本发明涉及图像处理领域，更具体地，特别是指一种深度学习模型的调优管理方法、装置、设备和介质。
背景技术：
目前对于预测模型的重训练管理，可以分为以下两种：一是通过将模型预测结果与人工标注结果进行比对，将与人为认定的预测错误结果，也就是图片张数进行累加，当预测错误数达到一个阈值时，就将之前预测所积累的所有正反例样本集作为训练集重新训练模型(比如阈值为200张预测错误图片，第一次1000张图片预测错了100张，第二次2000张图片预测错了150张，那么第二次预测结束后，就将之前的3000张图片用来训练调优模型)；二是通过每一次批量预测时，与人为认定的结果进行比对，得到该次预测的准确率，若准确率低于一个阈值，那么就重新训练(比如阈值为0.9，第一次1000张图片预测错了50张，第二次1000张图片预测错了150张，那么第二次结束后，将之前的2000张图片用来训练调优模型)。
对于重新训练模型的管理来说，重新训练的周期与触发情况是较为重要的，重新训练的次数过多，说明该模型较难满足管理者的准确率需要，且重新训练耗费时间与算力，重新训练的次数过少，则会使模型长时间不更新，对于模型未学习到的新情况预测准确度会不高，而且每一次预测的预测集总张数过大或过小时，均会影响重新训练的触发。
技术实现要素：
有鉴于此，本发明实施例的目的在于提供一种深度学习模型的调优管理方法、装置、设备和介质，主要针对模型重新训练调优的触发情况进行优化。
基于上述目的，本发明一方面提供了一种深度学习模型的调优管理方法，该方法包括：响应于需要预测的数据集中图片数量大于设置的数量阈值，将数据集平均分成若干子数据集，并通过深度学习模型对每个子数据集进行预测，以得到第一预测数据；通过人工预测判断得到每个子数据集的判断数据；对每个子数据集的第一预测数据和判断数据执行卡尔曼滤波以得到每个子数据集的第二预测数据；根据第一预测数据与第二预测数据得到深度学习模型的错误率；响应于错误率超过错误率阈值，触发深度学习模型重新训练。
在本发明的深度学习模型的调优管理方法的一些实施方式中，该方法还包括：响应于需要预测的数据集的图片数量不大于设置的数量阈值，通过深度学习模型对数据集进行预测以得到第一预测数据，通过人工预测判断得到数据集的判断数据，以及将第一预测数据与判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发深度学习模型重新训练。
在本发明的深度学习模型的调优管理方法的一些实施方式中，第一预测数据、判断数据以及第二预测数据均以目标样本集作为判断条件，目标样本集包括正例样本集或反例样本集。
在本发明的深度学习模型的调优管理方法的一些实施方式中，第一预测数据包括图片数量的预测数据以及预测准确率，判断数据包括图片数量的判断数据以及判断准确率。
在本发明的深度学习模型的调优管理方法的一些实施方式中，根据第一预测数据与第二预测数据得到深度学习模型的错误率还包括：将第一预测数据与第二预测数据做差后除以子数据集的图片数量，得到深度学习模型的错误率。
本发明实施例的另一方面，还提供了一种深度学习模型的调优管理装置，该装置包括：大数据集模型预测模块，大数据集模型预测模块配置为响应于需要预测的数据集中图片数量大于设置的数量阈值，将数据集平均分成若干子数据集，并通过深度学习模型对每个子数据集进行预测，以得到第一预测数据；人工预测模块，人工预测模块配置为通过人工预测判断得到每个子数据集的判断数据；卡尔曼滤波模块，卡尔曼滤波模块配置为对每个子数据集的第一预测数据和判断数据执行卡尔曼滤波以得到每个子数据集的第二预测数据；错误率计算模块，错误率计算模块配置为根据第一预测数据与第二预测数据得到深度学习模型的错误率；重新训练判断模块，重新训练判断模块配置为响应于错误率超过错误率阈值，触发深度学习模型重新训练。
在本发明的深度学习模型的调优管理装置的一些实施方式中，该装置还包括小数据集重新训练判断模块，小数据集重新训练判断模块配置为：响应于需要预测的数据集的图片数量不大于设置的数量阈值，通过深度学习模型对数据集进行预测以得到第一预测数据，通过人工预测判断得到数据集的判断数据，以及将第一预测数据与判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发深度学习模型重新训练。
在本发明的深度学习模型的调优管理装置的一些实施方式中，第一预测数据包括图片数量的预测数据以及预测准确率，判断数据包括图片数量的判断数据以及判断准确率。
本发明实施例的另一方面，还提供了一种计算机设备，该计算机设备包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行前述的深度学习模型的调优管理方法。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时执行前述的深度学习模型的调优管理方法。
