1.本公开涉及人工智能技术领域，尤其涉及一种基于稀疏矩阵算法的图像模型优化方法及装置。
背景技术：
2.深度学习的发展得益于庞大的数据量。针对图像领域来说，基于庞大的图像数据量所训练的图像模型容易收敛到优化空间更为尖锐的局部最优解，这使得图像模型泛化能力变弱。
3.在图像模型泛化能力变弱的情况下，会导致图像模型对图像进行识别的准确率下降，例如，在对图像模型的训练集中不包括的图像数据进行识别的情况下，也就是在图像模型对未识别过的图像数据进行识别的情况下，泛化能力越弱，会导致对于图像数据识别的准确率越低。又例如，在图像模型对分辨率较低的图像数据进行识别的情况下，泛化能力越弱，会导致对于图像数据的识别的准确率越低。
4.因此，亟需一种能够提高图像模型的泛化能力，从而提高图像识别的准确率的方法。
技术实现要素：
5.本公开提供一种基于稀疏矩阵算法的图像模型优化方法及装置，用以解决现有技术中图像模型的泛化能力差的缺陷，实现进一步提高图像模型的泛化能力。
6.本公开提供一种基于稀疏矩阵算法的图像模型优化方法，包括：
7.将预先获取的图像训练集输入当前待优化图像模型进行训练，并获取所述当前待优化图像模型对应的待处理扰动参数，其中，所述待处理扰动参数为基于所述当前待优化图像模型的参数获得的参数；
8.获取当前稀疏掩码，其中，所述当前稀疏掩码为表征所述当前待优化图像模型的当前优化状态的稀疏掩码；
9.基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数，并基于所述当前扰动参数，采用随机梯度下降的方法，得到更新模型参数；
10.在所述更新模型参数对应的图像模型未收敛的情况下，将所述更新模型参数对应的图像模型作为当前待优化图像模型，并返回所述将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，直至所述当前待优化图像模型收敛，得到已优化图像模型，其中，所述已优化图像模型用于对待处理图像进行图像识别。
11.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，在所述获取当前稀疏掩码的步骤之前，所述方法还包括：
12.判断待确定稀疏掩码是否需要更新，其中，所述待确定稀疏掩码为表征所述当前待优化图像模型的上一优化状态的稀疏掩码；
13.在确定所述待确定稀疏掩码需要更新的情况下，基于稀疏度获取更新稀疏掩码，
并将所述更新稀疏掩码作为当前稀疏掩码，其中，所述稀疏度为所述待确定稀疏掩码的稀疏度；
14.在确定所述待确定稀疏掩码不需要更新的情况下，将所述待确定稀疏掩码作为当前稀疏掩码。
15.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述获取所述当前待优化图像模型对应的待处理扰动参数的步骤，包括：
16.从所述图像训练集中抽取预设数量个图像训练样本，作为待处理图像样本；
17.计算所述待处理图像样本对应的第一损失函数；
18.将所述第一损失函数对所述当前待优化图像模型的参数的梯度，作为第一梯度参数；
19.基于所述第一梯度参数以及预先获取的扰动参数的幅度，确定待处理扰动参数。
20.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述基于稀疏度获取更新稀疏掩码的步骤，包括：
21.针对每个所述待处理图像样本，获取该待处理图像样本的费希尔信息量；
22.基于所述稀疏度，确定调整数量；
23.在多个所述待处理图像样本中，确定满足第二预设条件的费希尔信息量对应的待处理图像样本，并根据所述调整数量选取对应数量的待处理图像样本，作为目标图像样本，并将所述目标图像样本的掩码置1；
24.将其余待处理图像样本对应的掩码置0，得到更新稀疏掩码。
25.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述基于稀疏度获取更新稀疏掩码的步骤，包括：
26.基于预设剪枝率以及所述稀疏度，获取遗弃扰动数量以及复原扰动数量，其中，所述遗弃扰动数量与所述复原扰动数量相等；
27.基于所述遗弃扰动数量以及所述复原扰动数量，将所述待确定稀疏掩码中满足第一预设条件的掩码置1，将所述待确定稀疏掩码中不满足第一预设条件的掩码置0，得到更新稀疏掩码。
28.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述基于所述遗弃扰动数量以及所述复原扰动数量，将所述待确定稀疏掩码中满足第一预设条件的掩码置1的步骤，包括：
29.基于所述第一梯度参数，从所述待确定稀疏掩码中掩码值为1的掩码中，删除所述遗弃扰动数量个掩码；
30.将所述待确定稀疏掩码中剩余的掩码值为1的掩码，确定为满足第一预设条件的掩码，且保持掩码值为1；
31.从所述待确定稀疏掩码中掩码值为0的掩码中，随机选取复原扰动数量个掩码，将随机选取的掩码确定为满足第一预设条件的掩码并置1。
32.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数的步骤，包括：
33.计算所述当前稀疏掩码和所述待处理扰动参数的哈达姆积，得到当前扰动参数。
34.根据本公开提供的一种基于稀疏矩阵算法的图像模型优化方法，所述基于所述当
前扰动参数，采用随机梯度下降的方法，得到更新模型参数的步骤，包括：
35.将当前扰动参数以及所述当前待优化图像模型的参数的和，作为待处理参数；
36.计算待处理参数对应的第二损失函数，并将所述第二损失函数对所述当前待优化图像模型的参数的梯度，作为第二梯度参数；
37.将预先获取的学习率和所述第二梯度参数的乘积，作为第三梯度参数；
38.将所述当前待优化图像模型的参数以及所述第三梯度参数的差值，作为更新模型参数。
