发明内容
本申请实施例提供一种图像分类的方法、装置、电子设备及介质。用以解决相关技术中存在的,在训练过程中对所有图像都采用相同的类别平滑度参数,从而不利于训练出一个准确度高的分类模型的问题。
其中,根据本申请实施例的一个方面,提供的一种图像分类的方法,包括:
获取待分类图像;
将所述待分类图像输入预先训练生成的图像分类模型中,其中,所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;
输出所述待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;
根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数;
基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;
将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。
可选地,在基于本申请上述方法的另一个实施例中,所述图像分类模型的训练步骤包括:
构建样本图像数据集,所述样本图像数据集包括多张样本图像和每张样本图像对应的类别标签;
将所述样本图像输入至初始图像分类模型,得到所述样本图像对应的至少两个初始类别分数;
利用所述至少两个初始类别分数,得到所述样本图像对应的类别平滑度参数;
根据所述样本图像对应的类别平滑度参数和所述损失函数,计算所述初始图像分类模型的损失;
用随机梯度下降算法对所述初始图像分类模型进行优化训练,从而优化所述分类模型的损失,当训练迭代次数达到上限值或损失值小于预设阈值时,得到所述训练生成的图像分类模型。
可选地,在基于本申请上述方法的另一个实施例中,所述损失函数通过下述公式构建:
其中,L对应于所述损失函数,
对应于模型输出的第i类别的归一化后的类别分数,k对应于所述样本图像所属于的图像类别,C对应于图像类别的总数量,T对应于所述类别平滑度参数,由归一化后的类别分数通过下述公式计算得到:
其中,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数;
其中,所述归一化后的类别分数z由下述公式获得:
其中,
表示模型输出的初始类别分数向量,
表示模型输出的初始类别分数向量中的最大绝对值。
可选地,在基于本申请上述方法的另一个实施例中,所述根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数,包括:
对所述至少两个初始类别分数进行归一化处理,使其分布在-1到1之间,得到归一化后的类别分数向量z,其中归一化方式如下:
选取所述归一化后的类别分数中,数值最高的两个分数值,并计算所述数值最高的两个分数值之间的差值;
基于所述差值,计算得到所述待分类图像对应的类别平滑度参数。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述差值,计算得到所述待分类图像对应的类别平滑度参数,包括,通过下述公式得到所述待分类图像对应的类别平滑度参数:
其中,T对应于所述类别平滑度参数,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数。
可选地,在基于本申请上述方法的另一个实施例中,基于下述公式计算每个初始类别分数对应的最终类别分数:
其中,vj对应于待分类图像属于第j类别的最终类别分数,
对应于输入图像属于第i类别的初始归一化类别分数,C对应于图像类别的总数量。
其中,根据本申请实施例的又一个方面,提供的一种图像分类的装置,其特征在于,包括:
第一获取模块,被配置为获取待分类图像;
输入模块,被配置为将待分类图像输入预先训练生成的图像分类模型中,其中,所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;
输出模块,被配置为输出所述待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;
计算模块,被配置为根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数;
第二获取模块,被配置为基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;
第三获取模块,被配置为将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。
根据本申请实施例的又一个方面,提供的一种电子设备,包括:
存储器,用于存储可执行指令;以及
显示器,用于与所述存储器以执行所述可执行指令从而完成上述任一所述图像分类的方法的操作。
根据本申请实施例的还一个方面,提供的一种计算机可读存储介质,用于存储计算机可读取的指令,所述指令被执行时执行上述任一所述图像分类的方法的操作。
本申请中,可以在获取待分类图像之后;将待分类图像输入预先训练生成的图像分类模型中,其中,训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;输出待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;根据至少两个初始类别分数,计算得到待分类图像对应的类别平滑度参数;基于类别平滑度参数对至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;将最终类别分数中数值最高的类别分数对应的图像类别作为待分类图像的图像类别。通过应用本申请的技术方案,可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数,从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能,进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的,所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。
下面通过附图和实施例,对本申请的技术方案做进一步的详细描述。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