本发明至少具有以下有益技术效果：本发明通过数据集分类与卡尔曼滤波算法，优化了深度学习平台的模型重新训练调优触发机制，实现了平台对深度学习模型自动重新训练的管理功能。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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实施例。
图1示出了根据本发明的深度学习模型的调优管理方法的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”和“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种深度学习模型的调优管理方法的实施例。图1示出的是根据本发明的深度学习模型的调优管理方法的实施例的示意图。如图1所示的实施例中，该方法至少包括如下步骤：
s100、响应于需要预测的数据集中图片数量大于设置的数量阈值，将数据集平均分成若干子数据集，并通过深度学习模型对每个子数据集进行预测，以得到第一预测数据；
s200、通过人工预测判断得到每个子数据集的判断数据；
s300、对每个子数据集的第一预测数据和判断数据执行卡尔曼滤波以得到每个子数据集的第二预测数据；
s400、根据第一预测数据与第二预测数据得到深度学习模型的错误率；
s500、响应于错误率超过错误率阈值，触发深度学习模型重新训练。
在本发明的构思中，针对深度学习模型的重新训练调优，考虑到重新训练频率，重新训练所使用的设备与算力、人工标注的失误性、一次模型预测的数据集大小等因素，结合卡尔曼滤波，实现预测集的自动分类与积累，模型预测准确率的修正。其中，卡尔曼滤波是预测和测量的结合，预测来自经验模型，是人对系统的建模推算得来的，另一部分是测量修正，是对模型的修正。简单来说就是预测误差滤波，使过程测量值信息不会被过滤掉，通过测量值不断修正预测值，使其得到动态的最优预测值，即第二预测数据。在本发明的一些实施例中，针对大数据集采用分批次预测，通过模型的预测数据和人为估计的判断数据，使用卡尔曼滤波，得到真正的最优估计值，即第二预测数据，计算出模型的最优估计的错误率；当错误率达到阈值时，触发相应的重新训练调优；重新训练后可替换上架，进行版本管理等。
根据本发明的深度学习模型的调优管理方法的一些实施方式，该方法还包括：响应于需要预测的数据集的图片数量不大于设置的数量阈值，通过深度学习模型对数据集进行预测以得到第一预测数据，通过人工预测判断得到数据集的判断数据，以及将第一预测数据与判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发深度学习模型重新训练。
在本发明的一些实施例中，本发明将整个平台的模型重新训练情况通过一个阈值分为大预测集和小预测集两种，对于大预测集如上所描述，结合现有的卡尔曼滤波算法，将预测集分为多等份，计算出较为准确的模型预测准确度，从而决定是否开始重新训练调优现有模型，而针对于小预测集使用预测错误结果累加的方式，实现平台的自动调优深度学习模型的管理功能。
在本发明的一些实施例中，配置对需要预测的数据集的图片张数进行计数，未超过一个数值(即数量阈值)，则记为小数据集a，在一些实施例中数量阈值为1000张。若为小数据集，则设置小数据集模型预测失败(即与人工识别结果不符)的图片张数为变量a，并把小数据集a图片都存于一个文件夹中作为调优的训练集t1；每次预测都将变量a进行求和，若a超过一个阈值(比如500张)则使用训练集t1进行重新训练调优。
根据本发明的深度学习模型的调优管理方法的一些实施方式，第一预测数据、判断数据以及第二预测数据均以目标样本集作为判断条件，目标样本集包括正例样本集或反例样本集。
使用卡尔曼滤波，得到真正目标样本的第二预测数据，计算出模型的最优估计的错误率。其中，目标样本可以是正例样本集，即第一预测数据、判断数据以及第二预测数据均以正例作为预测及判断条件，将对正例的数据进行计数、预测和判断。相反，目标样本也可以是反例样本集，即第一预测数据、判断数据以及第二预测数据均以反例作为预测及判断条件，将对反例的数据进行计数、预测和判断。在本发明的实施例中，目标样本集为正例样本集，即在本发明的一些实施例中，是对正例的数据进行计数、预测和判断。
根据本发明的深度学习模型的调优管理方法的一些实施方式，第一预测数据包括图片数量的预测数据以及预测准确率，判断数据包括图片数量的判断数据以及判断准确率。
