术效果，并有效减少人工对大量图像添加标签的工作量。
56.图2是根据本公开实施例的图像识别模型的训练方法的示意流程图200。
57.如图2所示，流程图200例如可以包括如下操作。
58.在操作s210中，可以根据第一损失函数，利用具有类别标签的第一图像对图像识别模型进行训练，得到第一图像识别模型。
59.在操作s220中，可以将无标签的第二图像输入第一图像识别模型，得到第二图像被分类为该类别的第一评估值。
60.在示例性实施例中，第一评估值可以是预测分数。
61.在示例性实施例中，预测分数可以是包含多个数值的集合中的最大值。
62.例如，假设对于第一图像和第二图像存在10个类别(a1，a2，a3，a4，a5，a6，a7，a8，a9，a10)，当将某一第二图像输入第一图像识别模型时，第一图像识别模型可以输出数值集合(0.8，0.3，0.2，0.1，0.5，0.6，0.7，0，0，0)，其中“0.8”指示第二图像属于类别“a1”的概率为0.8，“0.3”指示第二图像属于类别“a2”的概率为0.3，“0.2”指示第二图像属于类别“a3”的概率为0.2，“0.1”指示第二图像属于类别“a4”的概率为0.1，“0.5”指示第二图像属于类别“a5”的概率为0.5，“0.6”指示第二图像属于类别“a6”的概率为0.6，“0.7”指示第二图像属于类别“a7”的概率为0.7，“0”指示第二图像属于类别“a8”、“a9”和“a10”的概率为0。此时，将最大概率值“0.8”对应的类别“a1”确定为第二图像的类别。
63.此时，例如，针对第二图像的预测分数是0.8。
64.在操作s230中，可以在第一评估值大于第一预定阈值的情况下，将类别标签添加至第二图像，得到具有类别标签的第二图像。
65.在示例性实施例中，第一预定阈值可以是0.7。
66.继续上述示例，在0.8大于0.7的情况下，将与“0.8”对应的类别“a1”添加到第二图像。
67.在操作s230中，可以根据第二损失函数，利用具有类别标签的第二图像训练第一
图像识别模型，得到经训练的图像识别模型。
68.在示例性实施例中，第一损失函数和第二损失函数可以是不同的损失函数。
69.在示例性实施例中，为了增加图像的差异性以提高图像识别模型对图像识别的准确率，可以在将图像输入到图像识别模型之前，预先对图像进行处理。
70.在示例性实施例中，可以预先对已经具有类别标签的第一目标图像(例如，具有类别标签的第一图像或者被添加了类别标签的第二图像)进行第一图像增强，得到图像增强后的第一图像。
71.在示例性实施例中，第一图像增强可以是弱图像增强。
72.弱图像增强指的是对图像有50％概率进行水平翻转。
73.在示例性实施例中，可以预先对无标签的第二目标图像(例如，无标签的第二图像)进行图像增强，得到图像增强后的无标签的图像。
74.在示例性实施例中，预先对无标签的第二目标图像执行的图像增强可以是弱图像增强和/或弱图像增强与强图像增强的组合。这将在下文更详细地描述。
75.根据本公开的实施例，通过基于少量的具有类别标签的第一图像对大量无标签的第二图像进行识别，并且基于新识别出的具有类别标签的第二图像来进一步对图像识别模型进行训练，能够实现以少量的具有类别标签的第一图像为基础，以高精度识别大量无标签图像的技术效果，从而能够有效减少人工对大量图像添加标签的工作量。
76.图3是根据本公开实施例的图像识别模型的训练方法中的获得第一损失函数值的示意流程图300。
77.如图3所示，流程图300例如可以包括如下操作。
78.在操作310中，对具有类别标签的第一图像进行弱图像增强处理。
79.在操作320中，将经弱图像增强后的第一图像输入到图像识别模型中，以获得图像识别模型针对第一图像识别的类别的评估值。
80.在操作330中，利用第一函数基于评估值和第一图像的类别标签获得第一损失函数值。
81.在示例性实施例中，用于获得第一损失函数值的类别标签是未经弱图像增强处理前第一图像的已标注的类别标签。
82.在示例性实施例中，第一损失函数值和带有类别标签的第一图像被反馈给图像识别模型，以对图像识别模型进行训练，调节图像识别模型中的参数。
83.本公开的实施例基于带有类别标签的图像训练图像识别模型，从而使得图像识别模型更加完备。
84.图4是根据本公开实施例的根据第二损失函数利用具有类别标签的第二图像训练第一图像识别模型得到经训练的图像识别模型的详细操作的示意流程图400。
85.如图4所示，流程图400例如可以包括如下操作。
86.在操作s410中，对无标签的第二图像进行第一图像增强处理。
87.在示例性实施例中，第一图像增强可以是弱图像增强。
88.在操作s420中，将经第一图像增强后的第二图像输入到第一图像识别模型中，以获得第二图像被分类为类别的第一评估值。