另外,本申请各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
需要说明的是,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
下面结合图1来描述根据本申请示例性实施方式的用于进行图像分类的方法。需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
本申请还提出一种图像分类的方法、装置、电子设备及介质。
图1示意性地示出了根据本申请实施方式的一种图像分类的方法的流程示意图。如图1所示,该方法包括:
S101,获取待分类图像。
S102,将待分类图像输入预先训练生成的图像分类模型中,其中,预先训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成。
S103,输出待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别。
S104,根据至少两个初始类别分数,计算得到待分类图像对应的类别平滑度参数。
S105,基于类别平滑度参数对至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数。
S106,将最终类别分数中数值最高的类别分数对应的图像类别作为待分类图像的图像类别。
相关技术中,图像分类是一种根据图像信息中的不同特征,把图像归为不同类别的算法。图像分类算法的输入为一张图像,输出为类别集合中的某个类别。目前,基于深度神经网络的图像分类算法得到了广泛的关注和研究。
举例说明现有技术中根据唯一固定的类别平滑度参数来训练分类模型的过程:
假设数据集中的图像一共有C类。输入图像经过神经网络进行特征提取,并将提取的特征利用全连接层计算得到当前图像对应于C个类别的未归一化的分数。用向量
来表示类别分数向量。例如,
表示输入图像对应于第j个类别的分数。现有的图像分类算法一般利用softmax对分数进行归一化,使得每类的分数在0到1之间,且所有类别的分数之和为1。
其中,类别平滑度参数T为控制类别分数分布平滑度的参数。T值越大,经过归一化后的类别间的分数约平滑,分数的信息熵越大,不同类别之间的区分性越小。T值越小,经过归一化后的类别分数间的差异将会被拉大,类别之间的区分性越大。
值得注意的是,类别平滑度参数T的值不是越小越好。因为当T设置得很小的时候,类别分数分布将变成one-hot形式,即某一类的分数为1,其余类别的分数为0,这将导致模型过度相信一张图片属于某一分类,完全不属于其他分类。当类别之间具有一定相似性的时候,one-hot的形式的类别分布将会影响模型的泛化性能。另一方面,当类别平滑度参数T值很大的时候,类别之间的分数差异变得很小,导致类别之间的区分性很小,无法正确对不同图像进行分类。
因此,自适应地计算适合当前类别分数分布的类别平滑度参数T是提升分类性能的途径之一。
现有的大多数方法对所有训练图像采用唯一的类别平滑度参数。在这种情况下,由于类别平滑度参数T对所有的图像都是一致的,不论图像的原始类别分数分布如何,所有图像都采用相同的T进行分布调整,不利于模型的训练。
例如,当图像的原始分类分数z的差异已经较大的时候,如果采用一个较小的T,将会进一步拉大分数的差异分布,使得分数往one-hot的方向偏移,模型的泛化性能将受到影响。
又例如,当图像的原始分类分数z的差异较小的时候,如果采用一个较大的T,将会使得原本的差异变得更小,从而无法区分不同的图像类别。
针对上述存在的问题,本申请提出一种可以根据待分类图像的原始类别分数的现有分布,自动地计算出适合当前分布的类别平滑度参数的方案,从而更好地平衡图像类别间的区分性能和模型的泛化性能,从而提高模型识别图像类别的准确率。
具体来说,首先本申请需要构建一个预训练完成的图像分类模型,以使后续利用该图像分类模型对待分类图像进行分类识别,以得到最终的针对该图像的分类结果。
其中,对于得到该训练完成的图像分类模型而言,可以包括如下步骤:
步骤1:构建图像分类训练数据集。其中,训练数据集包括样本图像以及每一张样本图像的分类标签。以及,搭建初始图像分类模型并对网络参数进行初始化。
其中本申请不限制初始图像分类模型的形式,可以采用ResNet 或者Inception等分类模型。初始化参数方式可以采用随机初始化或者利用预训练模型进行初始化。
步骤2:将样本图像输入至初始图像分类模型,得到未归一化的每一类的类别分数
。并对分数
进行归一化,使其分布在-1到1之间。归一化方式如下:
其中,
表示模型输出的初始类别分数向量,
表示模型输出的初始类别分数向量中的最大绝对值。
步骤3:取出z中分数最大的两个值,根据以下公式计算这两个分数的差值s:
其中,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值。
步骤4:将两个分数的差值s(即
)乘以一个调节正数
,得到类别平滑度参数T。
其中,
为调节正数,用于调节分数差s和合适的T之间的尺度差异,a为可学习的参数。
步骤5:假设输入的样本图像属于第k类(样本图像预先标注有其所属的图像类别),则softmax交叉熵损失函数为:
其中,L对应于所述损失函数,
对应于模型输出的第i类别的归一化后的类别分数,k对应于所述样本图像所属于的图像类别,C对应于图像类别的总数量,T对应于所述类别平滑度参数。
步骤6:根据提出的损失函数,计算样本图像的损失。并在后续利用训练数据集和随机梯度下降算法训练初始分类模型,优化损失。
进一步的,当训练迭代次数等于预设上限值,或者损失值小于预设阈值,停止优化初始分类模型,得到最终的训练生成的图像分类模型。
更进一步的,本申请在得到最终的训练生成的图像分类模型之后,即可以利用该图像分类模型实现对待分类图像的图像分类确定,其中包括:
步骤a:将待分类图像输入到训练生成的图像分类模型中。
步骤b:将图像分类模型提取的特征输入图像分类模型的全连接层,得到待分类图像对应于每一图像类别的未归一化的至少两个初始类别分数
。
步骤c:根据上述提及的步骤,计算得到待分类图像对应的类别平滑度参数T。
步骤d:根据T,利用softmax对至少两个初始类别分数z进行归一化,得到每一类别最终的类别分数。
例如,第j类的最终类别分数为:
其中,vj对应于待分类图像属于第j类别的最终类别分数,
