一种模型迭代方法、第二电子设备及存储介质

摘要

本申请实施例提供一种模型迭代方法、第二电子设备及存储介质，该模型迭代方法包括：获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，算法注册信息包括预设的训练模型所需的信息；基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备；获取第一模型在第二电子设备中的存储路径；发送存储路径至第一电子设备。

说明书

技术领域

本申请涉及但不限于计算机技术领域，尤其涉及一种模型迭代方法、第二电子设备及存储介质。

背景技术

目前随着人工智能技术的发展，越来越多的智能系统出现在各个应用领域。算法模型是智能系统的核心，在实际运行过程中，智能系统将遇到越来越多的新数据。为了保持智能系统的准确率，往往需要根据新数据进行模型迭代。在现阶段，模型迭代工作主要由人工完成。然而，模型迭代依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作。

申请内容

本申请实施例提供一种模型迭代方法、第二电子设备及存储介质，以解决相关技术中模型迭代依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作的问题，实现模型迭代流程自动化，大大减少人工投入，提升模型迭代效率和准确性。

本申请实施例的技术方案是这样实现的：

一种模型迭代方法，所述方法包括：

获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，所述算法注册信息包括预设的训练模型所需的信息；

基于所述数据集和所述算法注册信息，训练得到符合预设标准的第一模型，并存储所述第一模型至第二电子设备；

获取所述第一模型在所述第二电子设备中的存储路径；

发送所述存储路径至所述第一电子设备。

可选的，所述方法还包括：

通过第二电子设备中的代理服务接口对所述数据集进行格式转换处理，得到具有预设格式的目标数据集；其中，所述预设格式为所述第二电子设备中的Kubernets集群所处理的数据具有的格式；

相应的，所述基于所述数据集和所述算法注册信息，训练得到符合预设标准的第一模型，包括：

通过所述代理服务接口基于所述目标数据集和所述算法注册信息，训练得到所述第一模型。

可选的，所述方法还包括：

存储所述目标数据集至第二电子设备，并获取所述目标数据集的数据集路径；

相应的，所述通过所述代理服务接口基于所述目标数据集和所述算法注册信息，训练得到所述第一模型，包括：

通过所述代理服务接口基于所述数据集路径和所述算法注册信息，生成配置文件；

通过所述代理服务接口调用Kubernets应用程序接口，将所述配置文件发送给Kubernets集群；

获取所述Kubernets集群基于所述配置文件训练得到所述第一模型。

可选的，所述获取所述Kubernets集群基于所述配置文件训练得到所述第一模型，包括：

获取所述Kubernets集群基于所述配置文件训练得到的第二模型；

通过所述代理服务接口对所述第二模型进行评估，得到评估结果；

通过所述代理服务接口确定所述评估结果表征所述第二模型符合预设标准，将所述第二模型作为所述第一模型。

可选的，所述通过所述代理服务接口对所述第二模型进行评估，得到评估结果，包括：

通过所述代理服务接口基于所述算法注册信息，确定模型类别；

通过所述代理服务接口确定与所述模型类别匹配的目标算法；

通过所述代理服务接口基于所述目标算法，对所述第二模型进行评估，得到所述评估结果。

可选的，所述配置文件包括Docker镜像地址、所述数据集路径、预训练模型路径、训练代码路径、参数配置文件路径、模型输出路径。

可选的，所述方法还包括：

获取预训练模型和训练代码；

存储所述预训练模型和所述训练代码至对象存储中，并获得获取所述预训练模型的预训练模型路径，以及所述训练代码的训练代码路径。

可选的，所述存储所述第一模型至第二电子设备，包括：

存储所述第一模型至第二电子设备的对象存储中。

一种第二电子设备，所述第二电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令，实现如上述的模型迭代方法。

