实例检索模型微调方法、装置、计算机设备及存储介质与流程

1.本发明涉及孪生网络，更具体地说是指实例检索模型微调方法、装置、计算机设备及存储介质。


背景技术：

2.在深度学习领域中，模型的性能极大地依赖于数据的数量；给定预训练模型，基于该模型进行训练和调整形成目标模型，正常情况下常用的预训练模型是已调试好的网络，无需再修改其网络结构，模型已经具备了提取浅层基础特征和深层抽象特征的能力。
3.但是在实际场景中，往往只拥有少量数据，但数据类型相似，直接使用预训练模型的效果不佳；而从头开始训练模型，数据量远远少于模型的参数，容易产生过拟合现象，并且重复训练浪费计算资源与时间成本。
4.因此，有必要设计一种新的方法，实现对模型的微调，达到少量的训练数据也可以获取到收敛的模型，且计算资源和时间成本低。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提供实例检索模型微调方法、装置、计算机设备及存储介质。
6.为实现上述目的，本发明采用以下技术方案：实例检索模型微调方法，包括：获取新场景的训练数据；根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果；根据所述分类结果检索微调策略，以得到微调方案；根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型；输出所述目标模型。
7.其进一步技术方案为：所述根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果，包括：对所述训练数据进行物理特点和语义特点的提取，以确定场景特征；根据所述场景特征确定场景类别，以得到分类结果。
8.其进一步技术方案为：所述微调方案包括数据增强手段、模型超参数、损失函数以及训练策略。
9.其进一步技术方案为：所述根据所述分类结果检索微调策略，以得到微调方案，包括：根据所述分类结果确定数据增强手段；根据所述分类结果确定模型超参数；根据所述分类结果确定损失函数；根据所述分类结果确定训练策略。
10.其进一步技术方案为：所述根据所述分类结果确定损失函数，包括：
根据所述分类结果确定所述场景与预训练模型场景的差异性；当差异性超过阈值，则确定损失函数为刻画样本类别间差异的函数，当差异性不超过阈值，则确定损失函数为刻画类内差距的函数。
11.本发明还提供了实例检索模型微调装置，包括：数据获取单元，用于获取新场景的训练数据；场景分类单元，用于根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果；策略确定单元，用于根据所述分类结果检索微调策略，以得到微调方案；再训练单元，用于根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型；输出单元，用于输出所述目标模型。
12.其进一步技术方案为：所述场景分类单元包括：提取子单元，用于对所述训练数据进行物理特点和语义特点的提取，以确定场景特征；类别确定子单元，用于根据所述场景特征确定场景类别，以得到分类结果。
13.其进一步技术方案为：所述策略确定单元包括：手段确定子单元，用于根据所述分类结果确定数据增强手段；超参数确定子单元，用于根据所述分类结果确定模型超参数；损失函数确定子单元，用于根据所述分类结果确定损失函数；训练策略确定子单元，用于根据所述分类结果确定训练策略。
14.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
15.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
16.本发明与现有技术相比的有益效果是：本发明通过获取新场景的训练数据，对训练数据进行特征提取，确定场景类别，并检索与之匹配的微调策略，结合微调策略以及训练数据对预训练模型进行再次训练，以此确定目标模型，实现对模型的微调，达到少量的训练数据也可以获取到收敛的模型，且计算资源和时间成本低。
17.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
18.为了更清楚地说明本发明实施例技术方案，下面将对实施例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。
19.图1为本发明实施例提供的实例检索模型微调方法的应用场景示意图；图2为本发明实施例提供的实例检索模型微调方法的流程示意图；图3为本发明实施例提供的实例检索模型微调方法的子流程示意图一；图4为本发明实施例提供的实例检索模型微调方法的子流程示意图二；图5为本发明实施例提供的实例检索模型微调方法的子流程示意图三；
图6为本发明实施例提供的场景特点以及数据特点的示意图；图7为本发明实施例提供的实例检索模型微调装置的示意性框图；图8为本发明实施例提供的实例检索模型微调装置的场景分类单元的示意性框图；图9为本发明实施例提供的实例检索模型微调装置的策略确定单元的示意性框图；图10为本发明实施例提供的实例检索模型微调装置的损失函数确定子单元的示意性框图；图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.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”和
ꢀ“
包含”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。
22.还应当理解，在此本发明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发明。如在本发明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。
23.还应当进一步理解，在本发明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。