对应于输入图像属于第i类别的初始归一化类别分数,C对应于图像类别的总数量。
步骤e:将其中数值最高的最终类别分数vk对应的图像类别作为待分类图像的所属图像类别。
本申请中,可以在获取待分类图像之后;将待分类图像输入预先训练生成的图像分类模型中,其中,训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;输出待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;根据至少两个初始类别分数,计算得到待分类图像对应的类别平滑度参数;基于类别平滑度参数对至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;将最终类别分数中数值最高的类别分数对应的图像类别作为待分类图像的图像类别。通过应用本申请的技术方案,可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数,从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能,进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的,所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。
可选地,在基于本申请上述方法的另一个实施例中,所述图像分类模型的训练步骤包括:
构建样本图像数据集,所述样本图像数据集包括多张样本图像和每张样本图像对应的类别标签;
将所述样本图像输入至初始图像分类模型,得到所述样本图像对应的至少两个初始类别分数;
利用所述至少两个初始类别分数,得到所述样本图像对应的类别平滑度参数;
根据所述样本图像对应的类别平滑度参数和所述损失函数,计算所述初始图像分类模型的损失;
用随机梯度下降算法对所述初始图像分类模型进行优化训练,从而优化所述分类模型的损失,当训练迭代次数达到上限值或损失值小于预设阈值时,得到所述训练生成的图像分类模型。
可选地,在基于本申请上述方法的另一个实施例中,所述损失函数通过下述公式构建:
其中,L对应于所述损失函数,
对应于模型输出的第i类别的归一化后的类别分数,k对应于所述样本图像所属于的图像类别,C对应于图像类别的总数量,T对应于所述类别平滑度参数,由归一化后的类别分数通过下述公式计算得到:
其中,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数;
其中,所述归一化后的类别分数z由下述公式获得:
其中,
表示模型输出的初始类别分数向量,
表示模型输出的初始类别分数向量中的最大绝对值。
可选地,在基于本申请上述方法的另一个实施例中,所述根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数,包括:
对所述至少两个初始类别分数进行归一化处理,使其分布在-1到1之间,得到归一化后的类别分数向量z,其中归一化方式如下:
选取所述归一化后的类别分数中,数值最高的两个分数值,并计算所述数值最高的两个分数值之间的差值;
基于所述差值,计算得到所述待分类图像对应的类别平滑度参数。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述差值,计算得到所述待分类图像对应的类别平滑度参数,包括,通过下述公式得到所述待分类图像对应的类别平滑度参数:
其中,T对应于所述类别平滑度参数,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数。
可选地,在基于本申请上述方法的另一个实施例中,基于下述公式计算每个初始类别分数对应的最终类别分数:
其中,vj对应于待分类图像属于第j类别的最终类别分数,
对应于输入图像属于第i类别的初始归一化类别分数,C对应于图像类别的总数量。
通过应用本申请的技术方案,可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数,从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能,进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的,所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。
可选的,在本申请的另外一种实施方式中,如图2所示,本申请还提供一种图像分类的装置。其中包括:
第一获取模块201,被配置为获取待分类图像;
输入模块202,被配置为将待分类图像输入预先训练生成的图像分类模型中,其中,所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;
输出模块203,被配置为输出所述待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;
计算模块204,被配置为根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数;
第二获取模块205,被配置为基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;
第三获取模块206,被配置为将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。
本申请中,可以在获取待分类图像之后;将待分类图像输入预先训练生成的图像分类模型中,其中,训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;输出待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;根据至少两个初始类别分数,计算得到待分类图像对应的类别平滑度参数;基于类别平滑度参数对至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;将最终类别分数中数值最高的类别分数对应的图像类别作为待分类图像的图像类别。通过应用本申请的技术方案,可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数,从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能,进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的,所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。