一种存储介质，其特征在于，存储有可执行指令，当所述可执行指令被执行时，用于引起处理器上述的模型迭代方法。

应用本申请实施例实现以下有益效果：模型迭代流程自动化，一方面可以立即响应模型迭代需求，另一方面可以大大减少人工投入，提升模型迭代效果和准确性。

因为获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，算法注册信息包括预设的训练模型所需的信息；基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备；获取第一模型在第二电子设备中的存储路径；发送存储路径至第一电子设备；如此，实现自动化的模型迭代流程，在第二电子设备训练得到与来自于第一电子设备的数据集匹配的第一模型后，发送第一模型的存储路径至第一电子设备，进而第一电子设备可以基于该存储路径快速获取第一模型；解决了相关技术中模型迭代依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作的问题，实现模型迭代流程自动化，大大减少人工投入，提升模型迭代效率和准确性。

附图说明

图1本申请实施例提供的一种模型迭代方法的流程示意图；

图2本申请实施例提供的一种模型迭代的架构示意图；

图3本申请实施例提供的另一种模型迭代方法的流程示意图；

图4本申请实施例提供的一种第二电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)应用容器引擎Docker，是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的Linux或Windows机器上，也可以实现虚拟化。

2)Kubernets，简称K8s，是用8代替8个字符“ubernete”而成的缩写，是一个开源的，用于管理云平台中多个主机上的容器化的应用；可以理解的，K8s可以用于管理Docker。

3)对象存储(Object Storage Service，OSS)，OSS同时兼具存储局域网(StorageArea Network，SAN)高级直接访问磁盘特点，以及网络附加存储(Nework AttaehedStorage，NAS)的分布式共享特点，很好的结合了块存储与文件存储的优点。

相关技术中，在现阶段，模型迭代工作主要由人工完成，包括以下步骤：(1)获取数据并按一定格式构建数据集；(2)配置模型训练环境；(3)设置训练参数，训练模型；(4)重复步骤(3)直到训练的模型满足要求；(5)将符合要求的模型加载到电子设备中完成上线。然而，通过上述方式实现模型迭代，依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作。

基于前述内容，本申请实施例提供一种模型迭代方法，该方法应用于第二电子设备，该方法通过图1中的步骤实现；本申请实施例中，第二电子设备可以理解为模型迭代平台，参见图2所示，第二电子设备可以包括代理服务Service Agent、OSS、K8s集群以及Docker Hub；其中，Service Agent负责提供通用的模型训练接口即Service Agent接口，该Service Agent接口用于自动化模型训练，串联第一电子设备(第一电子设备又称为客户端的智能系统)和底层训练流程，对调用方屏蔽算法训练细节，包含如下应用程序接口API：训练启动应用程序接口(Restful API)，Restful API用于启动一个完整的训练流程。接口参数包含数据集存储路径，模型所属分类(如图像分类，文本分类，物体检测等)，启动成功会返回唯一的模型唯一编号(Identity document，ID)用于训练结果获取。获取训练结果：在Service Agent监听到K8s训练完成后，支持通过回调，消息队列推送训练结果，同时也提供Restful API用于实时查询。可以理解地，第二电子设备服务于第一电子设备，在用户通过第一电子设备发送模型迭代请求至第二电子设备后，第二电子设备启动本申请所提供的模型迭代流程，最终，第二电子设备反馈训练好的第一模型的路径给第一电子设备，如此，用户便可以通过第一模型的路径获取第一模型。

本申请实施例中，参见图1所示，本申请所提供的模型迭代方法包括：

步骤101、获取模型训练的算法注册信息和来自于第一电子设备的数据集。

其中，算法注册信息包括预设的训练模型所需的信息。

本申请实施例中，算法注册信息可以理解为算法工程师根据用户需求，或者根据用户需求以及自己的需求，准备的训练模型所需的信息，并将这些所需的信息定义为一个完整的训练算法，所得到的信息。算法注册信息可以定义一pipeline。

