CN109635920B - 神经网络优化方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种神经网络优化方法及装置、电子设备和存储介质，其中所述方法包括：获取第一图像数据集，所述第一图像数据集包括多个图像；利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；基于确定的各初始模块之间的连接方式构建第一神经网络模型；对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型。本公开实施例能够方便的执行神经网络的优化。

Description

神经网络优化方法及装置、电子设备和存储介质

技术领域

本公开涉及神经神经网络领域，特别涉及一种神经网络优化方法及装置、电子设备和存储介质。

背景技术

近年来，神经网络凭借其高效性和强大的拟合能力，在计算机视觉领域得到广泛应用。然而，面向不同子任务设计针对性的网络结构仍然是有挑战性的课题。由于神经网络参数量庞大，手工设计网络往往会消耗研究者大量的时间且效果不能令人满意。因此，目前广泛采用的方式为设计特定的结构搜索方法，让神经网络在特定数据集中搜索出最合理的结构。

相比传统的分类任务，行人重识别问题对于特征提取有更高要求。但是，常见的结构搜索方法往往是在CIFAR(带标签的数据集)，ImageNet(图像集)这样的传统分类数据集上进行训练，搜索出的网络结构并不能适配行人重识别的特殊需要。另外，行人重识别的数据量远远超过常见的分类数据集，这对网络的表达能力也提出了更高的要求，即需要针对行人重识别数据集，搜索出更为复杂的网络来适配工业化需求。

发明内容

本公开实施例提供了一种针对行人重识别领域能够方便快捷的确定适配的神经网络结构的神经网络优化算法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种神经网络优化方法，其包括：

获取第一图像数据集，所述第一图像数据集包括多个图像；

利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

基于确定的各初始模块之间的连接方式构建第一神经网络模型；

对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型。

在一些可能的实施方式中，所述利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，包括：

为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的损失值满足要求时各初始模块之间的第二连接矩阵，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间适配的连接方式。

在一些可能的实施方式中，所述第一图像数据集中还包括与各图像关联的标识，所述基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的损失值满足要求时各初始模块之间的第二连接矩阵，包括：

利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型；

将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果；

利用第一损失函数获得所述第一图像数据集中各图像的标识的第一预测结果与对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

在一些可能的实施方式中，所述第一损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一连接矩阵为高斯矩阵，所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

在一些可能的实施方式中，所述对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型，包括：

将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识；

利用第二损失函数获得所述第二图像数据集中各图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

在一些可能的实施方式中，所述第二损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一图像数据集和第二图像数据集相同或不同。

在一些可能的实施方式中，所述获取第一图像数据集包括：

从至少一个数据库中选择出多个标识；

从每个标识对应的图像中选择出多个图像；

基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

根据本公开的第二方面，提供了一种神经网络优化装置，其包括：

获取模块，其用于获取第一图像数据集，所述第一图像数据集包括多个图像；

训练模块，其用于利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

模型构建模块，其用于基于确定的各初始模块之间的连接方式构建第一神经网络模型；

优化模块，其用于对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型。

在一些可能的实施方式中，所述训练模块包括：

矩阵设定单元，其用于为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

训练单元，其用于基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的损失值满足要求时各初始模块之间的第二连接矩阵，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

确定单元，其用于将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间适配的连接方式。

在一些可能的实施方式中，所述第一图像数据集中还包括与各图像关联的标识，所述训练单元还用于利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型，以及

将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果，并且

利用第一损失函数获得所述第一图像数据集中各图像的标识的第一预测结果与对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

在一些可能的实施方式中，所述第一损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一连接矩阵为高斯矩阵，所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

在一些可能的实施方式中，所述优化模块还用于将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识，以及

利用第二损失函数获得所述第二图像数据集中各图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

在一些可能的实施方式中，所述第二损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一图像数据集和第二图像数据集相同或不同。

在一些可能的实施方式中，所述获取模块还用于从至少一个数据库中选择出多个标识，并从每个标识对应的图像中选择出多个图像，以及基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