在本申请的另外一种实施方式中,训练模块207,被配置执行的步骤包括:
构建样本图像数据集,所述样本图像数据集包括多张样本图像和每张样本图像对应的类别标签;
将所述样本图像输入至初始图像分类模型,得到所述样本图像对应的至少两个初始类别分数;
利用所述至少两个初始类别分数,得到所述样本图像对应的类别平滑度参数;
根据所述样本图像对应的类别平滑度参数和所述损失函数,计算所述初始图像分类模型的损失;
用随机梯度下降算法对所述初始图像分类模型进行优化训练,从而优化所述分类模型的损失,当训练迭代次数达到上限值或损失值小于预设阈值时,得到所述训练生成的图像分类模型。
在本申请的另外一种实施方式中,计算模块204,被配置执行的步骤包括:
其中,L对应于所述损失函数,
对应于模型输出的第i类别的归一化后的类别分数,k对应于所述样本图像所属于的图像类别,C对应于图像类别的总数量,T对应于所述类别平滑度参数,由归一化后的类别分数通过下述公式计算得到:
其中,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数;
其中,所述归一化后的类别分数z由下述公式获得:
其中,
表示模型输出的初始类别分数向量,
表示模型输出的初始类别分数向量中的最大绝对值。
在本申请的另外一种实施方式中,计算模块204,被配置执行的步骤包括:
对所述至少两个初始类别分数进行归一化处理,使其分布在-1到1之间,得到归一化后的类别分数向量z,其中归一化方式如下:
选取所述归一化后的类别分数中,数值最高的两个分数值,并计算所述数值最高的两个分数值之间的差值;
基于所述差值,计算得到所述待分类图像对应的类别平滑度参数。
在本申请的另外一种实施方式中,计算模块204,被配置执行的步骤包括:
通过下述公式得到所述待分类图像对应的类别平滑度参数:
其中,T对应于所述类别平滑度参数,
表示所述类别分数中的最高分数值,
表示所述类别分数中的次高分数值,
为调节正数,a为可学习参数。
在本申请的另外一种实施方式中,计算模块204,被配置执行的步骤包括:
基于下述公式计算每个初始类别分数对应的最终类别分数:
其中,vj对应于待分类图像属于第j类别的最终类别分数,
对应于输入图像属于第i类别的初始归一化类别分数,C对应于图像类别的总数量。
图3是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如,电子设备300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。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备处理器执行以完成上述图像分类的方法,该方法包括:获取待分类图像;将所述待分类图像输入预先训练生成的图像分类模型中,其中,所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;输出所述待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数;基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。可选地,上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序/计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电子设备的处理器执行,以完成上述图像分类的方法,该方法包括:获取待分类图像;将所述待分类图像输入预先训练生成的图像分类模型中,其中,所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成;输出所述待分类图像对应的至少两个初始类别分数,其中每个初始类别分数对应于不同的图像类别;根据所述至少两个初始类别分数,计算得到所述待分类图像对应的类别平滑度参数;基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理,得到每个初始类别分数对应的最终类别分数;将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。可选地,上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。
本领域技术人员可以理解,示意图3仅仅是电子设备300的示例,并不构成对电子设备300的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备300还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit,CPU),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)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等,处理器302是电子设备300的控制中心,利用各种接口和线路连接整个电子设备300的各个部分。
存储器301可用于存储计算机可读指令,处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块,以及调用存储在存储器301内的数据,实现电子设备300的各种功能。存储器301可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备300的使用所创建的数据等。此外,存储器301可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
电子设备300集成的模块如果以软件功能模块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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。