这里，算法工程师可以通过如下操作，准备上述所需的信息：

第一步：配置能进行模型训练的系统及软件环境，并把该环境制作成Docker镜像；

第二步：制定训练数据集格式规范，训练代码按该格式规范处理数据集；

第三步：改造上述代码，将训练参数按一定格式编写成参数配置文件，并设置参数配置文件初始值，训练启动时从参数配置文件读取训练参数；

第四步：定义模型合格标准。如此，通过如上四步，最终得到的算法注册信息包括模型训练代码和预训练模型存储路径，Docker镜像地址，模型所属分类(如图像分类，文本分类，物体检测等)，参数配置文件路径。

本申请实施例中，在实时模型迭代方法之前，在第二电子设备上搭建K8s集群环境，搭建对象存储环境，并将预训练模型和训练代码放入对象存储中。

本申请实施例中，在实时模型迭代方法之前，还可以在第二电子设备上部署Service Agent，该Service Agent负责提供通用的模型训练接口用于自动化模型训练，串联第一电子设备和底层训练流程，对调用方屏蔽算法训练细节，Service Agent包含如下API：Restful API，用于启动一个完整的训练流程。接口参数包含数据集存储路径，模型所属分类(如图像分类，文本分类，物体检测等)，启动成功会返回唯一的模型ID用于训练结果获取。

在Service Agent监听到K8s训练完成后，支持通过回调，消息队列推送训练结果，同时也提供Restful API用于实时查询。

在实际应用中，第一电子设备的操作人员一键启动模型迭代流程。第一电子设备通过调用第二电子设备中的Service Agent，传入数据集路径和模型所属类别来启动训练。进而，第二电子设备可以基于数据集路径自于第一电子设备的数据集；第二电子设备还可以获取模型训练的算法注册信息，该算法注册信息可以是算法工程师预先设置好的，存储在第二电子设备中的信息。

步骤102、基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备。

本申请实施例中，预设标准是由用户根据自己的需求定义的。第二电子设备在获取到模型训练的算法注册信息和来自于第一电子设备的数据集的情况下，基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备。

步骤103、获取第一模型在第二电子设备中的存储路径。

本申请实施例中，第二电子设备训练得到符合预设标准的第一模型的情况下，可以存储第一模型，并确定第一模型在第二电子设备中的存储路径，该存储路径用于指示第一电子设备从存储路径对应的位置获取第一模型。

步骤104、发送存储路径至第一电子设备。

本申请实施例中，第二电子设备确定第一模型在第二电子设备中的存储路径后，发送存储路径至第一电子设备，如此，用户可以通过存储路径，快速从第二电子设备中获取第一模型。

本申请实施例所提供的模型迭代方法，获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，算法注册信息包括预设的训练模型所需的信息；基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备；获取第一模型在第二电子设备中的存储路径；发送存储路径至第一电子设备；如此，实现自动化的模型迭代流程，在第二电子设备训练得到与来自于第一电子设备的数据集匹配的第一模型后，发送第一模型的存储路径至第一电子设备，进而第一电子设备可以基于该存储路径快速获取第一模型；解决了相关技术中模型迭代依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作的问题，实现模型迭代流程自动化，大大减少人工投入，提升模型迭代效率和准确性。

根据前述实施例，本申请实施例提供一种模型迭代方法，该方法应用于第二电子设备，参见图3所示，该方法包括：

步骤201、获取模型训练的算法注册信息和来自于第一电子设备的数据集。

其中，算法注册信息包括预设的训练模型所需的信息。

步骤202、通过第二电子设备中的代理服务接口对数据集进行格式转换处理，得到具有预设格式的目标数据集。

其中，预设格式为第二电子设备中的K8s集群所处理的数据具有的格式。也就是说，第二电子设备在获取到来自于第一电子设备的数据集的情况下，通过第二电子设备中的Service Agent接口对数据集进行格式转换处理，得到K8s能够处理的预设格式的目标数据集。

本申请实施例中，第二电子设备在获得目标数据集的情况下，还可以存储目标数据集至第二电子设备，并获取目标数据集的数据集路径。这里，第二电子设备可以将目标数据集存储至OSS中。

本申请其他实施例中，第二电子设备还可以执行以下步骤：

第一步、获取预训练模型和训练代码。

第二步、存储预训练模型和训练代码至对象存储中，并获得获取预训练模型的预训练模型路径，以及训练代码的训练代码路径。也就是说，算法工程师通过第二电子设备准备训练模型所需的信息。