39.本公开还提供一种基于稀疏矩阵算法的图像模型优化装置，装置包括：
40.第一获取模块，用于将预先获取的图像训练集输入当前待优化图像模型进行训练，并获取所述当前待优化图像模型对应的待处理扰动参数，其中，所述待处理扰动参数为基于所述当前待优化图像模型的参数获得的参数；
41.第二获取模块，用于获取当前稀疏掩码，其中，所述当前稀疏掩码为表征所述当前待优化图像模型的当前优化状态的稀疏掩码；
42.计算模块，用于基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数，并基于所述当前扰动参数，采用随机梯度下降的方法，得到更新模型参数；
43.训练模块，用于在所述更新模型参数对应的图像模型未收敛的情况下，将所述更新模型参数对应的图像模型作为当前待优化图像模型，并返回所述将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，直至所述当前待优化图像模型收敛，得到已优化图像模型，其中，所述已优化图像模型用于对待处理图像进行图像识别。
44.本公开还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述一种基于稀疏矩阵算法的图像模型优化方法的步骤。
45.本公开还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一项所述一种基于稀疏矩阵算法的图像模型优化方法的步骤。
46.本公开提供的一种基于稀疏矩阵算法的图像模型优化方法及装置，可以采用当前稀疏掩码，对待处理扰动参数进行稀疏化处理，得到当前扰动参数，进而可以基于当前扰动参数，采用梯度下降随机梯度下降的方法，得到更新模型参数，从而得到已优化图像模型，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码。在对图像模型进行优化的过程中，可以基于当前待优化图像模型的当前优化状态对应的当前稀疏掩码量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数。这样，能够进一步提高已优化图像模型的泛化能力，在后续通过已优化图像模型对待处理图像进行图像识别的过程中，能够进一步提高对待处理图像进行图像识别的准确率。
附图说明
47.为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，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。
48.图1是本公开提供的一种基于稀疏矩阵算法的图像模型优化方法的流程示意图之一；
49.图2是本公开提供的一种基于稀疏矩阵算法的图像模型优化方法的流程示意图之二；
50.图3是本公开提供的一种基于稀疏矩阵算法的图像模型优化方法的流程示意图之三；
51.图4是本公开提供的一种基于稀疏矩阵算法的图像模型优化方法的流程示意图之四；
52.图5是本公开提供的一种基于稀疏矩阵算法的图像模型优化装置的结构示意图；
53.图6是本公开提供的电子设备的结构示意图。
具体实施方式
54.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开实施例一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。
55.为了能够进一步提高模型的泛化能力，本公开实施例提供了一种基于稀疏矩阵算法的图像模型优化方法、装置、电子设备、非暂态计算机可读存储介质以及计算机程序产品。下面结合图1描述本公开实施例的一种基于稀疏矩阵算法的图像模型优化方法。
56.如图1所示，本公开实施例提供了一种基于稀疏矩阵算法的图像模型优化方法，包括：
57.s101，将预先获取的图像训练集输入当前待优化图像模型进行训练，并获取所述当前待优化图像模型对应的待处理扰动参数。
58.在需要对图像模型进行优化的情况下，可以获取图像训练集，进而将图像训练集输入当前待优化图像模型进行训练。其中，当前待优化图像模型可以为对预先获取的待优化图像模型进行优化后的图像模型，换句话说，当前待优化图像模型可以为调整参数后的待优化图像模型。在第一次将预先获取的图像训练集输入至当前待优化图像模型的情况下，当前待优化图像模型即为预先获取的待优化图像模型。
59.在将图像训练集输入当前待优化图像模型进行训练后，可以得到当前待优化图像模型输出的优化结果，基于优化结果便可以获取到当前待优化图像模型对应的待处理扰动参数，即待处理扰动向量。其中，待处理扰动参数为基于当前待优化图像模型的参数获得的参数。
60.在一种实施方式中，可以基于优化结果计算损失函数，获取损失函数对当前待优化图像模型的参数的梯度，进而基于损失函数对当前待优化图像模型的参数的梯度以及预先获取的扰动参数的幅度，确定待处理扰动参数。
61.作为一种实施方式，图像训练集包括多个图像训练样本，可以计算图像训练集包括的所有图像训练样本对应的损失函数，进而获取损失函数对当前待优化图像模型的参数的梯度，从而确定待处理扰动参数。
62.s102，获取当前稀疏掩码。
63.在得到待处理扰动参数后，为了能够稀疏化待处理扰动参数，可以获取当前稀疏掩码，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码，当前稀疏掩码为二值化掩码，包括的掩码值(元素值)为0和1。当前稀疏掩码所包括的掩码的数量与当前待优化图像模型的参数的数量一致，即二者维度一致。
64.在一种实施方式中，可以采用费希尔信息量掩码法获取当前稀疏掩码，还可以采用动态稀疏掩码法获取当前稀疏掩码，这都是合理的。其中，费希尔信息量掩码法获取当前稀疏掩码的精度更高，动态稀疏掩码法获取当前稀疏掩码的速度更快，可以根据实际需求进行择一选取。当然还可以采用其他稀疏掩码的搜寻算法获取当前稀疏掩码，在此不做具体限定。