24.请参阅图1和图2，图1为本发明实施例提供的实例检索模型微调方法的应用场景示意图。图2为本发明实施例提供的实例检索模型微调方法的示意性流程图。该实例检索模型微调方法应用于服务器中。该服务器与终端进行数据交互，从终端获取新场景的训练数据，根据场景的不同特点设计选择不同的微调策略，并自动化检索满足要求的微调策略，组合生成整体的微调方案，实现预训练模型在新数据集上的快速迁移，而且实现对模型的微调，达到少量的训练数据也可以获取到收敛的模型，且计算资源和时间成本低。
25.图2是本发明实施例提供的实例检索模型微调方法的流程示意图。如图2所示，该方法包括以下步骤s110至s150。
26.s110、获取新场景的训练数据。
27.在本实施例中，训练数据是指用于训练预训练模型的数据。另外，新场景是指与预训练模型之前训练的场景不同的场景，比如原先的预训练模型的训练数据针对的场景是光线明亮场景下的图像中人物识别，此时新场景可以是光线较暗的场景下的图像中人物识别等。
28.s120、根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果。
29.在本实施例中，分类结果是指该场景下数据微调程度的参考指标。
30.在一实施例中，请参阅图3，上述的步骤s120可包括步骤s121~s122。
31.s121、对所述训练数据进行物理特点和语义特点的提取，以确定场景特征。
32.在本实施例中，场景特征是指属于场景的专属特征，请参阅图6，场景特征可包括场景特点以及数据特点，而场景特点可以包括物理特点，比如光照、对比度以及色度等，还可以包括语义特点，比如目标类别、背景环境以及关联类别等；数据特点可以包括物理特点，比如颜色空间、边缘形态、目标大小以及表面质感等，还可以包括语义特点，比如与其他设备级联、缺陷类型以及目标型号特点等。
33.具体地，对于场景特点的物理特点，比如确定数据所在场景的光照程度，确定新场景在高光照、一般光照还是低光照环境，从而确定微调策略可以选择相应的手段，应对光照条件；对于场景特点的语义特点，通过统计方法或者特征工程，确定新场景中所针对的目标的类别，背景环境中填充信息的种类，以及物体间的关联信息，从而确定与旧场景中背景特征的相似性，为微调训练的更新方向与幅度提供参考；对于数据特点中的物理特点，如颜色空间，可通过颜色直方图统计像素信息，提取全局或者局部的特征；统计像素间的梯度信息，提取数据边缘变化程度信息；统计新数据目标类别的尺寸，确定新场景下属于大目标或者小目标检索任务；数据语义特点，缺陷类型，是否是已有目标新的缺陷类型，或者是新目标的新缺陷类型，以及同类目标的型号间差异，从而确定损失函数是否强调类内差距，以及学习不同类别间差距的程度。
34.s122、根据所述场景特征确定场景类别，以得到分类结果。
35.在本实施例中，根据场景特点、数据特点各自的物理特点、语义特点，对微调训练进行特征提取，根据实际场景为微调任务中策略手段的选择提供参考指标，根据此参考指标，微调任务自动化地从预设的微调策略仓库中，自动检索构建策略仓库中适应的策略，并组合产生整体微调方案。
36.s130、根据所述分类结果检索微调策略，以得到微调方案。
37.在本实施例中，微调方案是指从预设的微调策略仓库中根据分类结果确定的微调策略。
38.具体地，所述微调方案包括数据增强手段、模型超参数、损失函数以及训练策略。
39.在一实施例中，请参阅图4，上述的步骤s130可包括步骤s131~ s134。
40.s131、根据所述分类结果确定数据增强手段。
41.在本实施例中，数据增强手段是指符合该场景的数据增强的技术。
42.适当的数据增强手段可以显著提升模型训练效果，根据电网场景，手动挑选、设计针对不同场景或者不同要求下的数据增强手段，比如新场景为小目标样本的场景，则采用crop操作，将正例目标单独剪裁作为输入样本；新场景与预训练模型差距较大，即型号差距大或者背景差距大，则采用random affine操作，可适应不同场景的微调任务。对每种特征使用公开数据集训练一个分类网络-采用mobilenet等轻量化网络进行二元分类，确定场景类型。
43.对场景特点、数据特点的每一个特点，设计判别模块，如采用深度学习模型，根据公开数据集训练一个轻量化神经网络，比如mobilenet，获取一个判别模型，可以区分场景特点类型，比如训练一个高光照判别模型，对新的场景判别是否属于高亮度场景，从而为采用针对高光照或者低光照场景的数据增强手段提供判断指标。
44.从分类结果的场景差异度选择符合该微调任务要求的数据增强方式，保证训练的
可靠性与速率。
45.s132、根据所述分类结果确定模型超参数。
46.在本实施例中，模型超参数是指符合该场景的孪生网络训练中各阶段所应用的超参数。
47.具体地，根据电网场景，手动设计合适的epoch数量，如根据场景与预训练模型相似程度不同，从少到多设计不同epoch数量分级、学习率设置大小和动态变化策略比如恒定学习率策略、指数衰减策略、余弦周期变化策略、退火变化策略；保留的网络层数；各层网络参数保留比例等孪生网络训练中各阶段所应用地超参数的方案，制定不同场景下的设置标准，依照新场景与预训练模型场景的相似程度，根据分类结果选择符合任务要求的超参数设置方案。
48.对场景特点、数据特点的每一个特点，设计判别模块，如采用深度学习模型，根据公开数据集训练一个轻量化神经网络，比如mobilenet，获取一个判别模型，可以区分场景特点类型，比如训练一个设备缺陷判别模型，对新的场景针对的缺陷目标，判别与预训练模型场景中设备缺陷的相似度，根据判别结果对新场景分类，再依据此指标，选择合适超参数组合，如对相似度高的场景，选择较小的学习率，较少的总训练迭代次数，以及变化幅度较小的学习率变换规律。
49.s133、根据所述分类结果确定损失函数。
50.在一实施例中，请参阅图5，上述的步骤s133可包括步骤s1331~s1332。
51.s1331、根据所述分类结果确定所述场景与预训练模型场景的差异性；s1332、当差异性超过阈值，则确定损失函数为刻画样本类别间差异的函数，当差异性不超过阈值，则确定损失函数为刻画类内差距的函数。