89.在操作s430中，确定第一评估值是否大于或等于第一预定阈值。
90.在示例性实施例中，第一预定阈值可以是0.7或者更大。
91.在示例性实施例中，在第一评估值小于第一预定阈值的情况下(s430中的“否”)，处理进行到操作s440。
92.在操作s440中，跳过该第二图像，不再对其进行任何处理。
93.在示例性实施例中，在第一评估值大于或等于第一预定阈值的情况下(s430中的“是”)，处理进行到操作s450。
94.在操作s450中，将类别标签添加至第二图像，得到具有类别标签的第二图像。
95.在操作s460中，对无标签的第二图像进行第二图像增强，得到经第二图像增强的第二图像。
96.在示例性实施例中，第二图像增强可以强图像增强。
97.在示例性实施例中，强图像增强可以是从多种图像增强(包括图像旋转、图像剪切、图像直方图归一化、图像黑白化、图像高斯模糊等)中随机选择的两种图像增强的组合。
98.在操作s470中，将经第二图像增强后的第二图像输入到第一图像识别模型中，以获得第二评估值。
99.在示例性实施例中，如第一评估值那样，第二评估值可以是指示第一图像识别模型针对经第二图像增强后的第二图像被分类的类别计算的预测分数。
100.在操作s480中，根据第二损失函数，利用第二评估值和类别标签得到第二损失函数值。
101.在示例性实施例中，第二损失函数可以与第一损失函数不同。
102.在另一示例性实施例中，第二损失函数可以与第一损失函数相同。
103.在操作s490中，根据第二损失函数值训练第一图像识别模型，得到经训练的图像识别模型。
104.本公开的实施例通过对第二图像分别执行弱图像增强和强图像增强，能够显著提高图像识别模型的识别能力。
105.此外，由于在第一评估值大于或等于第一预定阈值之后才执行强图像增强，由此可以显著减少资源占用和能耗。
106.本领域技术人员应理解，尽管上面按顺序示出了各个步骤，但是上面所示的各种步骤可以被重新排序、增加或删除。例如，本发公开中记载的各步骤可以并行地执行，也可以顺序地执行，也可以以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
107.在图4中所示的示例性实施例中，在第一评估值大于或等于第一预定阈值的情况下，才执行操作s450至操作s470。
108.在另一示例性实施例中，可以省略操作s430，并且操作s460至操作s470可以与操作s410至操作s420并行执行。
109.本公开的该实施例由于并行执行强图像增强和弱图像增强，可以显著缩短处理时间。
110.图5是根据本公开实施例的图像识别模型的训练方法的附加处理的示意流程图500。
111.如图5所示，流程图500例如可以包括如下操作。
112.在操作s510中，根据第一损失函数值和第二损失函数值，得到第三损失函数值，其中，第一损失函数值是根据第一损失函数得到的，第二损失函数值是根据第二损失函数得到的。
113.在示例性实施例中，用于获得第二损失函数值的类别标签是在如操作s450中向第二图像添加的类别标签。
114.在示例性实施例中，第三损失函数值与第一损失函数值和第二损失函数值之间的关系表达式可以如下所示。
115.l＝k+a*h
116.其中，l表示第三损失函数值，k表示第一损失函数值，h表示第二损失函数值，a是常数。
117.在示例性实施例中，a可以是10。
118.在示例性实施例中，a可以根据需求任意改变。
119.本领域技术人员可以理解，第一损失函数和第二损失函数可以使用各种损失函数，例如l2范数、交叉熵函数等。本公开实施例不对此进行限制。
120.在操作s520中，在第三损失函数值小于第二预定阈值的情况下，将对应训练得到的第一图像识别模型作为经训练的图像识别模型。
121.在示例性实施例中，第二预定阈值可以是0.3或者更小。
122.在示例性实施例中，第二预定阈值可以根据需求任意改变。
123.在示例性实施例中，在第三损失函数小于第二预定阈值的情况下，表明此时第一图像识别模型已经达到基本上理想的状态，此时可以停止继续对第一图像和第二图像进行处理。
124.本公开的实施例能够通过利用第三损失函数值来判定图像识别模型对包含第一图像和第二图像的大批量图像的处理程度，由此能够更直观且更直接地控制图像识别模型对未带标签的第二图像的识别精度。
125.图6是根据本公开的实施例的图像识别方法的示意流程图600。
126.如图6所示，流程图600例如可以包括操作s610。
127.在操作s610中，将目标图像输入图像识别模型，得到针对目标图像的识别结果，其中，图像识别模型是利用根据操作s200至s500描述的方法训练的。
128.图7是根据本公开的实施例的图像识别模型的训练装置700的结构图。
129.如图7所示，图像识别模型的训练装置700可以包括第一训练单元710、评估单元720、添加单元730以及第二训练单元730。
