网络训练、行人重识别方法及装置、电子设备和存储介质与流程
本公开涉及计算机技术领域，尤其涉及一种网络训练、行人重识别方法及装置、电子设备和存储介质。
背景技术：
行人重识别(personre-identification)，也称为行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。目前，行人重识别技术已广泛应用于多个领域和行业，如应用于智能视频检测、智能安保等。由于行人重识别技术在处理图像或视频帧序列的过程中，涉及了人脸、人体、个人身份等隐私数据，因此，亟需一种可以避免隐私数据泄露的行人重识别方法。
技术实现要素：
本公开提出了一种网络训练、行人重识别方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于服务端，所述服务端中部署有第一神经网络，所述方法包括：接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。
在一种可能的实现方式中，所述根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数，包括：接收每个所述客户端发送的所述本地图像数据集对应的数据量；根据每个所述客户端对应的所述数据量，确定每个所述第一网络参数对应的第一权重；根据每个所述第一网络参数对应的所述第一权重，对所述至少两个第一网络参数进行加权融合，以更新所述第一神经网络，得到所述第二网络参数。
在一种可能的实现方式中，所述根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数，包括：针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重；根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数。
在一种可能的实现方式中，所述第一神经网络和所述第二神经网络具有相同的网络结构，所述网络结构包括多个网络层，所述第k个客户端发送的所述第一网络参数包括每个所述网络层对应的第一网络层参数，所述第二网络参数包括每个所述网络层对应的第二网络层参数；所述针对第k个客户端，根据所述第二网络参数和所述第k个客户端发送的所述第一网络参数之间的相似度，确定所述第k个客户端发送的所述第一网络参数对应的第二权重，包括：根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度；根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重。
在一种可能的实现方式中，所述根据每个所述网络层对应的所述第一网络层参数和所述第二网络层参数，确定每个所述网络层对应的参数相似度，包括：确定每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离；将每个所述网络层对应的所述第一网络层参数和所述第二网络层参数之间的欧式距离，确定为每个所述网络层对应的所述参数相似度。
在一种可能的实现方式中，所述根据每个所述网络层对应的所述参数相似度，确定所述第k个客户端发送的所述第一网络参数对应的所述第二权重，包括：对每个所述网络层对应的所述参数相似度进行归一化处理，得到每个所述网络层对应的归一化参数相似度；对每个所述网络层对应的所述归一化参数相似度进行取平均处理，得到所述第k个客户端发送的所述第一网络参数对应的所述第二权重。
在一种可能的实现方式中，所述根据所述第二网络参数、所述第k个客户端发送的所述第一网络参数、以及所述第k个客户端发送的所述第一网络参数对应的所述第二权重，确定所述第k个客户端对应的所述第三网络参数，包括：根据所述第k个客户端发送的所述第一网络参数对应的所述第二权重，对所述第k个客户端发送的所述第一网络参数和所述第二网络参数进行指数移动平均值融合，得到所述第k个客户端对应的所述第三网络参数。
根据本公开的一方面，提供了一种网络训练方法，所述方法应用于客户端，所述客户端中部署有第二神经网络和本地图像数据集，所述方法包括：向服务端发送第一网络参数，其中，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；接收所述服务端返回的第三网络参数，其中，所述服务端中部署有第一神经网络，所述第三网络参数是所述服务端根据所述第一网络参数，以及根据所述第一网络参数更新所述第一神经网络后得到的第二网络参数确定得到的；根据所述第三网络参数和所述本地图像数据集，对所述第二神经网络进行训练，得到更新后的第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。