在本发明的一些实施例中，通过模型的预测数据和人为估计的判断数据，结合模型准确度和人工识别准确度，使用卡尔曼滤波，得到最优估计值(即第二预测数据)，计算出模型的最优估计错误率。具体的实施方式为在本发明的一些实施例中，配置为对需要预测的数据集图片张数进行计数，超过一个数值(即数量阈值)，在本发明的一些实施例中数量阈值为1000张，则记为大数据集b。若为大数据集，则将大数据集b的图片置为训练集t2，并将大数据集b平均分为多份，在本发明的一些实施例中为10份，每一份有j张，按批次进行预测，得到深度学习模型的每一批次预测的张数x，深度学习模型介绍中的准确率为r；由于人眼与人的主观意识等因素，人类对于图像识别是有一部分偏差的，故得到人为检验结果的正例张数y，人工的识别准确率为s；以批次为轴，将模型的预测值x，r和人为的估计值y，s代入卡尔曼滤波中，得到该批次的最优估计值k，而卡尔曼增益可代入到之后其他数据集中继续使用；根据第一预测数据与第二预测数据得到深度学习模型的错误率t；若错误率t超出阈值，则触发重新训练调优，并使用训练集t2。
根据本发明的深度学习模型的调优管理方法的一些实施方式，步骤s400、根据第一预测数据与第二预测数据得到深度学习模型的错误率还包括：将第一预测数据与第二预测数据做差后除以子数据集的图片数量，得到深度学习模型的错误率。
在本发明的一些实施例中，通过将第一预测数据与最优估计值(即第二预测数据)做差，除以本批次的图片张数，得到最优估计的模型错误率。对于大数据集b举个例子：b有10000张图片，已知模型的准确率为96％，本次预测正例数为1000，而人为检验之后得到正例数为800。如果不使用卡尔曼滤波的思想，人工识别为正确标准，那么错误率为(1000-800)/10000＝0.02。使用卡尔曼滤波的思想，人工识别也会出错，假设人工识别准确率为80％(肉眼不会比机器更为准确，人们通常会更加相信经验的判断，但还是有医疗误诊或其他判断失误的可能)，代入公式：(1-0.96/(0.96 0.8))×1000 0.96/(0.96 0.8)×800≈891。得到最优估计的正例数为891，错误率为(1000-891)/10000＝0.0109。且随着次数增多，卡尔曼增益0.96/(0.96 0.8)也会不断优化。
本发明实施例的另一方面，提出了一种深度学习模型的调优管理装置的实施例。该装置包括：大数据集模型预测模块，大数据集模型预测模块配置为响应于需要预测的数据集中图片数量大于设置的数量阈值，将数据集平均分成若干子数据集，并通过深度学习模型对每个子数据集进行预测，以得到第一预测数据；人工预测模块，人工预测模块配置为通过人工预测判断得到每个子数据集的判断数据；卡尔曼滤波模块，卡尔曼滤波模块配置为对每个子数据集的第一预测数据和判断数据执行卡尔曼滤波以得到每个子数据集的第二预测数据；错误率计算模块，错误率计算模块配置为根据第一预测数据与第二预测数据得到深度学习模型的错误率；重新训练判断模块，重新训练判断模块配置为响应于错误率超过错误率阈值，触发深度学习模型重新训练。
根据本发明的深度学习模型的调优管理装置的一些实施方式，该装置还包括小数据集重新训练判断模块，小数据集重新训练判断模块配置为：响应于需要预测的数据集的图片数量不大于设置的数量阈值，通过深度学习模型对数据集进行预测以得到第一预测数据，通过人工预测判断得到数据集的判断数据，以及将第一预测数据与判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发深度学习模型重新训练。
根据本发明的深度学习模型的调优管理装置的一些实施方式，第一预测数据包括图片数量的预测数据以及预测准确率，判断数据包括图片数量的判断数据以及判断准确率。
基于上述目的，本发明实施例的另一方面，还提出了一种计算机设备，该计算机设备包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行前述的深度学习模型的调优管理方法。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时执行前述的深度学习模型的调优管理方法。
同样地，本领域技术人员应当理解，以上针对根据本发明的深度学习模型的调优管理方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的装置、计算机设备和介质。为了本公开的简洁起见，在此不再重复阐述。