65.作为一种实施方式，在第一次将预先获取的图像训练集输入至当前待优化图像模型的情况下，可以将预先设置的稀疏掩码作为当前稀疏掩码，还可以采用费希尔信息量掩码法获取当前稀疏掩码，这都是合理的，在此不做具体限定。
66.s103，基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数，并基于所述当前扰动参数，采用随机梯度下降的方法，得到更新模型参数。
67.在获取到待处理扰动参数以及当前稀疏掩码后，可以基于当前稀疏掩码以及待处理扰动参数，计算当前扰动参数。当前稀疏掩码包括的掩码值为0和1，因此，基于当前稀疏掩码以及待处理扰动参数得到的当前扰动参数，相较于待处理扰动参数存在很多被覆盖为0的参数，即实现了对待处理扰动参数的稀疏化处理。
68.也就是说，本公开实施例可以基于当前待优化图像模型的当前优化状态对应的当前稀疏掩码量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数，以便后续提高图像模型的泛化能力。
69.由于当前稀疏掩码为能够表征当前待优化图像模型的当前优化状态的稀疏掩码，因此，基于当前稀疏掩码以及待处理扰动参数，所得到当前扰动参数的过程相当于基于当前待优化图像模型的当前优化状态，量化当前待优化图像模型的参数的重要性的过程。
70.进而可以基于当前扰动参数，采用随机梯度下降的方法，得到更新模型参数。在得到更新模型参数后，可以确定更新模型参数对应的图像模型是否收敛。
71.本公开实施例采用随机梯度下降的方法得到更新模型参数，相较于目前锐度感知算法，本公开实施例不需要重新定义量化算法，减少了计算量。
72.s104，在所述更新模型参数对应的图像模型未收敛的情况下，将所述更新模型参数对应的图像模型作为当前待优化图像模型，并返回所述将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，直至所述当前待优化图像模型收敛，得到已优化图像模型。
73.在更新模型参数对应的图像模型未收敛的情况下，可以将更新模型参数对应的图像模型作为当前待优化图像模型，并返回将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，从而对图像模型进行迭代优化，在整个优化的过程中，不会计算掩码值为0对应的参数，相较于目前的锐度感知算法，能够大大减少计算量，从而可以加快对待优化图像模型进行优化的速度，直至当前待优化图像模型收敛，得到已优化图像模型，其中，所述已优化图像模型用于对待处理图像进行图像识别。
74.也就是说，在更新模型参数对应的图像模型收敛的情况下，可以将更新模型参数对应的图像模型作为已优化图像模型。这样便可以完成对待优化图像模型的优化。
75.在得到已优化图像模型后，可以采用已优化图像模型对待处理图像进行图像识别，从而得到图像识别结果，由于已优化图像模型的泛化能力高于目前的图像模型的泛化能力，因此，针对目前的图像模型无法准确识别的图像(待处理图像)，例如，待处理图像可以为图像模型未处理过的图像，或者待处理图像可以为分辨率低的图像。已优化模型能够对上述待处理图像进行更加准确的识别，从而得到较为准确的识别结果。
76.也就是说，采用已优化图像模型对待处理图像进行图像识别的方式，相较于目前的图像模型对图像识别的方式，能够进一步提高图像识别的准确率。
77.可见，本公开实施例可以采用当前稀疏掩码，对待处理扰动参数进行稀疏化处理，得到当前扰动参数，进而可以基于当前扰动参数，采用梯度下降随机梯度下降的方法，得到更新模型参数，从而得到已优化图像模型，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码。在对图像模型进行优化的过程中，可以基于当前待优化图像模型的当前优化状态对应的当前稀疏掩码量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数。这样，能够进一步提高已优化图像模型的泛化能力。并且，对待处理扰动参数进行稀疏化处理，以及采用随机梯度下降的方法，能够减少计算量，提高图像模型的优化速度，在后续通过已优化图像模型对待处理图像进行图像识别的过程中，能够进一步提高对待处理图像进行图像识别的准确率。
78.本公开实施例提供的一种基于稀疏矩阵算法的图像模型优化方法，是一种端到端的寻找最优扰动参数的图像模型优化方法，相较于目前的锐度感知算法的全局扰动的方式，不仅能够进一步提高已优化图像模型的泛化能力，还能够减少计算量，提高图像模型的优化速度。
79.作为本公开实施例的一种实施方式，在上述获取当前稀疏掩码的步骤之前，上述方法还可以包括：
80.判断待确定稀疏掩码是否需要更新，其中，所述待确定稀疏掩码为表征所述当前待优化图像模型的上一优化状态的稀疏掩码。
81.在对待优化图像模型进行迭代优化的过程中，相邻预设次数对应的迭代过程之间，对应的图像模型参数的变化较小，因此，在预设次数内，可以采用相同的稀疏掩码表征该预设次数迭代过程对应的优化状态。
82.为了能够进一步减少计算量，可以预先设置掩码更新频率，也就是每将图像训练集输入当前待优化图像模型进行训练的次数到达预设次数，便更新一次稀疏掩码。
83.其中，预设次数可以根据实际情况进行设置，例如预设次数可以为4、10、32，相应地，掩码更新频率可以为每将图像训练集输入当前待优化图像模型训练4次，便更新一次稀疏掩码。掩码更新频率可以为每将图像训练集输入当前待优化图像模型训练10次，便更新一次稀疏掩码。掩码更新频率可以为每将图像训练集输入当前待优化图像模型训练32次，便更新一次稀疏掩码。这都是合理的，在此不作具体限定。