根据本公开的一方面，提供了一种行人重识别方法，包括：通过目标行人重识别网络对待识别图像进行行人重识别，确定行人重识别结果；其中，所述目标行人重识别网络是采用上述网络训练方法训练得到第一神经网络或第二神经网络。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于服务端，所述服务端中部署有第一神经网络，所述装置包括：接收模块，用于接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；更新模块，用于根据所述至少两个第一网络参数，更新所述第一神经网络，得到第二网络参数；确定模块，用于根据所述第二网络参数和每个所述第一网络参数，确定每个所述客户端对应的第三网络参数；发送模块，用于向每个所述客户端发送对应的所述第三网络参数，其中，每个所述第三网络参数用于训练对应所述客户端中的所述第二神经网络，以更新所述第一网络参数；迭代模块，用于迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。
根据本公开的一方面，提供了一种网络训练装置，所述装置应用于客户端，所述客户端中部署有第二神经网络和本地图像数据集，所述装置包括：发送模块，用于向服务端发送第一网络参数，其中，所述第一网络参数是基于所述本地图像数据集对所述第二神经网络进行训练获得；接收模块，用于接收所述服务端返回的第三网络参数，其中，所述服务端中部署有第一神经网络，所述第三网络参数是所述服务端根据所述第一网络参数，以及根据所述第一网络参数更新所述第一神经网络后得到的第二网络参数确定得到的；训练模块，用于根据所述第三网络参数和所述本地图像数据集，对所述第二神经网络进行训练，得到更新后的第一网络参数；迭代模块，用于迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的所述第一神经网络和/或所述第二神经网络用于对待处理图像进行图像处理。
根据本公开的一方面，提供了一种行人重识别装置，包括：行人重识别模块，用于通过目标行人重识别网络对待识别图像进行行人重识别，确定行人重识别结果；其中，所述目标行人重识别网络是采用上述网络训练方法训练得到的第一神经网络或第二神经网络。
根据本公开的一方面，提供了一种电子设备，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调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，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上述方法。
在本公开实施例中，在部署有第一神经网络的服务端中，接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得；根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数；根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数；向每个客户端发送对应的第三网络参数，其中，每个第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。服务端联合客户端进行网络训练，利用联合训练后得到的网络参数，生成适配于客户端的个性化网络参数，由于训练过程中图像数据集仍然保存在客户端中，无需上传至服务端，从而在保护数据隐私的前提下，有效实现了在联合训练过程中个性化更新客户端中的神经网络。
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网络训练方法的流程图；
图2示出根据本公开实施例的一种基于联邦学习的网络训练系统图；
图3示出根据本公开实施例的一种网络训练方法的流程图；
图4示出根据本公开实施例的一种网络训练装置的框图；
图5示出根据本公开实施例的一种网络训练装置的框图；
图6示出根据本公开实施例的一种电子设备的框图；
图7示出根据本公开实施例的一种电子设备的框图。
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。
图1示出根据本公开实施例的一种网络训练方法的流程图。该网络训练方法可以由服务端执行，服务端中部署有第一神经网络。在一些可能的实现方式中，该网络训练方法可以通过服务端调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该网络训练方法可以包括：
在步骤s11中，接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得。
服务端中部署有第一神经网络，服务端与至少两个客户端连接，每个客户端中分别部署有第二神经网络。服务端可以基于联邦学习算法，联合至少两个客户端进行网络训练。至少两个客户端的具体数目可以根据实际情况确定，可以是两个，也可以是多个，本公开对此不作具体限定。
第一神经网络和第二神经网络具有相同的网络结构，且训练过程中需要用到的训练数据涉及了人脸、人体、个人身份等隐私数据，例如，第一神经网络和第二神经网络可以是行人重识别网络、人脸识别网络、身份识别网络等，本公开对此不作具体限定。
