声码器的训练方法、装置、设备和存储介质与流程

1.本公开涉及计算机技术领域，具体涉及语音合成、深度学习等人工智能领域，尤其涉及一种声码器的训练方法、装置、设备和存储介质。


背景技术：

2.语音合成(text to speech，tts)是指将文本转换为音频。语音合成一般采用语音合成模型对文本进行处理，以获得文本对应的音频。
3.语音合成模型可以包括声学模型和声码器，声学模型将输入的语音转换为声学特征，声码器将输入的声学特征转换为音频。
4.由于声码器对应的训练数据有限，声码器的效果不够理想。


技术实现要素：

5.本公开提供了一种声码器的训练方法、装置、设备和存储介质。
6.根据本公开的一方面，提供了一种声码器的训练方法，包括：获取已有数据，所述已有数据包括：已有音频；对所述已有音频进行数据增强处理，以获得扩充音频；基于所述已有音频和所述扩充音频，训练声码器。
7.根据本公开的另一方面，提供了一种声码器的训练装置，包括：获取模块，用于获取已有数据，所述已有数据包括：已有音频；处理模块，用于对所述已有音频进行数据增强处理，以获得扩充音频；训练模块，用于基于所述已有音频和所述扩充音频，训练声码器。
8.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
9.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
10.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
11.根据本公开的技术方案，可以提高声码器的效果。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开第一实施例的示意图；
15.图2是根据本公开第二实施例的示意图；
16.图3是根据本公开第三实施例的示意图；
17.图4是根据本公开第四实施例的示意图；
18.图5是根据本公开第五实施例的示意图；
19.图6是根据本公开第六实施例的示意图；
20.图7是用来实现本公开实施例的声码器的训练方法的电子设备的示意图。
具体实施方式
21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
22.一般来讲，为了提高模型效果，一般采用较大数据量的训练数据。但是，针对声码器，获得较大数据量的训练数据比较困难，在有限数据量的训练数据的基础上，声码器的效果较差。
23.为了提高声码器的效果，本公开提供如下实施例。
24.图1是根据本公开第一实施例的示意图，本实施例提供一种声码器的训练方法，所述方法包括：
25.101、获取已有数据，所述已有数据包括：已有音频。
26.102、对所述已有音频进行数据增强处理，以获得扩充音频。
27.103、基于所述已有音频和所述扩充音频，训练声码器。
28.其中，语音合成方法可以应用到不同的语音合成场景下，不同的语音合成场景比如包括：语音导航、呼叫中心、小说语音播放、智能音箱语音交互等。
29.其中，已有音频可以从已有训练集中获取，比如，对应不同的场景，如语音导航场景，可以从语音导航场景的已有训练集中，获取已有音频。
30.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
31.由于已有数据的数据量有限，比如，语音导航场景的已有音频的数据量是较少的，为了扩充数据量，可以对已有音频进行数据增强处理，得到扩充音频。之后，可以将已有音频和扩充音频均作为音频样本，用于声码器的训练。
32.如图2所示，语音合成模型可以包括声学模型201和声码器202，声学模型用于对输入的文本进行处理，以获得文本对应的声学特征，声学特征比如为梅尔频谱；声码器用于对输入的声学特征进行处理，以获得所述文本对应的音频。
33.声学模型201和声码器202可以均为深度神经网络模型。
34.本实施例针对声码器的训练过程进行说明。
35.参见图2，声码器202的输入为声学特征，输出为音频，因此，在训练声码器时，可以先获得声学特征样本和音频样本，再采用声学特征样本和音频样本，训练声码器。
36.其中，音频样本可以包括上述的已有音频和扩充音频。
37.由于扩充音频是对已有音频进行数据增强处理后获得的，因此，可以基于已有音频获得扩充音频，声码器训练时的训练数据除了已有音频，还包括扩充音频，因此，丰富了
训练数据，提高了训练数据的数据量，从而在少量的已有音频的基础上，可以提高声码器的效果。