84.在获取当前稀疏掩码之前，可以判断待确定稀疏掩码是否需要更新，也就是判断将图像训练集输入当前待优化图像模型的训练次数是否为预设次数的倍数。其中，待确定稀疏掩码为表征当前待优化图像模型的上一优化状态的稀疏掩码。
85.在一种实施方式中，可以确定当前将图像训练集输入当前待优化图像模型训练的次数除以预设次数是否存在余数，如果存在余数，则说明待确定稀疏掩码不需要更新。如果不存在余数，则说明待确定稀疏掩码需要更新。
86.在确定待确定稀疏掩码需要更新的情况下，可以基于稀疏度获取更新稀疏掩码，并将更新稀疏掩码作为当前稀疏掩码。其中，稀疏度为待确定稀疏掩码的稀疏度，稀疏度可以表征待确定稀疏掩码所包括的掩码值为1的掩码的数量。
87.在一种实施方式中，可以基于稀疏度，采用费希尔信息量掩码法，获取更新稀疏掩码，也可以基于稀疏度。采用动态稀疏掩码法，获取更新稀疏掩码，这都是合理的。
88.作为一种实施方式，在对待优化图像模型进行迭代优化的过程中，可以始终采用费希尔信息量掩码法获取更新稀疏掩码。也可以始终采用采用动态稀疏掩码法获取更新稀疏掩码。
89.在确定待确定稀疏掩码不需要更新的情况下，可以将待确定稀疏掩码作为当前稀疏掩码。可见，本公开实施例可以判断待确定稀疏掩码是否需要更新，从而根据不同的情况，获取当前稀疏掩码。由于在对待优化图像模型进行迭代优化的过程中，不需要针对每一次迭代优化的过程重新获取稀疏掩码，因此，可以进一步减少计算量，进而可以提高模型的优化速度。并且在对待优化图像模型进行迭代优化的过程中，还可以同时优化当前稀疏掩码，而不是采用随机采样的方式，能够进一步提高模型的泛化能力。
90.作为本公开实施例的一种实施方式，如图2所示，上述获取所述当前待优化图像模型对应的待处理扰动参数的步骤，可以包括：
91.s201，从所述图像训练集中抽取预设数量个图像训练样本，作为待处理图像样本。
92.在对待优化图像模型进行迭代优化的过程中，针对每次当前将图像训练集输入当前待优化图像模型进行训练的过程，均是将图像训练集包括的所有图像训练样本输入至当前待优化图像模型进行训练。
93.为了进一步减小计算量，可以从图像训练集中抽取预设数量个图像训练样本，作为待处理图像样本。其中，预设数量可以基于实际情况进行设置，例如，预设数量可以为100、500、688。这都是合理的，在此不做具体限定。也就是说，待处理图像样本包括多个。
94.s202，计算所述待处理图像样本对应的第一损失函数。
95.在获取待处理图像样本后，可以计算待处理图像样本对应的当前待优化图像模型的第一损失函数，也就是将待处理图像样本输入当前优化图像模型进行训练对应的损失函数，为第一损失函数。
96.在一种实施方式中，可以计算待处理图像样本对应的当前待优化图像模型的经验损失函数，作为第一损失函数，其中，经验损失函数的公式如(1)所示：
[0097][0098]
其中，x为待处理图像样本，xi为索引为i的待处理图像样本，即第i个待处理图像样本，n为待处理图像样本的数量，w为当前待优化图像模型的参数，f(w；x)为第一损失函数，也可以表示为f(w)。
[0099]
s203，将所述第一损失函数对所述当前待优化图像模型的参数的梯度，作为第一梯度参数。
[0100]
在获取到第一损失函数后，可以将第一损失函数对当前待优化图像模型的参数的梯度，得到第一梯度参数，其中，第一梯度参数也可以称为第一向量。第一梯度参数可以采用表示。
[0101]
s204，基于所述第一梯度参数以及预先获取的扰动参数的幅度，确定待处理扰动参数。
[0102]
在获取到第一梯度参数后，可以基于第一梯度参数以及预先获取的扰动参数的幅度，确定待处理扰动参数。在一种实施方式中，待处理扰动参数的计算公式可以如(2)所示：
[0103][0104]
其中，∈1为待处理扰动参数，ρ为扰动参数的幅度，也就是待处理扰动参数的幅度，为的二范数。
[0105]
可见，本公开实施例可以从图像训练集中抽取预设数量个图像训练样本，作为待处理图像样本，进而基于待处理图像样本计算第一损失函数，从而确定待处理扰动参数，通过这样的方式，可以进一步减小计算量，从而可以提高图像模型的优化速度。
[0106]
作为本公开实施例的一种实施方式，如图3所示，上述基于稀疏度获取更新稀疏掩码的步骤，可以包括：
[0107]
s301，针对每个所述待处理图像样本，获取该待处理图像样本的费希尔信息量。
[0108]
针对每个待处理图像样本，可以计算每个待处理图像样本对应的费希尔信息量，在一种实施方式中，可以计算每个待处理图像样本对应的经验费希尔量，第i个待处理图像样本对应的经验费希尔信息量的计算公式可以如(3)所示：
[0109][0110]
其中，f
wi
为第i个待处理图像样本对应的经验费希尔信息量(费希尔信息量)，nf为费希尔信息量采样个数，即为待处理图像样本的个数，pw(yi|xi)为在给定xi下，参数为w的当前待优化图像模型的预测分布。
[0111]
s302，基于所述稀疏度，确定调整数量。
[0112]
为了保证在对待优化图像模型进行迭代优化的过程中，所获取的当前稀疏掩码对应的稀疏度均一致，因此，在获取更新稀疏掩码的情况下，可以基于稀疏度，确定调整数量，其中，调整数量即为待确定稀疏掩码所包括的掩码值为1的掩码的数量。
[0113]
s303，在多个所述待处理图像样本中，确定满足第二预设条件的费希尔信息量对应的待处理图像样本，并根据所述调整数量选取对应数量的待处理图像样本，作为目标图像样本，并将所述目标图像样本的掩码置1。
[0114]
在获取到每个待处理图像样本的费希尔信息量，以及调整数量后，可以确定满足第二预设条件的费希尔信息量对应的待处理图像样本，并根据调整数量选取对应数量的待处理图像样本，作为目标图像样本，并将目标图像样本的掩码置1。
[0115]