52.在本实施例中，根据数据的类间差距与类内差距，设置不同损失函数，比如bce loss、focal loss、tribelet loss等，当新场景与预训练模型场景差异较大，则采用bce loss后者focal loss，重点刻画样本类别间差异；当新场景与预训练模型场景差异较小时，则采用triblelet loss，重点刻画类内差距；可满足不同数据差异下的快速、精准特征提取。
53.具体地，根据新场景以及所述训练数据，在提取场景特征后，与预训练模型的场景以及所属数据的相应特征计算比对，综合不同特征间的相似度，确定新场景、新数据与已有预训练模型场景的差异性，用以指导损失函数的选择，以及损失函数采用的参数。
54.对场景特点、数据特点的每一个特点，设计判别模块，如采用深度学习模型，根据公开数据集训练一个轻量化神经网络，比如mobilenet，获取一个判别模型，可以区分场景特点类型，比如训练一个设备类型判别模型，对新的场景针对的设备型号，计算与预训练模型场景中设备型号的相似度，根据相似度结果对新场景分类，如属于新设备，抑或是已有设备的新缺陷类型或者新型号，再依据此指标，确定本次微调任务更关注类间误差或者类内误差，以此选择合适的损失函数，如对需要关注类内误差的场景任务，选择tribelet loss。
55.s134、根据所述分类结果确定训练策略。
56.在本实施例中，设置判断微调任务终止的条件，如果未达到最大epoch而满足终止条件，则停止微调任务，获得模型；根据任务等级分类，需调整的程度，自动检索保留原有预训练模型网络参数的层数、比例的冻结方案，减少优化的参数量，避免冗余训练占用计算资
源。
57.对场景特点、数据特点的每一个特点，设计判别模块，如采用深度学习模型，根据公开数据集训练一个轻量化神经网络，比如mobilenet，获取一系列判别模型，可以区分场景不同特点类型，针对背景环境相似度、设备型号相似度、设备缺陷相似度等特点进行二元分类，根据不同模型的分类结果，采用投票机制得到综合相似度指标，根据此指标选择相应的任务等级分类，每个等级中，对保留原有预训练模型网络参数的层数、比例的冻结方案进行区分，比如对相似度高的任务，保留更多预训练模型的参数，可只更新最后分类层的参数；设置更宽松的任务终止条件，如相邻两次的训练迭代的损失函数值的差值小于一个较大的阈值即可认为收敛而提前终止训练。
58.s140、根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型。
59.在本实施例中，目标模型是指符合该新场景的迁移模型。
60.s150、输出所述目标模型。
61.在电网场景中，对新类别的图像在已有预训练模型上，根据场景的不同特点，自适应选择微调策略，实现少量训练资源即可获得收敛的微调模型；针对不同场景下的电网数据，手动设计满足不同任务要求的微调策略，并根据具体场景自动检索适应的微调方案，实现快速获得在新数据下的良好性能孪生网络模型，节省计算资源，减少获取新模型时间。
62.本实施例的方法根据场景的不同特点设计选择不同的微调策略，并自动化检索满足要求的微调策略，组合生成整体微调任务方案，实现预训练大模型在新数据集上的快速迁移。构建不同场景下的微调策略手段集合，对不同场景下的微调任务自动检索微调手段，在保证模型迁移高性能效果的同时，降低计算资源消耗与时间占用，实现快速迁移。
63.上述的实例检索模型微调方法，通过获取新场景的训练数据，对训练数据进行特征提取，确定场景类别，并检索与之匹配的微调策略，结合微调策略以及训练数据对预训练模型进行再次训练，以此确定目标模型，实现对模型的微调，达到少量的训练数据也可以获取到收敛的模型，且计算资源和时间成本低。
64.图7是本发明实施例提供的一种实例检索模型微调装置300的示意性框图。如图7所示，对应于以上实例检索模型微调方法，本发明还提供一种实例检索模型微调装置300。该实例检索模型微调装置300包括用于执行上述实例检索模型微调方法的单元，该装置可以被配置于服务器中。具体地，请参阅图7，该实例检索模型微调装置300包括数据获取单元301、场景分类单元302、策略确定单元303、再训练单元304以及输出单元305。
65.数据获取单元301，用于获取新场景的训练数据；场景分类单元302，用于根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果；策略确定单元303，用于根据所述分类结果检索微调策略，以得到微调方案；再训练单元304，用于根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型；输出单元305，用于输出所述目标模型。
66.在一实施例中，如图8所示，所述场景分类单元302包括提取子单元3021以及类别确定子单元3022。
67.提取子单元3021，用于对所述训练数据进行物理特点和语义特点的提取，以确定场景特征；类别确定子单元3022，用于根据所述场景特征确定场景类别，以得到分类结果。
68.在一实施例中，如图9所示，所述策略确定单元303包括手段确定子单元3031、超参数确定子单元3032、损失函数确定子单元3033以及训练策略确定子单元3034。
69.手段确定子单元3031，用于根据所述分类结果确定数据增强手段；超参数确定子单元3032，用于根据所述分类结果确定模型超参数；损失函数确定子单元3033，用于根据所述分类结果确定损失函数；训练策略确定子单元3034，用于根据所述分类结果确定训练策略。
70.在一实施例中，如图10所示，所述损失函数确定子单元3033包括差异性确定模块30331以及函数确定模块30332。
71.差异性确定模块30331，用于根据所述分类结果确定所述场景与预训练模型场景的差异性；函数确定模块30332，用于当差异性超过阈值，则确定损失函数为刻画样本类别间差异的函数，当差异性不超过阈值，则确定损失函数为刻画类内差距的函数。
72.需要说明的是，所属领域的技术人员可以清楚地了解到，上述实例检索模型微调装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