38.一些实施例中，所述对对所述已有音频进行数据增强处理，以获得扩充音频，包括如下项中的至少一项：对所述已有音频进行速度调整，以获得速度调整后的音频，将所述速度调整后的音频作为所述扩充音频；对所述已有音频进行基频调整，以获得基频调整后的音频，将所述基频调整后的音频作为所述扩充音频；对所述已有音频进行音量调整，以获得音量调整后的音频样本，将所述音量调整后的音频样本作为所述扩充音频。
39.即，可以通过调整已有音频的速度、基频、音量中的一项或多项，获得扩充音频。
40.假设已有音频用x1,x2,x3...表示，其中，xi(i＝1,2,3...)(i是时间索引，为正整数)为音频单元。
41.针对速度调整，可以通过丢弃或插入一些音频单元，实现速度调整，速度调整可以包括音频加速或者音频减速，其中，可以通过丢弃一些音频单元实现音频加速，通过插入一些音频单元实现音频减速。丢弃或插入一些音频单元可以通过滤波方式实现。
42.针对基频调整，可以采用同步交叠相加方式，将已有音频先转换到频域，再对频域中的幅度做整体左移或者右移，对音频的基频实现降调或者升调。
43.针对音量调整，可以通过改变音频振幅的缩放系数，实现音量的增加或减少。
44.具体地，速度、基频、音量的调整方式可以采用sox(sound exchange)软件实现。sox是一种可以调整音频格式的软件。
45.比如，参见图3，采用sox软件对输入的已有音频进行处理，可以输出扩充音频。
46.采用sox软件，可以对已有音频进行速度、音频、音量中的一项或多项的调整。
47.比如，针对速度，可以对已有音频进行0.8，0.9，1.0，1.1，1.2倍的速度的变化来扩充数据。针对基频，可以对已有音频进行0.8，0.9，1.0，1.1，1.2倍的基频的变化来扩充数据。针对音量，可以对已有音频进行0.8，0.9，1.0，1.1，1.2倍的音量的变化来扩充数据。
48.通过对已有音频进行速度、基频、音量中的一项或多项的调整，可以获得扩充音频，从而扩大训练数据的数据量。
49.获得扩充音频后，可以基于已有音频和扩充音频训练声码器。
50.声码器为深度神经网络模型，一般来讲，深度神经网络模型的训练过程包括多次更新过程，从而从初始模型生成最终模型。
51.即，针对声码器，所述已有数据还包括声学特征样本，所述已有音频和所述扩充音频作为音频样本，所述基于所述已有音频和所述扩充音频，训练声码器，包括：基于所述声学特征样本和所述音频样本，执行至少一步的模型参数更新过程，以生成所述声码器。
52.其中，声学特征样本可以是基于已有数据获得的，比如，对已有的文本样本采用声学模型处理后，声学模型输出的声学特征作为声学特征样本，或者，直接从已有数据中获取声学特征样本。
53.训练声码器时，可以从初始声码器开始，执行至少一步的模型参数更新过程，获得最终模型参数，将具有最终模型参数的声码器，作为最终声码器，即训练后生成的声码器。
54.初始声码器可以是预训练模型，预训练模型可以采用各个领域的大量数据已经训练完成的预训练模型。
55.本实施例可以在预训练模型的基础上，采用特定领域的少量已有数据，比如，语音
导航领域的少量已有数据，对已有的预训练模型进行微调(finetine)，以获得最终声码器。
56.其中，至少一步(step)也可以称为至少一轮、至少一次等。更新过程的总步数可以设置，比如，10万次。
57.每步的更新过程是类似的，是对已有的模型参数进行更新，模型参数也可以称为权重。
58.其中，更新过程中，可以将每步作为当前步进行处理，以逐次更新每步的模型参数。针对当前步，已有的模型参数可以称为初始模型参数，或者未更新的模型参数，之后，对初始模型参数进行更新，获得更新后的模型参数。当前步的更新后的模型参数，可以作为当前步的下一步的初始模型参数。或者说，当前步的初始模型参数为当前步的上一步的更新后的模型参数。
59.声码器可以为包括至少一个子模型的深度神经网络模型，比如，声码器为wavernn。wavernn是一个工业级主流的神经网络框架的声码器，是一种多子带小型稀疏模型。
60.一些实施例中，所述已有数据还包括声学特征样本，所述已有音频和所述扩充音频作为音频样本，所述声码器包括至少一个子模型，所述训练包括至少一步的模型参数更新过程，所述基于所述已有音频和所述扩充音频，训练声码器，包括：基于所述声学特征样本和所述音频样本，执行至少一步的模型参数更新过程，以生成所述声码器；其中，针对所述至少一步的模型参数更新过程，执行：对所述音频样本进行子带拆分，以获得至少一个真实子带音频；采用所述至少一个子模型的初始模型参数，对所述声学特征样本进行处理，以输出至少一个预测子带音频；基于所述至少一个真实子带音频和所述至少一个预测子带音频，构建损失函数；基于所述损失函数，调整所述至少一个子模型的初始模型参数，以获得所述至少一个子模型的调整后的模型参数；基于所述至少一个子模型的调整后的模型参数，确定所述至少一个子模型的更新后的模型参数。