根据本公开的第三方面，提供了一种电子设备，其包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行第一方面中任意一项所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

本公开实施例可以用于建立能够适配于相应的识别功能的神经网络，针对不同的识别目的，建立不同的神经网络模型，并且该神经网络优化方法还可以应用在实现行人识别的神经网络，并且具有识别精度高且方便快捷的特点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种神经网络优化方法的流程图；

图2示出根据本公开实施例中的神经网络优化方法中步骤S100的流程图；

图3示出根据本公开实施例的神经网络优化方法中的步骤S200的流程图；

图4示出根据本公开实施例的一种初始神经网络模型的结构示意图；

图5示出根据本公开实施例的一种神经网络优化方法中步骤S202的流程图；

图6示出根据本公开实施例的一种神经网络优化方法中步骤S300的流程图；

图7示出根据本公开实施例的神经网络优化装置的框图；

图8示出根据本公开实施例中的一种电子设备800的框图；

图9示出根据本公开实施例中的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

本公开实施例提供了一种神经网络优化方法，其可以用于建立能够适配于相应的识别功能的神经网络，针对不同的识别目的，建立不同的神经网络模型，并且该神经网络优化方法还可以应用在实现行人识别的神经网络，并且具有识别精度高且方便快捷的特点。图1示出根据本公开实施例的一种神经网络优化方法的流程图，其中本公开是实施例的神经网络优化方法可以包括：

S100：获取第一图像数据集，所述第一图像数据集包括多个图像；

S200：利用所述第一图像数据集，对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

S300：基于确定的各初始模块之间的连接方式构建第一神经网络模型；

S400：对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型。

首先，可以通过步骤S100获取第一图像数据集，第一图像数据集中可以包括多个图像，甚至大量的图像，并且每个图像都可以关联有对应的标识，该标识可以用于区分各图像中的对象。标识可以为图像的名称、类型等任意能够唯一对应于图像的信息。其中，具有相同标识的图像内的所包括的对象相同，以及不同标识的图像内所包括的对象不同，例如，对于同一个人的多个图像可以被分配相同的标识，不同人的图像被分配不同的标识。本公开实施例中的图像数据集中可以包括所要识别的对象，例如在行人识别领域，图像数据集中各图像可以为行人对象的图像，并且相同的行人对象对应的图像具有相同的标识，不同的行人对象对应的图像具有不同的标识。在其他的实施例中，图像数据集中的各图像也可以包括其他类型的对象，例如植物、动物、或者卡通人物等，本公开实施例对此不进行限定。本公开实施例可以实现对于不同类型的对象的图像的检测识别的神经网络的建立和优化。另外，本公开实施例中的标识可以为数字、字母或者其他符号等。对于相同的对象只要具有相同的标识，即可以作为本公开实施例。

图2示出根据本公开实施例中的神经网络优化方法中步骤S100的流程图。其中所述获取图像数据集(步骤S100)可以包括：

S101：从至少一个数据库中选择出多个标识；

S102：从每个标识对应的图像中选择出多个图像；

S103：基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

本公开实施例中，图像数据集可以存储于本地设备的数据库，也可以存储于云端的数据库，或者也可以存储于不同的数据库中。数据库中将图像以及其对应的标识关联存储，从而可以方便获取标识对应的图像。

在获取第一图像数据集时，可以首先获取标识信息，即从各数据库中选择多个标识，这里选择多个标识是为了增加图像的对象的多样化，即可以包括多个对象的图像。在从每个标识对应的图像中选择出多个图像，基于每个标识对应的图像形成执行神经网络优化的第一图像数据集。

在获得第一图像数据集之后，可以执行步骤S200，将获取的图像数据集输入至初始神经网络中，该初始神经网络可以包括多个初始的模块结构，例如其中可以包括多种类型的初始模块，例如卷积模块、批正则化模块、全连接模块、池化模块、激活函数模块等等中的多种，或者也可以包括其他的初始模块，本公开实施例可以在初始神经网络的初始模块结构的基础上，进一步在各个初始模块之间搜索出一种适用于本公开实施例的识别目的的连接方式，例如，各初始模块之间是否需要连接备选模块，如果需要连接备选模块连接的备选模块的类型是哪些，从而搜索并建立第一神经网络模型。