130.第一训练单元710可以被配置为根据第一损失函数，利用具有类别标签的第一图像对图像识别模型进行训练，得到第一图像识别模型。
131.评估单元720可以被配置为将无标签的第二图像输入第一图像识别模型，得到第二图像被分类为类别的第一评估值。
132.添加单元730可以被配置为在第一评估值大于第一预定阈值的情况下，将类别标签添加至第二图像，得到具有类别标签的第二图像。
133.第二训练单元740可以被配置为根据第二损失函数，利用具有类别标签的第二图像训练第一图像识别模型，得到经训练的图像识别模型。
134.在示例性实施例中，第一训练单元710和第二训练单元720可以是同一单元。
135.在示例性实施例中，第一训练单元还可以包括第一处理子单元，第一处理子单元可以被配置为对具有类别标签的第一目标图像进行第一图像增强，得到第一图像。
136.在示例性实施例中，第一训练单元还可以包括第二处理子单元，第二处理子单元可以被配置为对无标签的第二目标图像进行第一图像增强，得到无标签的第二图像。
137.在示例性实施例中，第二训练单元还可以包括第三处理子单元、输入子单元、计算子单元和训练子单元。
138.在示例性实施例中，第三处理子单元可以被配置为对无标签的第二目标图像进行第二图像增强，得到经第二图像增强的第二图像。
139.输入子单元可以被配置为将经第二图像增强的第二图像输入第一图像识别模型，得到第二评估值。
140.计算子单元可以被配置为根据第二损失函数，利用第二评估值和类别标签得到第二损失函数值。
141.训练子单元可以被配置为根据第二损失函数值训练第一图像识别模型，得到经训练的图像识别模型。
142.在示例性实施例中，训练装置还可以包括计算单元和确定单元。
143.计算单元可以被配置为根据第一损失函数值和第二损失函数值，得到第三损失函数值，其中，第一损失函数值是根据第一损失函数得到的，第二损失函数值是根据所述第二损失函数得到的。
144.确定单元可以被配置为在第三损失函数值小于第二预定阈值的情况下，将对应训练得到的第一图像识别模型作为经训练的图像识别模型。
145.本公开的实施例通过基于少量的具有类别标签的第一图像对大量无标签的第二图像进行识别，并且基于新识别出的具有类别标签的第二图像来进一步对图像识别模型进行训练，从而能够实现以少量的具有类别标签的第一图像为基础以高精度识别大量无标签图像的技术效果，从而能够有效减少人工对大量图像添加标签的工作量。
146.图8是根据本公开的实施例的图像识别装置800的结构图。
147.如图8所示，训练图像识别模型的装置800可以包括输入单元810，输入单元810可以被配置为将目标图像输入图像识别模型，得到针对目标图像的识别结果，其中，图像识别模型是利用根据本公开实施例的训练装置训练的。
148.图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
149.如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至
总线904。
150.设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
151.计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法、处理和操作，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
152.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
153.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
154.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
155.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来
将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
156.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
157.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
158.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
159.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。