在一种实施方式中，第二预设条件可以为预设的费希尔信息量阈值，这样，便可以确定费希尔信息量大于费希尔信息量阈值的待处理图像样本，进而随机选取调整数量个待处理图像样本，作为目标图像样本，并将目标图像样本的掩码置1。
[0116]
在另一种实施方式中，第二预设条件可以为将每个待处理图像样本的费希尔信息
量排序后，预设的排名位数。例如，第二预设条件可以为将每个待处理图像样本的费希尔信息量按照从大到小的顺序进行排序后，位于前30名。这样，便可以确定费希尔信息量对应的排名位于前30名的待处理图像样本，进而从排名位于前30名的待处理图像样本中，随机选取预设数目个待处理图像样本，作为目标图像样本，并将目标图像样本的掩码置1。
[0117]
作为一种实施方式，还可以每个待处理图像样本的费希尔信息量按照从大到小的顺序进行排序，并选取排名位于前调整数量的待处理图像样本，作为目标图像样本，并将目标图像样本的掩码置1。也就是选取费希尔信息量最大的预设数目个待处理图像样本，作为目标图像样本，并将目标图像样本的掩码置1。
[0118]
s304，将其余待处理图像样本对应的掩码置0，得到更新稀疏掩码。
[0119]
在将目标图像样本值1后，可以将其余待处理图像样本对应的掩码置0，进而，可以将掩码值为1的掩码，以及掩码值为0的掩码形成一个矩阵，得到更新稀疏掩码。
[0120]
上述步骤s301-步骤s304即为采用费希尔信息量掩码法获取更新稀疏掩码的方式，也就是采用费希尔信息量掩码法获取当前稀疏掩码的方式。费希尔信息量掩码法获取当前叙述掩码的精度更高，能够进一步提高模型的泛化能力。
[0121]
作为本公开实施例的一种实施方式，如图4所示，上述基于稀疏度获取更新稀疏掩码的步骤，可以包括：
[0122]
s401，基于预设剪枝率以及所述稀疏度，获取遗弃扰动数量以及复原扰动数量。
[0123]
为了能够获取更新稀疏掩码，可以基于预设剪枝率以及稀疏度，获取遗弃扰动数量以及复原扰动数量。在一种实施方式中，剪枝率可以为样本丢弃率，样本丢弃率可以为基于待处理图像样本以及图像训练集所获取的丢弃率。
[0124]
其中，预设剪枝率可以为根据实际情况预先设置的比率，遗弃扰动数量即为在已有稀疏掩码的基础上，将已有的稀疏掩码(待处理稀疏掩码)中的掩码值为1的掩码置0的数量，复原扰动数量为在已有稀疏掩码的基础上，将已有的稀疏掩码(待处理稀疏掩码)中的掩码值为0的掩码置1的数量。
[0125]
为了保证在对待优化图像模型进行迭代优化的过程中，当前稀疏矩阵的稀疏度不发生变化，因此，遗弃扰动数量可以与复原扰动数量相等，也就是剪枝数目与复原数目相等。
[0126]
在对待优化图像模型进行迭代优化的初期，可以获取变化较大的稀疏掩码对待优化图像模型进行优化，也就是尝试更多的稀疏掩码的组合，因此，可以采用较大的剪枝率，也就是较大的遗弃扰动数量以及复原扰动数量，以便后续获取当前稀疏掩码。
[0127]
在对待优化图像模型进行迭代优化的末期，即当前待优化图像模型趋近于收敛的情况下，如果再采用较大的剪枝率，则会导致对待优化图像模型进行迭代优化变得不稳定的问题，因此，可以采用较小的剪枝率，也就是较小的遗弃扰动数量以及复原扰动数量，以便后续获取当前稀疏掩码。
[0128]
为了满足在对待优化图像模型进行迭代优化的不同时期的不同要求，可以基于预设剪枝率以及稀疏度，采用余弦衰减算法获取遗弃扰动数量以及复原扰动数量。
[0129]
余弦衰减算法公式如(4)所示：
[0130]
[0131]
遗弃扰动数量以及复原扰动数量的计算公式可以如(5)所示：
[0132][0133]
其中，n
grow
为复原扰动数量，n
drop
为遗弃扰动数量，α为剪枝率，t为优化的总次数，t为优化的当前次数，s为稀疏度，|w|为参数的个数。
[0134]
s402，基于所述遗弃扰动数量以及所述复原扰动数量，将所述待确定稀疏掩码中满足第一预设条件的掩码置1，将所述待确定稀疏掩码中不满足第一预设条件的掩码置0，得到更新稀疏掩码。
[0135]
在获取到遗弃扰动数量以及复原扰动数量后，可以基于遗弃扰动数量以及复原扰动数量，将待确定稀疏掩码中满足第一预设条件的掩码置1，将待确定稀疏掩码中不满足第一预设条件的掩码置0，得到更新稀疏掩码。
[0136]
上述步骤s401-步骤s402即为采用动态稀疏掩码法获取更新稀疏掩码的方式，也就是采用动态稀疏掩码法获取当前稀疏掩码的方式。动态稀疏掩码法获取当前稀疏掩码的速度更快。能够进一步提高模型的优化速度。
[0137]
作为本公开实施例的一种实施方式，上述基于所述遗弃扰动数量以及所述复原扰动数量，将所述待确定稀疏掩码中满足第一预设条件的掩码置1的步骤，可以包括：
[0138]
基于所述第一梯度参数，从所述待确定稀疏掩码中掩码值为1的掩码中，删除所述遗弃扰动数量个掩码。
[0139]
将所述待确定稀疏掩码中剩余的掩码值为1的掩码，确定为满足第一预设条件的掩码，且保持掩码值为1。
[0140]
为了能获取更新稀疏掩码，可以基于第一梯度参数，从待确定稀疏掩码中掩码值为1的掩码中，删除遗弃扰动数量个掩码，也就是从待确定稀疏掩码中掩码值为1的掩码中，选取遗弃扰动数量个掩码置0。将待确定稀疏掩码中剩余的掩码值为1的掩码，确定为满足第一预设条件的掩码，且保持掩码值为1。
[0141]
在一种实施方式中，可以获取第一梯度参数的绝对值，对各个第一梯度参数的绝对值的负数进行从小到大排序，进而选取排名位于前遗弃扰动数量的掩码置0。也就是选取遗弃扰动数量个最小第一梯度参数的绝对值的掩码置0。
[0142]
从所述待确定稀疏掩码中掩码值为0的掩码中，随机选取复原扰动数量个掩码，将随机选取的掩码确定为满足第二预设条件的掩码并置1。这样，就可以将待确定稀疏掩码中满足第一预设条件的掩码置1，实现对掩码的动态排列组合，以便后续得到更新稀疏掩码。