其中，本公开实施例中的各初始模块之间的备选的连接方式可以包括：无连接(无操作)，平均池化备选模块，直接连接备选模块，最大池化备选模块，3x3连续卷积备选模块，5x5连续卷积备选模块，7x7连续卷积备选模块，以及3x3空洞卷积备选模块，各备选模块执行的具体运算操作可以参见表1。在其他的实施例中连接方式也可以包括其他类型的备选模块，本公开实施例对此不进行限定。

表1

在确定了各初始模块之间的连接方式之后，可以根据确定的连接方式在初始神经网络模型的基础上建立第一神经网络模型。在获得了第一神经网络模型之后，则可以对确定的第一神经网络的参数进行训练优化，得到优化后的神经网络模型。该优化后的神经网络模型即为适用于相应识别目的的神经网络模型。

下面对本公开实施例的各步骤进行详细说明，其中，图3示出根据本公开实施例的神经网络优化方法中的步骤S200的流程图，如图2所示，本公开实施例中的所述利用所述图像数据集，对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式(步骤S200)，可以包括：

S201：为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

S202：基于所述第一连接矩阵和第一所述图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的损失值满足要求时各初始模块之间的第二连接矩阵，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

S203：将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间的适配的连接方式。

本公开实施例中，在对初始神经网络模型进行训练时，可以为初始神经网络模型设置第一连接矩阵，该第一连接矩阵可以包括各个初始模块之间的各连接方式的第一概率。例如，可以将该第一连接矩阵设置成高斯矩阵。在其他实施例中，也可以设置其他形式的矩阵，其中，针对每两个初始模块的各种连接方式的第一概率之和为1。例如，初始模块可以为n个，可供选择的连接方式可以为上述表1中的8种，因此，构建的初始的第一连接矩阵可以为

维的矩阵，其中，每一行可以为针对其中任意两个模块之间的不同连接方式的概率分布，并且各行的概率的总和为1。即本公开实施例中，设定的所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

图4示出根据本公开实施例的一种初始神经网络模型的结构示意图。其中可以包括初始模块A、B、C和D，各个初始模块可以执行相应的功能，例如卷积、正则化、全连接等等，本公开对此不进行限定，各个模块之间的连接方式可以为如表1所示出的8种连接方式中的一种。对应的建立的第一连接矩阵可以为：

在其他的实施例中，第一连接矩阵也可以为其他矩阵的形式，只要各行针对相同的两个初始模块的连接方式的概率总和为1即可以作为本公开实施例中的第一连接矩阵。

在确定了第一连接矩阵之后，则可以利用第一图像数据集对初始神经网络训练，在训练的过程中，可以得到神经网络模型预测的各图像的标识，该预测的标识可以作为第一预测结果，继而可以利用第一预测结果与真实结果(真实标识)之间的第一差值反馈调整第一连接矩阵内的各概率值，而后继续训练神经网络模型，直至得到的第一预测结果对应的损失值满足要求。其中，可以将第一预测结果和真实结果输入至第一损失函数，得到对应的第一损失值，也可以是将第一预测结果和真实结果之间的第一差值输入至损失函数得到第一损失值，具体可以根据第一损失函数确定，在确定第一损失值小于损失阈值的情况下，即可以确定第一预测结果对应的损失值满足要求。

图5示出根据本公开实施例的一种神经网络优化方法中步骤S202的流程图。其中，所述基于所述第一连接矩阵和所述图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果和真实结果之间的第一差值满足要求时各初始模块之间的第二连接矩阵(步骤S202)，可以包括：

S2021：利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型；

S2022：将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果；

S2023：利用第一损失函数获得所述图像的标识的第一预测结果对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，并重新执行步骤S2021和S2022，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