需要特别指出的是，上述深度学习模型的调优管理方法、装置、设备和介质的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于深度学习模型的调优管理方法、装置、设备和介质也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，深度学习模型的调优管理方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)或快闪存储器。易失性存储器可以包括随机存取存储器(ram)，该ram可以充当外部高速缓存存储器。作为例子而非限制性的，ram可以以多种形式获得，比如同步ram(dram)、动态ram(dram)、同步dram(sdram)、双数据速率sdram(ddrsdram)、增强sdram(esdram)、同步链路dram(sldram)、以及直接rambusram(drram)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在asic中。asic可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括ram、rom、eeprom、cd-rom或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(dsl)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、dsl或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
1.一种深度学习模型的调优管理方法，其特征在于，所述方法包括：
响应于需要预测的数据集中图片数量大于设置的数量阈值，将所述数据集平均分成若干子数据集，并通过深度学习模型对每个所述子数据集进行预测，以得到第一预测数据；
通过人工预测判断得到每个所述子数据集的判断数据；
对每个所述子数据集的所述第一预测数据和所述判断数据执行卡尔曼滤波以得到每个所述子数据集的第二预测数据；
根据所述第一预测数据与所述第二预测数据得到所述深度学习模型的错误率；
响应于所述错误率超过错误率阈值，触发所述深度学习模型重新训练。
2.根据权利要求1所述的深度学习模型的调优管理方法，其特征在于，所述方法还包括：
响应于需要预测的所述数据集的所述图片数量不大于设置的所述数量阈值，通过深度学习模型对所述数据集进行预测以得到第一预测数据，通过人工预测判断得到所述数据集的判断数据，以及将所述第一预测数据与所述判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发所述深度学习模型重新训练。
3.根据权利要求1所述的深度学习模型的调优管理方法，其特征在于，所述第一预测数据、所述判断数据以及所述第二预测数据均以目标样本集作为判断条件，所述目标样本集包括正例样本集或反例样本集。
4.根据权利要求1所述的深度学习模型的调优管理方法，其特征在于，所述第一预测数据包括所述图片数量的预测数据以及预测准确率，所述判断数据包括所述图片数量的判断数据以及判断准确率。
5.根据权利要求1所述的深度学习模型的调优管理方法，其特征在于，所述根据所述第一预测数据与所述第二预测数据得到所述深度学习模型的错误率还包括：
将所述第一预测数据与所述第二预测数据做差后除以所述子数据集的所述图片数量，得到所述深度学习模型的错误率。
6.一种深度学习模型的调优管理装置，其特征在于，所述装置包括：
大数据集模型预测模块，所述大数据集模型预测模块配置为响应于需要预测的数据集中图片数量大于设置的数量阈值，将所述数据集平均分成若干子数据集，并通过深度学习模型对每个所述子数据集进行预测，以得到第一预测数据；
人工预测模块，所述人工预测模块配置为通过人工预测判断得到每个所述子数据集的判断数据；
卡尔曼滤波模块，所述卡尔曼滤波模块配置为对每个所述子数据集的所述第一预测数据和所述判断数据执行卡尔曼滤波以得到每个所述子数据集的第二预测数据；
错误率计算模块，所述错误率计算模块配置为根据所述第一预测数据与所述第二预测数据得到所述深度学习模型的错误率；
重新训练判断模块，所述重新训练判断模块配置为响应于所述错误率超过错误率阈值，触发所述深度学习模型重新训练。
7.根据权利要求6所述的深度学习模型的调优管理装置，其特征在于，所述装置还包括小数据集重新训练判断模块，所述小数据集重新训练判断模块配置为：
响应于需要预测的所述数据集的所述图片数量不大于设置的所述数量阈值，通过深度学习模型对所述数据集进行预测以得到第一预测数据，通过人工预测判断得到所述数据集的判断数据，以及将所述第一预测数据与所述判断数据不一致的数据进行累加计数；响应于累加计数的累加值超过累加阈值，触发所述深度学习模型重新训练。
8.根据权利要求6所述的深度学习模型的调优管理装置，其特征在于，所述第一预测数据包括所述图片数量的预测数据以及预测准确率，所述判断数据包括所述图片数量的判断数据以及判断准确率。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如权利要求1-5任意一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行权利要求1-5任意一项所述的方法。
技术总结