[0143]
作为本公开实施例的一种实施方式，上述基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数的步骤，可以包括：
[0144]
计算所述当前稀疏掩码和所述待处理扰动参数的哈达姆积，得到当前扰动参数。其中，哈达姆积可以表示为两个大小一致的矩阵(向量)之间的元素的相乘。
[0145]
也就是说，当前稀疏掩码和待处理扰动参数为大小一致的矩阵，哈达姆积可以当前稀疏掩码中的掩码(元素)与待处理扰动参数中的参数(元素)相乘。
[0146]
计算当前扰动参数的公式可以如(6)所示：
[0147]
∈＝∈1⊙mꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0148]
其中，∈为当前扰动参数，∈1为待处理扰动参数，m为当前稀疏掩码。
[0149]
计算当前扰动参数的公式还可以如(7)所示：
[0150][0151]
可见，本公开实施例可以通过计算当前稀疏掩码和待处理扰动参数的哈达姆积，得到当前扰动参数，由于当前稀疏掩码能够表征当前待优化图像模型的当前优化状态，并且当前稀疏掩码可以量化当前待优化图像模型的参数的重要性。因此，可以基于当前待优化图像模型的当前优化状态，量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数。能够进一步提高已优化图像模型的泛化能力。
[0152]
作为本公开实施例的一种实施方式，上述基于所述当前扰动参数，采用随机梯度下降的方法，得到更新模型参数的步骤，可以包括：
[0153]
将当前扰动参数以及所述当前待优化图像模型的参数的和，作为待处理参数。
[0154]
计算待处理参数对应的第二损失函数，并将所述第二损失函数对所述当前待优化图像模型的参数的梯度，作为第二梯度参数。
[0155]
将预先获取的学习率和所述第二梯度参数的乘积，作为第三梯度参数。
[0156]
将所述当前待优化图像模型的参数以及所述第三梯度参数的差值，作为更新模型参数。
[0157]
计算更新模型参数的公式可以如(8)所示：
[0158][0159][0160]
其中，w
t
为对待处理图像模型进行迭代优化t次的情况下，对应的当前待优化图像模型的参数，为对应的待处理参数，η为对应的当前待优化图像模型的学习率，w
t 1
为对应的更新模型参数，为第二损失函数，为第二梯度参数。
[0161]
计算更新模型参数的公式还可以如(9)所示：
[0162][0163]
其中，f(w ∈)为第二损失函数，为函数f(w ∈)对当前待优化图像模型的参数的梯度，即第二梯度参数。
[0164]
作为本公开实施例的一种实施方式，下面结合具体的例子，对本公开实施例所提供的一种基于稀疏矩阵算法的图像模型优化方法进行介绍，其中，采用费希尔信息量掩码法获取当前稀疏掩码，掩码更新频率为2：
[0165]
获取图像训练集以及待优化图像模型1，此时待优化图像模型1即为当前待优化图像模型，待优化图像模型1的参数为参数1。将图像训练集第一次输入至待优化图像模型1进行迭代优化，从图像训练集中抽取x个图像训练样本，作为待处理图像样本，计算待处理图像样本对应的第一损失函数1，将第一损失函数对当前待优化图像模型的参数的梯度，作为第一梯度参数1，基于第一梯度参数1以及预先获取的扰动参数的幅度，确定待处理扰动参数1。
[0166]
采用费希尔信息量掩码法获取当前稀疏掩码1，计算当前稀疏掩码1和待处理扰动参数1的哈达姆积，得到当前扰动参数1，基于当前扰动参数1，采用随机梯度下降的方法，得到更新模型参数1。
[0167]
更新模型参数1对应的图像模型未收敛，将更新模型参数1对应的图像模型作为当前待优化图像模型，并将图像训练集第二次输入至更新模型参数1对应的图像模型进行迭代优化，从图像训练集中抽取x个图像训练样本，作为待处理图像样本，计算待处理图像样本对应的第一损失函数2，将第一损失函数对当前待优化图像模型的参数的梯度，作为第一梯度参数3，基于第一梯度参数1以及预先获取的扰动参数的幅度，确定待处理扰动参数2。
[0168]
判断当前稀疏掩码1不需要更新，即当前稀疏掩码1为当前稀疏掩码，计算当前稀疏掩码1和待处理扰动参数2的哈达姆积，得到当前扰动参数2，基于当前扰动参数2，采用随机梯度下降的方法，得到更新模型参数2。
[0169]
更新模型参数2对应的图像模型未收敛，将更新模型参数2对应的图像模型作为当前待优化图像模型，并将图像训练集第三次输入至更新模型参数2对应的图像模型进行迭代优化，从图像训练集中抽取x个图像训练样本，作为待处理图像样本，计算待处理图像样本对应的第一损失函数3，将第一损失函数对当前待优化图像模型的参数的梯度，作为第一梯度参数3，基于第一梯度参数1以及预先获取的扰动参数的幅度，确定待处理扰动参数3。
[0170]
判断当前稀疏掩码1需要更新，则采用费希尔信息量掩码法获取更新稀疏掩码，即得到当前稀疏掩码2，即当前稀疏掩码2为当前稀疏掩码，计算当前稀疏掩码2和待处理扰动参数3的哈达姆积，得到当前扰动参数3，基于当前扰动参数3，采用随机梯度下降的方法，得到更新模型参数3。
[0171]
依次类推，直到得到更新模型参数n，更新模型参数n对应的图像模型收敛，便可以得到已优化图像模型。在得到已优化图像模型后，可以将待处理图像输入至已优化图像模型，从而可以的到已优化图像模型输出的识别结果。
[0172]