61.其中，结合图2，声码器的输入为声学特征，输出为音频，因此，在训练声码器时，可以将声学特征样本和音频样本作为训练数据，本实施例中，声学特征样本可以从已有数据中获得，音频样本可以包括已有数据中的已有音频，以及基于已有音频获得的扩展音频。
62.其中，针对某一音频，可以将其分为预设个数的子带，比如，对于一个16khz音频，也就是一秒音频有16000个点，如果分8个子带，会将16000个点平均分给每个子带为2000个点。每个子带对应的2000个点的信号可以称为子带音频。
63.如图4所示，以8个子带音频为例，相应地，子模型的个数为8个，分别用第一子模型～第八子模型表示。声学特征样本分别输入到8个子模型中，每个子模型输出一个预测子带音频，从而可以获得8个预测子带音频，分别用第一预测子带音频～第八预测子带音频表示。
64.另外，音频样本拆分后，可以获得8个真实子带音频，分别用第一真实子带音频～第八真实子带音频表示。其中，可以采用伪正交镜像滤波器(pseudo quadrature mirror filtering，pqmf)对音频样本进行子带拆分。
65.对应相同的子带，各个预测子带音频和各个真实子带音频可以构建(图4中用圆表示)对应的损失函数，比如，分别用l1,l2,...,l8表示，l1等可以为交叉熵损失函数或高斯损失函数等。之后，可以计算这8个损失函数的平均值，作为最终的损失函数，即l＝(l1+l2
+...+l8)/8。
66.获得最终的损失函数l后，可以基于该损失函数l调整各个子模型的模型参数，其中，可以采用反向传播(back propagation，bp)算法等进行模型参数的调整。
67.获得调整后的模型参数后，可以基于调整后的模型参数获得更新后的模型参数。
68.通过对音频样本进行子带拆分，以获得真实子带音频，以及，采用子模型获得预测子带音频，可以基于真实子带音频和预测子带音频，调整子模型的模型参数，以便于获得最终的声码器，适用于多子带的声码器的模型参数调整过程。
69.一些实施例中，所述至少一步包括当前步，所述基于所述至少一个子模型的调整后的模型参数，确定所述至少一个子模型的更新后的模型参数，包括：若所述当前步的步数小于或等于第一预设值，将所述至少一个子模型的调整后的模型参数，作为所述至少一个子模型的更新后的模型参数；若所述当前步的步数大于所述第一预设值，采用所述至少一个子模型对应的稀疏化规则，对所述至少一个子模型的调整后的模型参数进行稀疏化处理，以获得所述至少一个子模型的更新后的模型参数。
70.比如，参见图5，针对当前步，以第一子模型的模型参数w1为例，为了简化说明，假设w1中的模型参数的三个，调整后的模型参数用[a1,a2,a3]表示，若当前步的步数(t)小于或等于第一预设值，则将调整后的模型参数作为更新后的模型参数，即，更新后的模型参数为[a1,a2,a3]。否则，对调整后的模型参数进行稀疏化处理，将稀疏化处理后的模型参数作为更新后的模型参数。关于稀疏化处理的内容可以详见后续说明。
[0071]
其中，第一预设值比如为8000，因此，若当前步的步数为0～8000时，可以直接将调整后的模型参数作为更新后的模型参数。
[0072]
若当前步的步数大于8000，则可以对调整后的模型参数进行稀疏化处理，获得更新后的模型参数。
[0073]
其中，稀疏化处理是指，对模型参数的参数值的绝对值进行调小处理，甚至，将参数值设置为0。
[0074]
通过对模型参数进行稀疏化处理，可以加快模型的训练速度。
[0075]
一些实施例中，所述采用所述至少一个子模型对应的稀疏化规则，对所述至少一个子模型的调整后的模型参数进行稀疏化处理，以获得所述至少一个子模型的更新后的模型参数，包括：采用所述至少一个子模型对应的稀疏化规则，确定所述调整后的模型参数中的待处理模型参数；将所述待处理模型参数的参数值与预设系数相乘，以及，保持所述待处理模型参数之外的未处理模型参数的参数值不变，以获得所述至少一个子模型的更新后的模型参数。
[0076]
其中，以子模型为8个为例，相应的模型参数用w1,w2,...,w8表示，一般来讲，这8组模型参数是一起稀疏的，即，这8组模型参数对应一个稀疏化规则，而不是每个子模型对应一个稀疏化规则。
[0077]
