数据处理方法、装置、终端及存储介质与流程

本申请实施例涉及芯片技术领域，特别涉及一种数据处理方法、装置、终端及存储介质。

背景技术：

随着终端技术的发展，终端推出了ai(artificialintelligence，人工智能)芯片，ai芯片可用于实现神经网络的处理过程。

在相关技术中，ai芯片在实现神经网络的处理过程中，神经网络的处理过程中的目标中间数据(例如，权值和/或特征图)需要从ai芯片包括的sram(staticrandomaccessmemory，静态随机存取存储器)中交换到外部dram(dynamicrandomaccessmemory，动态随机存取存储器)中。

然而，上述相关技术会导致终端功耗增加。

技术实现要素：

本申请实施例提供一种数据处理方法、装置、终端及存储介质。所述技术方案如下：

一方面，本申请实施例提供一种数据处理方法，所述方法包括：

对目标中间数据进行压缩，所述目标中间数据是指神经网络的第n层处理时需要使用的数据，所述n为正整数；

响应于所述神经网络的第n层使用所述目标中间数据进行处理，获取压缩后的所述目标中间数据；

对压缩后的所述目标中间数据进行解压缩，得到所述目标中间数据；

根据所述目标中间数据对所述神经网络的第n层进行处理。

另一方面，本申请实施例提供一种数据处理装置，所述装置包括：

数据压缩模块，用于对目标中间数据进行压缩，所述目标中间数据是指神经网络的第n层处理时需要使用的数据，所述n为正整数；

数据获取模块，用于响应于所述神经网络的第n层使用所述目标中间数据进行处理，获取压缩后的所述目标中间数据；

数据解压缩模块，用于对压缩后的所述目标中间数据进行解压缩，得到所述目标中间数据；

数据处理模块，用于根据所述目标中间数据对所述神经网络的第n层进行处理。

另一方面，本申请实施例提供一种终端，所述终端包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述方面所述的数据处理方法。

又一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述方面所述的数据处理方法。

又一方面，本申请实施例提供一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述数据的处理方法。

本申请实施例提供的技术方案可以带来如下有益效果：

对暂时不需要使用的第n层对应的中间数据进行压缩，需要使用时对该第n层对应的中间数据进行解压缩，合理利用了终端的内存空间，降低了对内存空间的要求，因此，本申请实施例可以避免将中间数据交换到dram中而造成的终端功耗增加的现象。

附图说明

图1是本申请一个实施例提供的ai芯片的结构示意图；

图2是本申请一个实施例提供的数据处理方法的流程图；

图3是本申请另一个实施例提供的数据处理方法的流程图；

图4是本申请另一个实施例提供的数据处理方法的流程图；

图5是本申请一个实施例提供的unet网络的结构示意图；

图6是本申请另一个实施例提供的数据处理方法的流程图；

图7是本申请又一个实施例提供的数据处理方法的流程图；

图8是本申请一个实施例提供的数据处理装置的框图；

图9是本申请一个实施例提供的终端的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请实施例的执行主体可以是终端，例如，终端可以是手机、pc(personalcomputer，个人计算机)、平板电脑或其他电子设备。

示例性地，终端上设置有ai芯片，ai芯片也可以称之为ai加速器或计算卡，是专门用于处理人工智能应用中的大量计算任务的芯片。ai芯片可以对图像、语音、视频等数据进行处理。可选地，ai芯片包括npu(neural-networkprocessingunit，嵌入式神经网络处理器)、gpu(graphicsprocessingunit，视觉处理器)、fpga(fieldprogrammablegatearray，现场可编程逻辑阵列)、asic(applicationspecificintegratedcircuit，专用集成电路)、类脑芯片、可重构通用ai芯片等。本申请实施例提供的技术方案可以由ai芯片执行。