步骤203、通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型。

本申请实施例中，步骤203通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型，可以通过如下步骤实现：

步骤203a、通过代理服务接口基于数据集路径和算法注册信息，生成配置文件。

其中，配置文件包括应用容器引擎Docker镜像地址、数据集路径、预训练模型路径、训练代码路径、参数配置文件路径、模型输出路径。

步骤203b、通过代理服务接口调用K8s应用程序接口，将配置文件发送给K8s集群。

这里，第二电子设备通过Service Agent接口调用K8s API接口，将配置文件发送给K8s集群，以使得K8s集群进行模型训练；进一步地，在K8s集群进行模型训练的过程中，第二电子设备监听K8s相应事件获取Pod运行状态。可以理解的，Pod运行状态包括：运行中，运行完成以及运行失败。

步骤203c、获取K8s集群基于配置文件训练得到第一模型。

本申请实施例中，步骤203c获取K8s集群基于配置文件训练得到第一模型，可以包括如下步骤：

A1、获取K8s集群基于配置文件训练得到的第二模型。

A2、通过代理服务接口对第二模型进行评估，得到评估结果。

本申请实施例中，A2通过代理服务接口对第二模型进行评估，得到评估结果，包括如下步骤：

A21、通过代理服务接口基于算法注册信息，确定模型类别。

A22、通过代理服务接口确定与模型类别匹配的目标算法。

这里，第二电子设备通过Service Agent在数据库中查询pipeline注册信息，并根据模型所属分类匹配特定的目标算法。

A23、通过代理服务接口基于目标算法，对第二模型进行评估，得到评估结果。

A3、通过代理服务接口确定评估结果表征第二模型符合预设标准，将第二模型作为第一模型。

步骤204、存储第一模型至第二电子设备的对象存储中。

步骤205、获取第一模型在第二电子设备中的存储路径，并发送存储路径至第一电子设备。

这里，Service Agent获取到K8s训练完成的信息，异步通知或由第一电子设备查询训练结果，训练结果包含第一模型的存储路径和第一模型的评估结果。

本申请实施例中，若训练得到的模型不能满足用户需求则用户通过第一电子设备向第二电子设备发送请求，该请求用于指示由人工介入完成模型迭代。

由上述内容可知，本申请提供的第二电子设备通过Service Agent实现了数据集格式转换、pod启动、模型训练、模型评估、模型上线等环节的自动连接，由此，实现模型迭代流程自动化。进一步地，用预先定义标准、自动模型评估的方式实现部分情况下的全自动模型迭代。

需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。

基于前述实施例，本申请的实施例提供一种第二电子设备，该第二电子设备可以应用于图1、3对应的实施例提供的一种模型迭代方法中，参照图4示，该第二电子设备3包括：存储器31，用于存储可执行指令；

处理器32，用于执行存储器31中存储的可执行指令，实现以下步骤：

获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，算法注册信息包括预设的训练模型所需的信息；

基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备；

获取第一模型在第二电子设备中的存储路径；

发送存储路径至第一电子设备。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

通过第二电子设备中的代理服务接口对数据集进行格式转换处理，得到具有预设格式的目标数据集；其中，预设格式为第二电子设备中的K8s集群所处理的数据具有的格式；

相应的，基于数据集和算法注册信息，训练得到符合预设标准的第一模型，包括：

通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

存储目标数据集至第二电子设备，并获取目标数据集的数据集路径；

相应的，通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型，包括：

通过代理服务接口基于数据集路径和算法注册信息，生成配置文件；

通过代理服务接口调用K8s应用程序接口，将配置文件发送给K8s集群；

获取K8s集群基于配置文件训练得到第一模型。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

获取K8s集群基于配置文件训练得到的第二模型；

通过代理服务接口对第二模型进行评估，得到评估结果；

通过代理服务接口确定评估结果表征第二模型符合预设标准，将第二模型作为第一模型。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