73.上述实例检索模型微调装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。
74.请参阅图11，图11是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
75.参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
76.该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种实例检索模型微调方法。
77.该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
78.该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种实例检索模型微调方法。
79.该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
80.其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：获取新场景的训练数据；根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果；根据所述分类结果检索微调策略，以得到微调方案；根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型；输出所述目标模型。
81.其中，所述微调方案包括数据增强手段、模型超参数、损失函数以及训练策略。
82.在一实施例中，处理器502在实现所述根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果步骤时，具体实现如下步骤：
对所述训练数据进行物理特点和语义特点的提取，以确定场景特征；根据所述场景特征确定场景类别，以得到分类结果。
83.在一实施例中，处理器502在实现所述根据所述分类结果检索微调策略，以得到微调方案步骤时，具体实现如下步骤：根据所述分类结果确定数据增强手段；根据所述分类结果确定模型超参数；根据所述分类结果确定损失函数；根据所述分类结果确定训练策略。
84.在一实施例中，处理器502在实现所述根据所述分类结果确定损失函数步骤时，具体实现如下步骤：根据所述分类结果确定所述场景与预训练模型场景的差异性；当差异性超过阈值，则确定损失函数为刻画样本类别间差异的函数，当差异性不超过阈值，则确定损失函数为刻画类内差距的函数。
85.应当理解，在本技术实施例中，处理器502可以是中央处理单元 (central processing unit，cpu)，该处理器502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)、现成可编程门阵列 (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。其中，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。
86.本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
87.因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：获取新场景的训练数据；根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果；根据所述分类结果检索微调策略，以得到微调方案；根据所述微调方案，利用训练数据对预训练模型进行再训练，以得到目标模型；输出所述目标模型。
88.其中，所述微调方案包括数据增强手段、模型超参数、损失函数以及训练策略。
89.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述训练数据提取场景特征，并进行场景分类，以得到分类结果步骤时，具体实现如下步骤：对所述训练数据进行物理特点和语义特点的提取，以确定场景特征；根据所述场景特征确定场景类别，以得到分类结果。
90.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述分类结果检索微调策略，以得到微调方案步骤时，具体实现如下步骤：根据所述分类结果确定数据增强手段；根据所述分类结果确定模型超参数；根据所述分类结果确定损失函数；根据所述分类结果确定训练策略。
91.在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述分类结果确定损失函数步骤时，具体实现如下步骤：根据所述分类结果确定所述场景与预训练模型场景的差异性；当差异性超过阈值，则确定损失函数为刻画样本类别间差异的函数，当差异性不超过阈值，则确定损失函数
为刻画类内差距的函数。
92.所述存储介质可以是u盘、移动硬盘、只读存储器（read-only memory，rom）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
93.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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
94.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，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。
95.本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。
96.该集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
97.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。