请参考图1，其示出了本申请一个实施例提供的ai芯片的结构示意图，上述ai芯片100包括压缩单元110、存储单元120和解压单元130。ai芯片100上运行有神经网络处理引擎(可称为神经网络推理引擎)，神经网络包括n层，每层分别为layer1(第1层)、layer2(第2层)、layer3(第3层)……layern(第n层)。在本申请实施例中，压缩单元110用于对目标中间数据(暂时下一层不用的中间数据)进行压缩，目标中间数据是指神经网络的第n层处理时需要使用的数据。存储单元120用于对目标中间数据进行存储。解压单元130用于对压缩后的目标中间数据进行解压缩。

请参考图2，其示出了本申请一个实施例提供的数据处理方法的流程图。本申请实施例可以应用于如图1所示的ai芯片中，该方法可以包括如下几个步骤。

步骤201，对目标中间数据进行压缩。

目标中间数据是指神经网络的第n层处理时需要使用的数据，n为正整数。神经网络是一种运算模型，由大量的节点(或称之为神经元)之间相互连接构成。神经网络包括输入层、隐藏层和输出层。在可能的实现方式中，隐藏层包括卷积层、激活层、池化层和连接层。在本申请实施例中，神经网络的第n层是指神经网络中的任意一层，例如，神经网络的第n层是卷积层或池化层或连接层等，本申请实施例对此不作限定。

在一个示例中，目标中间数据包括神经网络的第n层对应的特征图，神经网络的第n层对应的特征图是指神经网络的第n层需要使用进行处理的特征图。例如，神经网络的池化层需要对卷积层的特征图做池化，此时卷积层的特征图就可以称之为池化层对应的特征图。

在另一个示例中，目标中间数据包括神经网络的第n层的权值，神经网络的第n层的权值是指神经网络的第n层的网络权重。

在又一个示例中，目标中间数据既包括神经网络的第n层对应的特征图，又包括神经网络的第n层的权值。

需要说明的是，神经网络的第n层对应的特征图和神经网络的第n层的权值的压缩时机不同，对压缩时机的介绍说明可参见下文实施例，此处先不介绍说明。

步骤202，响应于神经网络的第n层使用目标中间数据进行处理，获取压缩后的目标中间数据。

神经网络的处理是指对输入数据进行处理最终得到输出结果的过程。该输入数据可以是图像、语音、视频等，本申请实施例对此不作限定。

当神经网络的第n层需要使用目标中间数据进行处理时，终端获取压缩后的目标中间数据。在一个示例中，当神经网络的第n层需要使用神经网络的第n层对应的特征图时，终端获取压缩后的特征图；在另一个示例中，当神经网络的第n层需要使用神经网络的第n层的权值时，终端获取压缩后的权值；在又一个示例中，当神经网络的第n层需要使用神经网络的第n层对应的特征图以及神经网络的第n层的权值时，终端可以同时获取上述第n层对应的特征图和第n层的权值；也可以先获取第n层的权值，再获取第n层对应的特征图；还可以先获取第n层对应的特征图，再获取第n层的权值，本申请实施例对此不作限定。

步骤203，对压缩后的目标中间数据进行解压缩，得到目标中间数据。

终端获取到压缩后的目标中间数据后，需要对该压缩后的目标中间数据进行解压缩，得到目标中间数据。

步骤204，根据目标中间数据对神经网络的第n层进行处理。

神经网络的第n层根据目标中间数据进行处理。

综上所述，本申请实施例提供的技术方案中，对暂时不需要使用的第n层对应的中间数据进行压缩，需要使用时对该第n层对应的中间数据进行解压缩，合理利用了终端的内存空间，降低了对内存空间的要求，因此，本申请实施例可以避免将中间数据交换到dram中而造成的终端功耗增加的现象。