其中，在确定了第一连接矩阵之后，可以按照第一连接矩阵中针对每两个初始模块的连接方式中第一概率最大的连接方式构建第二神经网络模型。例如，针对上述第一连接矩阵：

各个初始模块之间的连接方式中，不连接任何备选模块的连接方式最大，因此针对该第一连接模块建立的第二神经网络模型可以与初始神经网络模型相同。在其他的第一连接矩阵的形式下，可以选择针对两个初始模块之间第一概率最大的连接方式建立第二神经网络模型。

在建立了第二神经网络模型之后，则可以将第一图像数据集中的各图像输入至该第二神经网络模型中进行训练，并得到针对各图像的标识的第一预测结果，该第一预测结果同样可以按照矩阵的形式体现，即第一预测结果可以包括针对每个图像对应于各标识的预测概率。在得到第一预测结果之后，可以将该第一预测结果与各图像的对应的标识的真实结果进行差值运算，得到第一差值。而后可以将该第一差值输入至第一损失函数得到第一损失值，或者也可以将第一预测结果和真实结果输入至第一损失函数得到该第一损失值，具体可以根据损失函数的参数确定。在得到第一损失值之后，可以判断该第一损失值是否小于第一损失阈值，如小于或者等于第一损失阈值，则确定为满足第一要求，并终止训练，此时小于第一损失阈值的第一损失值对应的第一连接矩阵即可以作为第二连接矩阵，如果第一损失值大于第一损失值阈值，则可以利用该第一损失值反馈调节第一连接矩阵中各连接方式的第一概率值，直至第一损失值小于第一损失阈值，此时小于第一损失阈值的第一损失值对应的第一连接矩阵即可以作为第二连接矩阵，获得的第二连接矩阵可以用于确定最终的各初始模块之间适配的连接方式。

另外，本公开实施例的第一损失函数可以为额外角度边际损失函数(ArcFaceloss)或者边际余弦损失函数(Cosine Face loss)。另外，第一损失函数也可以是其他类型的损失函数，具体可以根据不同的需求进行设定。

在得到第二连接矩阵之后，则可以执行步骤S300，即根据该第二连接矩阵中针对各模块之间的连接方式中第二概率最大的连接方式确定第一神经网络模型。本公开实施例可以将任意两个初始模块的第二概率最大的连接方式确定为该两个初始模块之间适配的连接方式，例如，在多种连接方式中，不连接的第二概率最大，则在对应的两个初始模块之间则不建立连接，如果两个初始模块之间各连接方式中连接最大池化备选模块的第二概率最大，则将该最大池化备选模块连接在对应的初始模块之间。从而可以在各初始模块之间确定适配的连接方式，以建立第一神经网络模型。

另外，在本公开实施例中，在对于两个初始模块的连接方式中包括两个概率最大且概率相同的第二概率的连接方式时，可以从该两种第二概率最大的连接方式中选择一种建立第一神经网络模型，也可以继续训练，确定该两种连接方式对应的第一损失值最小的连接方式，并将第一损失值最小的连接方式确定为适配的连接方式。

在得到第一神经网络模型之后，即可以通过步骤S400对第一伸进网络模型进行训练，得到针对各个模块的参数的最优化。

图6示出根据本公开实施例的一种神经网络优化方法中步骤S400的流程图。其中，所述对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型(步骤S300)，包括：

S401：将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识；

S402：利用第二损失函数获得所述图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

其中，本公开实施例通过第二连接矩阵确定第一神经网络模型之后，可以将第二图像数据集的各图像输入至第一神经网络模型中，并利用第一神经网络模型得到针对各图像的标识的第二预测结果，该第二预测结果同样也可以按照矩阵的形式体现，即第二预测结果可以包括针对第二图像数据集中每个图像对应于各标识的预测概率。在得到第二损失值之后，可以判断该第二损失值是否小于第二损失阈值，如小于或者等于第二损失阈值，则确定为满足第二要求，终止训练，此时小于或者等于第二损失阈值的第二损失值对应的第二神经网络模型即可以作为最终优化完成的神经网络模型，如果第二损失值大于第二损失值阈值，则可以利用该第二损失值反馈调节第二神经网络模型中的参数值，直至第二损失值小于或者等于第二损失阈值，此时小于或者等于第二损失阈值的第二损失值对应的第二神经网络即可以作为优化完成的神经网络模型。其中，第二损失函数也可以为额外角度边际损失函数(arcface loss)或者边际余弦损失函数(cosface loss)。另外，第一损失函数也可以是其他类型的损失函数，具体可以根据不同的需求进行设定。另外，对于第一损失阈值和第二损失阈值，本公开实施例不作具体限定，其可以根据不同的精度需求进行设定。