比如，稀疏化规则为对80％的模型参数进行稀疏化，则相关技术中可以在8组模型参数中选择80％的模型参数进行稀疏化。
[0078]
而本实施例中，可以每个子模型对应一个稀疏化规则，因此，每组模型参数可以选择该组模型参数中的80％模型参数进行稀疏化。
[0079]
其中，可以选择参数值的绝对值最小的80％作为待处理模型参数。
[0080]
参见图5，以w1为例，假设a1为待处理模型参数，则更新后的模型参数为[a1*k,a2,a3]，其中，*表示相乘运算，k为预设系数。
[0081]
针对待处理模型参数，可以将其参数值与预设系数进行相乘的乘积，作为稀疏化处理后的参数值。比如，预设系数为0，则针对某个待处理模型参数，经过稀疏化处理后，其参数值变为0。
[0082]
通过采用子模型对应的稀疏化规则进行稀疏化处理，可以对各个子模型的模型参数的单独处理，而不是一起处理，实现稀疏化的独立性，提高稀疏化效果。
[0083]
一些实施例中，所述将所述待处理模型参数的参数值与预设系数相乘，包括：若所述当前步的步数大于所述第一预设值，且小于或等于第二预设值，将所述待处理模型参数的参数值与第一预设系数相乘，所述第一预设系数为大于0且小于1的数值；或者，若所述当前步的步数大于所述第二预设值，将所述待处理模型参数的参数值与第二预设系数相乘，所述第二预设系数为0；其中，所述第二预设值大于所述第一预设值。
[0084]
比如，参见图5，若当前步的步数(t)大于第一预设值，且小于或等于第二预设值，则k为大于0且小于1的值，若t大于第二预设值，则k＝0，即，待处理模型参数的参数值被置为0。
[0085]
其中，第一预设值可以为8000，第二预设值可以为80000，则针对当前步在8000～80000之间时，模型参数的参数值并不是直接置0，而是在原始的参数值的基础上乘以一个系数；针对当前步大于80000的情况，可以将模型参数的参数值直接置0。
[0086]
因此，假设第一预设值为8000，第二预设值为80000，以及假设基于损失函数调整后的模型参数用a表示，更新后的模型参数用a'表示，则两者存在如下关系：
[0087][0088]
其中，0＜k＜1，为预设系数。
[0089]
由于训练初期，模型参数(权重)会比较大，如果直接将权重置0，会导致训练比较震荡。
[0090]
通过引入上述的非0的k，可以实现权重回退，进而实现稀疏化的平滑性，避免训练初期的震荡问题，提高训练的稳定性，另外还可以将学到的信息用到模型训练过程中，提高模型的准确性。
[0091]
图6是根据本公开第六实施例的示意图，本实施例提供一种声码器的训练装置。如图6所示，该装置600包括：获取模块601、处理模块602和训练模块603。
[0092]
获取模块601用于获取已有数据，所述已有数据包括：已有音频；处理模块602用于对所述已有音频进行数据增强处理，以获得扩充音频；训练模块603用于基于所述已有音频和所述扩充音频，训练声码器
[0093]
一些实施例中，所述处理模块602进一步用于执行如下项中的一项或多项：对所述已有音频进行速度调整，以获得速度调整后的音频，将所述速度调整后的音频作为所述扩充音频；对所述已有音频进行基频调整，以获得基频调整后的音频，将所述基频调整后的音频作为所述扩充音频；对所述已有音频进行音量调整，以获得音量调整后的音频样本，将所述音量调整后的音频样本作为所述扩充音频。
[0094]
一些实施例中，所述已有数据还包括声学特征样本，所述已有音频和所述扩充音频作为音频样本，所述声码器包括至少一个子模型，所述训练模块603进一步用于：基于所述声学特征样本和所述音频样本，执行至少一步的模型参数更新过程，以生成所述声码器；其中，针对所述至少一步的模型参数更新过程，执行：对所述音频样本进行子带拆分，以获得至少一个真实子带音频；采用所述至少一个子模型的初始模型参数，对所述声学特征样本进行处理，以输出至少一个预测子带音频；基于所述至少一个真实子带音频和所述至少一个预测子带音频，构建损失函数；基于所述损失函数，调整所述至少一个子模型的初始模型参数，以获得所述至少一个子模型的调整后的模型参数；基于所述至少一个子模型的调整后的模型参数，确定所述至少一个子模型的更新后的模型参数。
[0095]
一些实施例中，所述至少一步包括当前步，所述训练模块603进一步用于：若所述当前步的步数小于或等于第一预设值，将所述至少一个子模型的调整后的模型参数，作为所述至少一个子模型的更新后的模型参数；若所述当前步的步数大于所述第一预设值，采用所述至少一个子模型对应的稀疏化规则，对所述至少一个子模型的调整后的模型参数进行稀疏化处理，以获得所述至少一个子模型的更新后的模型参数。