另外，因为本申请实施例不用将中间数据交换到dram中，避免了对dram内存带宽的占用，从而使得dram的内存带宽可以供其他应用程序使用，达到了系统优化的目的。

另外，本申请实施例实现了按需解压，避免了造成空间浪费。

请参考图3，其示出了本申请另一个实施例提供的数据处理方法的流程图。本申请实施例可以应用于如图1所示的ai芯片中，该方法可以包括如下几个步骤。

步骤301，通过压缩接口向压缩单元发送压缩请求。

在本申请实施例中，压缩请求用于请求对目标中间数据进行压缩。

在可能的实现方式中，ai芯片中包括控制单元，控制单元调用压缩接口向压缩单元发送压缩请求，以使得压缩单元对目标中间数据进行压缩，响应于压缩请求，压缩单元对目标中间数据进行压缩。

步骤302，将压缩后的目标中间数据存储至存储单元。

在可能的实现方式中，存储单元包括sram。sram是随机存取存储器的一种。只要sram保持通电，sram里面储存的数据就可以恒常保持。在可能的实现方式中，存储单元包括以下至少一项：norflash(非易失性闪存)、pcm(phasechangememory，相变存储器)、mram(magneticrandomaccessmemory，磁性随机存取存储器)。norflash可以用于独立和嵌入式应用程序中。pcm利用硫族化合物在晶态和非晶态巨大的导电性差异来存储数据。mram是一种非挥发性地磁性随机存取存储器，它拥有sram的高速读取写入能力，以及dram的高集成度。本申请实施例对存储单元的类型不作限定。

步骤303，响应于神经网络的第n层使用目标中间数据进行处理，从存储单元中获取压缩后的目标中间数据。

在可能的实现方式中，控制单元调用数据获取接口向存储单元发送数据获取请求，该数据获取请求用于请求将该目标中间数据发送给解压单元。

步骤304，通过解压缩接口向解压单元发送解压缩请求。

在本申请实施例中，解压缩请求用于请求对压缩后的目标中间数据进行解压缩。

在可能的实现方式中，控制单元调用解压缩接口向解压单元发送解压缩请求。响应于解压缩请求，解压单元接收到解压缩请求后，对上述获取到的压缩后的目标中间数据进行解压缩。

步骤305，根据目标中间数据对神经网络的第n层进行处理。

在可能的实现方式中，本申请实施例中处理和存储都在存储单元中进行。当解压单元对压缩后的目标中间数据完成解压缩后，向存储单元发送该目标中间数据，以使得存储单元上的神经网络处理引擎进行处理。

在本申请实施例提供的技术方案中，通过在不需要使用时对目标中间数据进行压缩，在需要时对目标中间数据进行解压读取，减少了对存储单元的内存占用，降低了对存储单元的内存要求，节省了sram的占用空间，从而降低了对ai芯片的内存要求。

另外，通过接口实现对目标中间数据的压缩和存取，设计上灵活方便，提高了系统应用上的便利性和灵活性。

在示意性实施例中，终端通过如下方式将压缩后的目标中间数据存储至存储单元：

第一、确定压缩后的目标中间数据的标识信息。

在本申请实施例中，标识信息用于唯一标识压缩后的目标中间数据。终端根据该目标中间数据的标识信息即可确定该目标中间数据，从而方便获取该目标中间数据。例如，根据标识信息可以确定压缩后的目标中间数据是神经网络的哪一层的特征图，或者，根据标识信息可以确定压缩后的目标中间数据是神经网络的哪一层的权值。

在一个示例中，终端将压缩后的目标中间数据输入哈希表，得到压缩后的目标中间数据的哈希值，哈希值对应哈希表中的映射地址；根据目标中间数据所处的层数以及目标中间数据对应的操作，确定哈希值的索引信息；将哈希值和哈希值的索引信息确定为标识信息。