另外，第一图像数据集和第二图像数据集内的图像可以相同，也可以不同。本领域技术人员可以根据不同的需求选择对应的图像数据集。

其中，在对第一神经网络的参数进行优化的过程中，可以不断的优化各个模块中的卷积核的参数、激活函数的参数等参数信息，本公开实施例在此不进行一一举例说明，本领域技术人员可以根据不同的目的或者需求执行神经网络的参数优化。

综上所述，本公开实施例可以用于建立能够适配于相应的识别功能的神经网络，针对不同的识别目的，建立不同的神经网络模型，并且该神经网络优化方法还可以应用在实现行人识别的神经网络，并且具有识别精度高且方便快捷的特点。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了神经网络优化装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种神经网络优化方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图7示出根据本公开实施例的神经网络优化装置的框图，如图7所示，所述神经网络优化装置包括：

获取模块10，其用于获取第一图像数据集，所述第一图像数据集包括多个图像；

训练模块20，其用于利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

模型构建模块30，其用于基于确定的各初始模块之间的连接方式构建第一神经网络模型；

优化模块40，其用于对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型。

在一些可能的实施方式中，所述训练模块包括：

矩阵设定单元，其用于为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

训练单元，其用于基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的损失值满足要求时各初始模块之间的第二连接矩阵，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

确定单元，其用于将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间适配的连接方式。

在一些可能的实施方式中，所述第一图像数据集中还包括与各图像关联的标识，所述训练单元还用于利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型，以及

将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果，并且

利用第一损失函数获得所述第一图像数据集中各图像的标识的第一预测结果与对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

在一些可能的实施方式中，所述第一损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一连接矩阵为高斯矩阵，所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

在一些可能的实施方式中，所述优化模块还用于将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识，以及

利用第二损失函数获得所述第二图像数据集中各图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

在一些可能的实施方式中，所述第二损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

在一些可能的实施方式中，所述第一图像数据集和第二图像数据集相同或不同。

在一些可能的实施方式中，所述获取模块还用于从至少一个数据库中选择出多个标识，并从每个标识对应的图像中选择出多个图像，以及基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的初始模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图8示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图9示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图9，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (18)

1.一种神经网络优化方法，其特征在于，包括：

获取第一图像数据集，所述第一图像数据集包括多个图像；

利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

基于确定的各初始模块之间的连接方式构建第一神经网络模型；

对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型；

所述利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，包括：

为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，利用第一预测结果与真实结果之间的第一损失值反馈调整第一连接矩阵内的各概率值，直至得到在第一预测结果对应的第一损失值满足要求时各初始模块之间的第二连接矩阵，所述第一预测结果为所述初始神经网络模型对所述第一图像数据集中图像的预测结果，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间适配的连接方式。

2.根据权利要求1所述的方法，其特征在于，所述第一图像数据集中还包括与各图像关联的标识，所述基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，得到在第一预测结果对应的第一损失值满足要求时各初始模块之间的第二连接矩阵，包括：

利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型；

将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果；

利用第一损失函数获得所述第一图像数据集中各图像的标识的第一预测结果与对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

3.根据权利要求2所述的方法，其特征在于，所述第一损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述第一连接矩阵为高斯矩阵，所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型，包括：

将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识；

利用第二损失函数获得所述第二图像数据集中各图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述第二损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