[0096]
一些实施例中，所述训练模块603进一步用于：采用所述至少一个子模型对应的稀疏化规则，确定所述调整后的模型参数中的待处理模型参数；将所述待处理模型参数的参数值与预设系数相乘，以及，保持所述待处理模型参数之外的未处理模型参数的参数值不变，以获得所述至少一个子模型的更新后的模型参数。
[0097]
一些实施例中，所述训练模块603进一步用于：若所述当前步的步数大于所述第一预设值，且小于或等于第二预设值，将所述待处理模型参数的参数值与第一预设系数相乘，所述第一预设系数为大于0且小于1的数值；或者，若所述当前步的步数大于所述第二预设值，将所述待处理模型参数的参数值与第二预设系数相乘，所述第二预设系数为0；其中，所述第二预设值大于所述第一预设值。
[0098]
由于扩充音频是对已有音频进行数据增强处理后获得的，因此，可以基于已有音频获得扩充音频，声码器训练时的训练数据除了已有音频，还包括扩充音频，因此，丰富了训练数据，提高了训练数据的数据量，从而在少量的已有音频的基础上，可以提高声码器的效果。
[0099]
通过对已有音频进行速度、基频、音量中的一项或多项的调整，可以获得扩充音频，从而扩大训练数据的数据量。
[0100]
通过对音频样本进行子带拆分，以获得真实子带音频，以及，采用子模型获得预测子带音频，可以基于真实子带音频和预测子带音频，调整子模型的模型参数，以便于获得最终的声码器，适用于多子带的声码器的模型参数调整过程。
[0101]
通过对模型参数进行稀疏化处理，可以加快模型的训练速度。
[0102]
通过采用子模型对应的稀疏化规则进行稀疏化处理，可以对各个子模型的模型参数的单独处理，而不是一起处理，实现稀疏化的独立性，提高稀疏化效果。
[0103]
通过引入上述的非0的k，可以实现权重回退，进而实现稀疏化的平滑性，避免训练初期的震荡问题，提高训练的稳定性，另外还可以将学到的信息用到模型训练过程中，提高模型的准确性。
[0104]
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
[0105]
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
[0106]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0107]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0108]
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0109]
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0110]
电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0111]
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如声码器的训练方法。例如，在一些实施例中，声码器的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的声码器的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行声码器的训练方法。
[0112]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0113]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0114]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0115]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0116]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0117]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0118]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0119]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。