哈希表也可以称之为散列表，是根据关键码值而直接进行访问的数据结构。哈希值是一段数据唯一且极其紧凑的数值表示形式。

终端将压缩后的目标中间数据输入哈希表后，可以得到该压缩后的目标中间数据的哈希值，以及该压缩后的目标中间数据在哈希表中的映射地址。但是根据哈希值无法准确知道该压缩后的目标中间数据是哪层的特征图，或者是哪层的权值，此时，终端可以根据目标中间数据所处的层数以及目标中间数据对应的操作，为该哈希值确定其索引信息，然后，将上述哈希值和该哈希值的索引信息确定为标识信息。例如，压缩后的目标中间数据是神经网络的第5层中包括的卷积层的特征图，则终端可以确定哈希值的索引信息为5-卷积，如果神经网络的第5层中包括多个卷积层，则为了更准确地获取到压缩后的目标中间数据，终端可以将哈希值的索引信息精确到产生特征图的卷积层在第5层包括的所有卷积层中的位置。又例如，压缩后的目标中间数据是神经网络的第6层中包括的池化层的权值，则终端可以确定哈希值的索引信息为6-池化。

在另一个示例中，终端根据目标中间数据所处的层数以及目标中间数据对应的操作，确定压缩后的目标中间数据的索引信息。

终端直接根据目标中间数据所处的层数以及该目标中间数据对应的操作，确定压缩后的目标中间数据的索引信息，操作简便。

第二、将压缩后的目标中间数据与标识信息对应存储至存储单元。

在后续获取压缩后的目标中间数据时，终端可以根据该压缩后的目标中间数据的标识信息，从存储单元中快速获取该压缩后的目标中间数据。

假设终端通过哈希表的方式存储压缩后的目标中间数据，并以目标中间数据为第5层中包括的卷积层的特征图为例进行介绍说明，当终端需要获取该压缩后的第5层中包括的卷积层的特征图时，终端首先确定哈希值的索引信息为5-卷积，然后终端根据上述5-卷积，确定其对应的哈希值，从而最终确定压缩后的第5层中包括的卷积层的特征图在哈希表中的映射地址，从而获得该第5层中包括的卷积层的特征图。

假设终端通过索引的方式存取压缩后的目标中间数据，并以目标中间数据为第5层中包括的卷积层的特征图为例进行介绍说明，当终端需要获取该压缩后的第5层中包括的卷积层的特征图时，终端首先确定该压缩后的第5层中包括的卷积层的特征图的索引信息为5-卷积，然后终端可以直接根据5-卷积获取压缩后的第5层中包括的卷积层的特征图。

本申请实施例中为每个压缩后的目标中间数据确定了一个标识信息，方便了后续读取，读取方便，读取粒度可控。

在示意性实施例中，中间数据为神经网络的第m层的特征图，m为正整数。如图4所示，其示出了本申请另一个实施例提供的数据处理方法的流程图。

步骤401，响应于神经网络的第m+2层用不到神经网络的第m层的特征图进行处理，对特征图进行压缩。

当神经网络的第m+2层用不到神经网络的第m层的特诊图进行处理时，表明神经网络的第m层的特征图暂时处于不使用状态，此时可以对第m层的特征图进行压缩，从而减小第m层的特征图在存储单元中的占用空间。

步骤402，响应于神经网络的第n层使用特征图进行处理，获取压缩后的特征图。

当神经网络的第n层需要使用第m层的特征图进行处理时，终端获取压缩后的特征图。

例如，如图5所示，其示出了一种unet网络的结构示意图。该unet网络包括卷积运算，上采样运算，最大池化运算、堆叠运算等。卷积运算是指根据模板对原图像进行处理，得到新图像的运算；上采样运算是指放大原图像，从而使得放大后的图像可以显示在更高分辨率的显示设备上的运算；最大池化运算是指将图像区域中的最大值作为该区域池化后的值的运算；堆叠运算是指将两个单元连接在一起的运算。

本申请实施例中的第m层为图5中的实线方框所在位置的输入层，本申请实施例中的第n层为图5中的虚线方框所在位置的输出层，当第m+1层基于第m层的特征图完成处理后，终端通过压缩单元110对该第m层的特征图进行压缩，将压缩后的特征图存储至存储单元120中。