可见，本公开实施例可以采用当前稀疏掩码，对待处理扰动参数进行稀疏化处理，得到当前扰动参数，进而可以基于当前扰动参数，采用梯度下降随机梯度下降的方法，得到更新模型参数，从而得到已优化图像模型，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码。在对图像模型进行优化的过程中，可以基于当前待优化图像模型的当前优化状态对应的当前稀疏掩码量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数。这样，能够进一步提高已优化图像模型的泛化能力。并且，对待处理扰动参数进行稀疏化处理，以及采用随机梯度下降的方法，能够减少计算量，提高图像模型的优化速度，在后续通过已优化图像模型对待处理图像进行图像识别的过程中，能够进一步提高对待处理图像进行图像识别的准确率。
[0173]
作为本公开实施例的一种实施方式，上述经验费希尔信息量的改写过程如下：
[0174]
费希尔信息量的定义如(10)所示的公式：
[0175][0176]
其中，e
x～p(x)
为x与数据原始分布p(x)的数学期望，e
y～p(y|x)
为y与p(y|x)的数学期望。
[0177]
在过度参数化的网络中，由于费雪尔信息量的大小是模型参数的平方，即|w|
×
|w|，所以计算准确的费雪尔信息矩阵是很棘手的。因此，可以将费雪尔信息量近似为一个对
角矩阵。对于两个数学期望的计算，由于数据原始分布p(x)通常是不可获得的，因此，可以取p(x)的近似值，得到的近似公式如(11)所示：
[0178][0179]
针对(11)所示的近似公式，由于在有监督学习中，数据的准确标记已知，因此，可以不计算数学期望，这样，便可以得到经验费希尔信息量，即(3)所示的公式。
[0180]
作为本公开实施例的一种实施方式，本公开实施例可以将最大最小优化问题采用如下(12)所示的公式表达：
[0181][0182]
其中，s.t.1
t
m表征为在稀疏度为s，迭代优化t次的情况下的当前稀疏掩码m。
[0183]
作为本公开实施例的一种实施方式，可以采用如下方式，验证采用上述一种基于稀疏矩阵算法的图像模型优化方法，所获得的已优化图像模型的收敛性。
[0184]
在连续性假设，方差有界以及梯度有界的假设下，假设学习率且学习率以的速度衰减，即扰动参数的幅值ρ以根号的速度衰减，即
[0185]
其中，l为连续性假设的参数，η
t
为迭代优化次数为t的情况下对应的学习率，η0为待优化图像模型对应的学习率，ρ
t
为迭代优化次数为t的情况下对应的扰动参数的幅值，ρ0为待优化图像模型对应的扰动参数的幅值。
[0186]
在ρ0≤gη0的条件下，对于目前的锐度感知算法来说，存在以下收敛性结论，如公式(13)所示，其中，g为连续性假设中，梯度有界的常数：
[0187][0188]
其中，w0为待优化图像模型参数，w
t
为已优化图像模型参数，σ为连续性假设中，方差有界的常数。
[0189]
在ρ0≤gη0的条件下，对于本公开实施例来说，存在以下收敛性结论，如公式(14)所示：
[0190][0191]
其中，
[0192][0193]
可以看出，本公开实施例与目前的锐度感知算法存在相同的收敛速率上界，也就是说，本公开实施例所提供的一种基于稀疏矩阵算法的图像模型优化方法，在对待优化图像模型进行迭代优化的过程中，不仅收敛时间不大于目前的锐度感知算法，还能收敛到一
个泛化性能更优的最小值点，也就是能够进一步提高已优化图像模型的泛化能力，以便后续通过已优化图像模型对待处理图像进行图像识别的过程中，能够进一步提高对待处理图像进行图像识别的准确率。
[0194]
下面对本公开实施例提供的一种基于稀疏矩阵算法的图像模型优化装置进行描述，下文描述的一种基于稀疏矩阵算法的图像模型优化装置与上文描述的一种基于稀疏矩阵算法的图像模型优化方法可相互对应参照。
[0195]
如图5所示，一种基于稀疏矩阵算法的图像模型优化装置，装置包括：
[0196]
第一获取模块510，用于将预先获取的图像训练集输入当前待优化图像模型进行训练，并获取所述当前待优化图像模型对应的待处理扰动参数。
[0197]
其中，所述待处理扰动参数为基于所述当前待优化图像模型的参数获得的参数。
[0198]
第二获取模块520，用于获取当前稀疏掩码。
[0199]
其中，所述当前稀疏掩码为表征所述当前待优化图像模型的当前优化状态的稀疏掩码。
[0200]
计算模块530，用于基于所述当前稀疏掩码以及所述待处理扰动参数，计算当前扰动参数，并基于所述当前扰动参数，采用梯度下降随机梯度下降的方法，得到更新模型参数。
[0201]
训练模块540，用于在所述更新模型参数对应的图像模型未收敛的情况下，将所述更新模型参数对应的图像模型作为当前待优化图像模型，并返回所述将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，直至所述当前待优化图像模型收敛，得到已优化图像模型。
[0202]
其中，所述已优化图像模型用于对待处理图像进行图像识别。
[0203]
可见，本公开实施例提供的一种基于稀疏矩阵算法的图像模型优化装置可以采用当前稀疏掩码，对待处理扰动参数进行稀疏化处理，得到当前扰动参数，进而可以基于当前扰动参数，采用梯度下降随机梯度下降的方法，得到更新模型参数，从而得到已优化图像模型，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码。在对图像模型进行优化的过程中，可以基于当前待优化图像模型的当前优化状态对应的当前稀疏掩码量化当前待优化图像模型的参数的重要性，从而确定是否扰动该参数。这样，能够进一步提高已优化图像模型的泛化能力。并且，对待处理扰动参数进行稀疏化处理，以及采用随机梯度下降的方法，能够减少计算量，提高图像模型的优化速度，在后续通过已优化图像模型对待处理图像进行图像识别的过程中，能够进一步提高对待处理图像进行图像识别的准确率。
[0204]
作为本公开实施例的一种实施方式，上述装置还可以包括：
[0205]
判断模块，用于在获取当前稀疏掩码的之前，判断待确定稀疏掩码是否需要更新。
[0206]