7.根据权利要求5所述的方法，其特征在于，所述第一图像数据集和第二图像数据集相同或不同。

8.根据权利要求1-3中任意一项所述的方法，其特征在于，所述获取第一图像数据集包括：

从至少一个数据库中选择出多个标识；

从每个标识对应的图像中选择出多个图像；

基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

9.一种神经网络优化装置，其特征在于，包括：

获取模块，其用于获取第一图像数据集，所述第一图像数据集包括多个图像；

训练模块，其用于利用所述第一图像数据集对初始神经网络模型进行训练，以从备选的多种连接方式中选择出所述初始神经网络模型中各初始模块之间适配的连接方式，其中，所述备选的多种连接方式包括不连接、以及连接多个备选模块中的任意一个备选模块，所述备选模块用于连接在任意的两个初始模块之间；

模型构建模块，其用于基于确定的各初始模块之间的连接方式构建第一神经网络模型；

优化模块，其用于对所述第一神经网络模型进行参数优化，得到优化后的神经网络模型；

所述训练模块包括：

矩阵设定单元，其用于为所述初始神经网络模型中的各初始模块设定第一连接矩阵，所述第一连接矩阵由针对各初始模块之间的不同连接方式的第一概率构成；

训练单元，其用于基于所述第一连接矩阵和所述第一图像数据集，对所述初始神经网络模型进行训练，利用第一预测结果与真实结果之间的第一损失值反馈调整第一连接矩阵内的各概率值，直至得到在第一预测结果对应的第一损失值满足要求时各初始模块之间的第二连接矩阵，所述第一预测结果为所述初始神经网络模型对所述第一图像数据集中图像的预测结果，所述第二连接矩阵由训练得到的各初始模块之间的不同连接方式的第二概率构成；

确定单元，其用于将所述第二连接矩阵中针对任意两个初始模块之间的各连接方式中第二概率最大的连接方式确定为该任意两个初始模块之间适配的连接方式。

10.根据权利要求9所述的装置，其特征在于，所述第一图像数据集中还包括与各图像关联的标识，所述训练单元还用于利用所述第一连接矩阵中针对各初始模块之间的连接方式中第一概率最大的连接方式构建第二神经网络模型，以及

将所述第一图像数据集输入至第二神经网络模型，得到针对所述第一图像数据集中各图像的标识的第一预测结果，并且

利用第一损失函数获得所述第一图像数据集中各图像的标识的第一预测结果与对应的第一损失值，并根据所述第一损失值调整所述第一连接矩阵中的各第一概率，直至获得的第一损失值满足第一要求时将对应的第一连接矩阵确定为第二连接矩阵。

11.根据权利要求10所述的装置，其特征在于，所述第一损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

12.根据权利要求9-11中任意一项所述的装置，其特征在于，所述第一连接矩阵为高斯矩阵，所述第一连接矩阵的行数为

所述第一连接矩阵的列数为m，m为连接方式的数量，n为初始神经网络模型中初始模块的数量，

为从初始模块中选择出两个初始模块的组合数。

13.根据权利要求9-11中任意一项所述的装置，其特征在于，所述优化模块还用于将第二图像数据集输入至第一神经网络模型，并利用所述第一神经网络模型得到针对所述第二图像数据集中各图像的标识的第二预测结果，所述第二图像数据集包括多个图像以及与各图像关联的标识，以及

利用第二损失函数获得所述第二图像数据集中各图像的标识的第二预测结果对应的第二损失值，并根据所述第二损失值调整所述第一神经网络模型的参数，直至获得的第二损失值满足第二要求时将对应的第一神经网络模型确定为优化后的神经网络模型。

14.根据权利要求13所述的装置，其特征在于，所述第二损失函数包括：额外角度边际损失函数或者边际余弦损失函数。

15.根据权利要求13所述的装置，其特征在于，所述第一图像数据集和第二图像数据集相同或不同。

16.根据权利要求9-11中任意一项所述的装置，其特征在于，所述获取模块还用于从至少一个数据库中选择出多个标识，并从每个标识对应的图像中选择出多个图像，以及基于所述多个标识以及对应的所述多个图像形成所述第一图像数据集。

17.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至8中任意一项所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。

Images