当神经网络处理到第n层时，第n层需要和第m层的特征图进行堆叠，因此第n层需要使用第m层的特征图进行处理，此时终端获取压缩后的特征图。

需要说明的是，为了降低对存储单元空间的占用，如果神经网络的某一层的特征图在下一层处理完成后就用不到了，则可以将该某一层的特征图删除。

步骤403，对压缩后的特征图进行解压缩，得到特征图。

仍然以上述示例为例，终端通过解压单元130对上述压缩后的特征图进行解压缩，得到第m层的特征图。

步骤404，根据特征图对神经网络的第n层进行处理。

第n层获取到第m层的特征图后，进行后续处理。

有关步骤403至步骤404的介绍说明可参见上文实施例，此处不再赘述。

在示意性实施例中，目标中间数据为神经网络的第n层的权值。如图6所示，其示出了本申请另一个实施例提供的数据处理方法的流程图。

步骤601，在加载神经网络之前，对神经网络的第n层的权值进行压缩。

在可能的实现方式中，在加载神经网络之前，对神经网络包括的各层的权值分开进行压缩。例如，假设神经网络包括3层，则分别压缩得到3个压缩后的权值。

步骤602，响应于神经网络的第n层使用权值进行处理，获取压缩后的权值。

当神经网络的第n层需要使用其权值进行处理时，获取压缩后的权值。

步骤603，对压缩后的权值进行解压缩，得到权值。

步骤604，根据权值对神经网络的第n层进行处理。

在可能的实现方式中，当神经网络的第n层完成处理后，可以将该权值进行删除，以减少对存储单元空间的占用。

有关步骤602至步骤604的介绍说明可参见上文实施例，此处不再赘述。

本申请实施例相较于相关技术中的对神经网络所有层的权值进行整体解压，实现了按需解压，避免造成对存储单元空间的浪费。

在示意性实施例中，目标数据包括神经网络的第n层的权值和第m层的特征图。如图7所示，其示出了本申请又一个实施例提供的数据处理方法的流程图。

步骤701，在加载神经网络之前，对神经网络的第n层的权值进行压缩。

在可能的实现方式中，当神经网络训练完成后，对神经网络包括的各层的权值分开进行压缩。

步骤702，响应于神经网络的第m+2层用不到神经网络的第m层的特征图进行处理，对第m层的特征图进行压缩。

当神经网络的第m+2层用不到神经网络的第m层的特征图进行处理时，表明神经网络的第m层的特征图暂时处于不使用状态，此时可以对第m层的特征图进行压缩，从而减小第m层的特征图在存储单元中的占用空间。

步骤703，响应于神经网络的第n层使用中间数据进行处理，获取压缩后的中间数据。

中间数据包括第n层的权值和第m层的特征图，终端可以先获取第n层的权值，再获取第m层的特征图；或者，终端还可以先获取第m层的特征图再获取第n层的权值；又或者，终端还可以同时获取第m层的特征图和第n层的权值。

步骤704，对压缩后的中间数据进行解压缩，得到目标中间数据。

终端可以先对第n层的权值进行解压缩，再对第m层的特征图进行解压缩；或者，终端也可以先对第m层的特征图进行解压缩，再对第n层的权值进行解压缩；又或者，终端还可以同时对第m层的特征图和第n层的权值进行解压缩。

步骤705，根据目标中间数据对神经网络的第n层进行处理。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图8，其示出了本申请一个实施例提供的数据处理装置的框图，该装置具有实现上述方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置800可以包括：数据压缩模块810、数据获取模块820、数据解压缩模块830和数据处理模块840。

数据压缩模块810，用于对目标中间数据进行压缩，所述目标中间数据是指神经网络的第n层处理时需要使用的数据，所述n为正整数；

数据获取模块820，用于响应于所述神经网络的第n层使用所述目标中间数据进行处理，获取压缩后的所述目标中间数据；

数据解压缩模块830，用于对压缩后的所述目标中间数据进行解压缩，得到所述目标中间数据；

数据处理模块840，用于根据所述目标中间数据对所述神经网络的第n层进行处理。

综上所述，本申请实施例提供的技术方案中，对暂时不需要使用的第n层对应的中间数据进行压缩，需要使用时对该第n层对应的中间数据进行解压缩，合理利用了终端的内存空间，降低了对内存空间的要求，因此，本申请实施例可以避免将中间数据交换到dram中而造成的终端功耗增加的现象。