通过代理服务接口基于算法注册信息，确定模型类别；

通过代理服务接口确定与模型类别匹配的目标算法；

通过代理服务接口基于目标算法，对第二模型进行评估，得到评估结果。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

配置文件包括应用容器引擎Docker镜像地址、数据集路径、预训练模型路径、训练代码路径、参数配置文件路径、模型输出路径。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

获取预训练模型和训练代码；

存储预训练模型和训练代码至对象存储中，并获得获取预训练模型的预训练模型路径，以及训练代码的训练代码路径。

本申请实施例中，处理器32用于执行存储器31中存储的可执行指令，以实现以下步骤：

存储第一模型至第二电子设备的对象存储中。

本申请实施例所提供的第二电子设备，实现了自动化的模型迭代流程，在第二电子设备训练得到与来自于第一电子设备的数据集匹配的第一模型后，发送第一模型的存储路径至第一电子设备，进而第一电子设备可以基于该存储路径快速获取第一模型；解决了相关技术中模型迭代依赖人工完成，不仅需要各方人员配合从而无法及时响应模型迭代需要，而且需要人工执行大量重复工作的问题，实现模型迭代流程自动化，大大减少人工投入，提升模型迭代效率和准确性。

需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、3对应的实施例提供的模型迭代方法中的实现过程，此处不再赘述。

基于前述实施例，本申请的实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：

获取模型训练的算法注册信息和来自于第一电子设备的数据集；其中，算法注册信息包括预设的训练模型所需的信息；

基于数据集和算法注册信息，训练得到符合预设标准的第一模型，并存储第一模型至第二电子设备；

获取第一模型在第二电子设备中的存储路径；

发送存储路径至第一电子设备。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

通过第二电子设备中的代理服务接口对数据集进行格式转换处理，得到具有预设格式的目标数据集；其中，预设格式为第二电子设备中的K8s集群所处理的数据具有的格式；

相应的，基于数据集和算法注册信息，训练得到符合预设标准的第一模型，包括：

通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

存储目标数据集至第二电子设备，并获取目标数据集的数据集路径；

相应的，通过代理服务接口基于目标数据集和算法注册信息，训练得到第一模型，包括：

通过代理服务接口基于数据集路径和算法注册信息，生成配置文件；

通过代理服务接口调用K8s应用程序接口，将配置文件发送给K8s集群；

获取K8s集群基于配置文件训练得到第一模型。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

获取K8s集群基于配置文件训练得到的第二模型；

通过代理服务接口对第二模型进行评估，得到评估结果；

通过代理服务接口确定评估结果表征第二模型符合预设标准，将第二模型作为第一模型。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

通过代理服务接口基于算法注册信息，确定模型类别；

通过代理服务接口确定与模型类别匹配的目标算法；

通过代理服务接口基于目标算法，对第二模型进行评估，得到评估结果。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

配置文件包括应用容器引擎Docker镜像地址、数据集路径、预训练模型路径、训练代码路径、参数配置文件路径、模型输出路径。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

获取预训练模型和训练代码；

存储预训练模型和训练代码至对象存储中，并获得获取预训练模型的预训练模型路径，以及训练代码的训练代码路径。

在本申请的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，还可以实现以下步骤：

存储第一模型至第二电子设备的对象存储中。

需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、3对应的实施例提供的模型迭代方法中的实现过程，此处不再赘述。

应理解，说明书通篇中提到的“本申请实施例”或“前述实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“本申请实施例中”或“在前述实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中应。在本申请的各种实施例中，上述各过程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。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在未做特殊说明的情况下，电子设备执行本申请实施例中的任一步骤，可以是电子设备的处理器执行该步骤。本申请实施例并不限定电子设备执行下述步骤的先后顺序。本申请实施例中的任一步骤是电子设备可以独立执行的，即电子设备执行下述实施例中的任一步骤时，可以不依赖于其它步骤的执行。

需要说明的是，上述处理器可以为特定用途集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

需要说明的是，上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。