其中，所述待确定稀疏掩码为表征所述当前待优化图像模型的上一优化状态的稀疏掩码。
[0207]
更新模块，用于在确定所述待确定稀疏掩码需要更新的情况下，基于稀疏度获取更新稀疏掩码，并将所述更新稀疏掩码作为当前稀疏掩码。
[0208]
其中，所述稀疏度为所述待确定稀疏掩码的稀疏度；
[0209]
确定模块，用于在确定所述待确定稀疏掩码不需要更新的情况下，将所述待确定
稀疏掩码作为当前稀疏掩码。
[0210]
作为本公开实施例的一种实施方式，上述第一获取模块510可以包括：
[0211]
抽取单元，用于从所述图像训练集中抽取预设数量个图像训练样本，作为待处理图像样本。
[0212]
第一计算单元，用于计算所述待处理图像样本对应的第一损失函数。
[0213]
第一梯度单元，用于将所述第一损失函数对所述当前待优化图像模型的参数的梯度，作为第一梯度参数。
[0214]
第一确定单元，用于基于所述第一梯度参数损失函数以及预先获取的扰动参数的幅度，确定待处理扰动参数。
[0215]
作为本公开实施例的一种实施方式，上述更新模块可以包括：
[0216]
第一获取单元，用于针对每个所述待处理图像样本，获取该待处理图像样本的费希尔信息量。
[0217]
第二确定单元，用于基于所述稀疏度，确定调整数量。
[0218]
第三确定单元，用于在多个所述待处理图像样本中，确定满足第二预设条件的费希尔信息量对应的待处理图像样本，并根据所述调整数量选取对应数量的待处理图像样本，作为目标图像样本，并将所述目标图像样本的掩码置1。
[0219]
第四确定单元，用于将其余待处理图像样本对应的掩码置0，得到更新稀疏掩码。
[0220]
作为本公开实施例的一种实施方式，上述更新模块可以包括：
[0221]
第二获取单元，用于基于预设剪枝率以及所述稀疏度，获取遗弃扰动数量以及复原扰动数量。
[0222]
其中，所述遗弃扰动数量与所述复原扰动数量相等。
[0223]
第五确定单元，用于基于所述遗弃扰动数量以及所述复原扰动数量，将所述待确定稀疏掩码中满足第一预设条件的掩码置1，将所述待确定稀疏掩码中不满足第一预设条件的掩码置0，得到更新稀疏掩码。
[0224]
作为本公开实施例的一种实施方式，上述第五确定单元可以包括：
[0225]
删除子单元，用于基于所述损失函数对当前待优化图像模型的参数的第一梯度参数，从所述待确定稀疏掩码中掩码值为1的掩码中，删除所述遗弃扰动数量个掩码。
[0226]
保持子单元，用于将所述待确定稀疏掩码中剩余的掩码值为1的掩码，确定为满足第一预设条件的掩码，且保持掩码值为1。
[0227]
选取子单元，用于从所述待确定稀疏掩码中掩码值为0的掩码中，随机选取复原扰动数量个掩码，将随机选取的掩码确定为满足第一预设条件的掩码并置1。
[0228]
作为本公开实施例的一种实施方式，上述计算模块530可以包括：
[0229]
第二计算单元，用于计算所述当前稀疏掩码和所述待处理扰动参数的哈达姆积，得到当前扰动参数。
[0230]
作为本公开实施例的一种实施方式，上述计算模块530可以包括：
[0231]
第三计算单元，用于将当前扰动参数以及所述当前待优化图像模型的参数的和，作为待处理参数。
[0232]
第四计算单元，用于计算待处理参数对应的待处理第二损失函数，并将待处理所述第二损失函数对所述当前待优化图像模型的参数的梯度，作为待处理第二梯度参数。
[0233]
第二梯度单元，用于将预先获取的学习率和所述待处理第二梯度参数的乘积，作为第一第三梯度参数。
[0234]
第五计算单元，用于将所述当前待优化图像模型的参数以及所述第一第三梯度参数的差值，作为更新模型参数。
[0235]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行一种基于稀疏矩阵算法的图像模型优化方法，该方法包括：将预先获取的图像训练集输入当前待优化图像模型进行训练，并获取当前待优化图像模型对应的待处理扰动参数，其中，待处理扰动参数为基于当前待优化图像模型的参数获得的参数，获取当前稀疏掩码，其中，当前稀疏掩码为表征当前待优化图像模型的当前优化状态的稀疏掩码，基于当前稀疏掩码以及待处理扰动参数，计算当前扰动参数，并基于当前扰动参数，采用随机梯度下降的方法，得到更新模型参数，在更新模型参数对应的图像模型未收敛的情况下，将更新模型参数对应的图像模型作为当前待优化图像模型，并返回将预先获取的图像训练集输入当前待优化图像模型进行训练的步骤，直至当前待优化图像模型收敛，得到已优化图像模型。
[0236]
此外，上述的存储器630中的逻辑指令可以通过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，本公开实施例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，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0237]
另一方面，本公开还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的一种基于稀疏矩阵算法的图像模型优化方法。
[0238]
又一方面，本公开还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的一种基于稀疏矩阵算法的图像模型优化方法。
[0239]
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0240]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0241]
最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围。