可选地，所述数据压缩模块810，用于：

通过压缩接口向压缩单元发送压缩请求，所述压缩请求用于请求对所述目标中间数据进行压缩，

响应于所述压缩请求，所述压缩单元对所述目标中间数据进行压缩。

可选地，所述装置800，还包括：数据存储模块(图中未未出)。

所述数据存储模块，用于将压缩后的所述目标中间数据存储至存储单元；

数据获取模块820，用于：

从所述存储单元中获取压缩后的所述目标中间数据。

可选地，所述数据存储模块，包括：标识确定单元和数据存储单元。

标识确定单元，用于确定压缩后的所述目标中间数据的标识信息，所述标识信息用于唯一标识压缩后的所述目标中间数据；

数据存储单元，用于将压缩后的所述目标中间数据与所述标识信息对应存储至所述存储单元。

可选地，所述标识确定单元，用于：

将压缩后的所述目标中间数据输入哈希表，得到压缩后的所述目标中间数据的哈希值，所述哈希值对应所述哈希表中的映射地址；

根据所述目标中间数据所处的层数以及所述目标中间数据对应的操作，确定所述哈希值的索引信息；

将所述哈希值和所述哈希值的索引信息确定为所述标识信息。

可选地，所述标识确定单元，用于：

根据所述目标中间数据所处的层数以及所述目标中间数据对应的操作，确定压缩后的所述目标中间数据的索引信息。

可选地，所述数据解压缩模块830，用于：

通过解压缩接口向解压单元发送解压缩请求，所述解压缩请求用于请求对压缩后的所述目标中间数据进行解压缩，

响应于所述解压缩请求，所述解压单元对所述目标中间数据进行解压缩。

可选地，所述目标中间数据为所述神经网络的第n层的权值；

所述数据压缩模块810，用于：

在加载所述神经网络之前，对所述神经网络的第n层的权值进行压缩。

可选地，所述目标中间数据还包括所述神经网络的第m层的特征图，所述m为小于或等于所述n的正整数；

所述数据压缩模块810，还用于：

响应于所述神经网络的第m+2层用不到所述神经网络的第m层的特征图进行处理，对所述第m层的特征图进行压缩。

可选地，所述存储单元包括静态随机存取存储器sram。

需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图9，其示出了本申请一个实施例提供的终端的结构框图。

本申请实施例中的终端可以包括一个或多个如下部件：处理器910和存储器920。

处理器910可以包括一个或者多个处理核心。处理器910利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器920内的指令、程序、代码集或指令集，以及调用存储在存储器920内的数据，执行终端的各种功能和处理数据。可选地，处理器910可以采用数字信号处理(digitalsignalprocessing，dsp)、现场可编程门阵列(field－programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现。处理器910可集成中央处理器(centralprocessingunit，cpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器910中，单独通过一块芯片进行实现。

可选地，处理器910执行存储器920中的程序指令时实现上述各个方法实施例提供的方法。

存储器920可以包括随机存储器(randomaccessmemory，ram)，也可以包括只读存储器(read-onlymemory，rom)。可选地，该存储器920包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器920可用于存储指令、程序、代码、代码集或指令集。存储器920可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据终端的使用所创建的数据等。

上述终端的结构仅是示意性的，在实际实现时，终端可以包括更多或更少的组件，比如：显示屏等，本实施例对此不作限定。

本领域技术人员可以理解，图9中示出的结构并不构成对终端的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在示例性实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由计算机设备的处理器加载并执行以实现上述方法实施例中的各个步骤。

在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述方法。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。