针对至少两个客户端中的任意一个客户端，客户端可以获取图像数据，以得到本地图像数据集，进而根据本地图像数据集，对部署在本地的第二神经网络进行本地网络训练，得到第一网络参数。客户端将训练得到的第一网络参数发送至服务端，以使得服务端可以接收到第一网络参数，而无需向服务端发送图像数据，从而可以保护数据隐私。
在步骤s12中，根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数。
服务端接收到至少两个客户端发送的至少两个第一网络参数后，可以根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数，以实现服务端和客户端的联合网络训练。后文会结合本公开可能的实现方式，对根据至少两个第一网络参数更新第一神经网络的过程作详细描述，此处不作赘述。
在步骤s13中，根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数。
传统的联邦学习算法在联合至少两个客户端进行联合网络训练时，服务端将联合训练得到的第二网络参数，直接发送至每个客户端。但是，实际应用中，不同客户端中的本地图像数据集的数据量、数据分布等可能均不相同，使得不同客户端之间存在数据异构性。服务端根据每个客户端发送的第一网络参数进行联合训练后得到的第二网络参数，可能不适配于每个客户端。
因此，根据每个客户端发送的第一网络参数，以及服务端联合训练生成的第二网络参数，确定与每个客户端适配的第三网络参数。后文会结合本公开可能的实现方式，对确定与每个客户端适配的第三网络参数的过程作详细描述，此处不作赘述。
在步骤s14中，向每个客户端发送对应的第三网络参数，其中，第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数。
向每个客户端发送与其适配的第三网络参数，以使得每个客户端根据与其适配的第三网络参数，基于本地图像数据集对部署在本地的第二行人重识别网络进行个性化训练更新，以更新第一网络参数，并将更新后的第一网络参数再次发送至服务端，以进行下一回合的迭代训练。
在步骤s15中，迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。
预设训练条件可以根据实际情况确定，例如，预设训练条件可以是预设训练次数，可以是网络收敛程度，本公开对此不作具体限定。
服务端联合客户端进行迭代训练，以使得服务端中得到的训练后的第一神经网络，以及在每个客户端中分别得到训练后的第二神经网络。训练后的第一神经网络和第二神经网络都可以用于对待处理图像进行图像处理。其中，服务端得到的训练后的第一神经网络，是联合多个客户端进行训练后得到的，具有更高的普适性和鲁棒性。每个客户端得到的训练后的第二神经网络，是基于本地图像数据集进行训练后得到的，具有更高的个性化，在客户端本地进行图像处理时具有更高的处理精度。
在本公开实施例中，在部署有第一神经网络的服务端中，接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得；根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数；根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数；向每个客户端发送对应的第三网络参数，其中，每个第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。服务端联合客户端进行网络训练，利用联合训练后得到的网络参数，生成适配于客户端的个性化网络参数，由于训练过程中图像数据集仍然保存在客户端中，无需上传至服务端，从而在保护数据隐私的前提下，有效实现了在联合训练过程中个性化更新客户端中的神经网络。
图2示出根据本公开实施例的一种基于联邦学习的网络训练系统图。如图2所示，系统中包括一个服务端和三个客户端(第一个客户端、第二个客户端和第三个客户端)。服务端和三个客户端基于联邦学习算法进行联合网络训练。
在训练未开始之前，服务端初始化部署在本地的第一神经网络，得到初始网络参数，并将初始网络参数分别发送至三个客户端，以进行第一回合网络训练。
在第一回合的网络训练中，包括：1)每个客户端接收到服务端发送的初始网络参数后，基于初始网络参数和存储在本地的本地图像数据集，对部署在本地的第二行人重识别网络进行本地训练，从而每个客户端可以得到第一回合网络训练生成的第一网络参数；2)每个客户端向服务端发送第一回合网络训练生成的第一网络参数；3)服务端接收到每个客户端发送的第一回合网络训练生成的第一网络参数之后，对多个客户端发送的第一网络参数进行融合，以实现对第一神经网络的更新，从而可以得到第一回合网络训练生成的第二网络参数；4)服务端根据第一回合网络训练生成的第二网络参数，以及每个客户端发送的第一回合网络训练生成的第一网络参数，确定第一回合网络训练生成的适配于每个客户端的第三网络参数，并向每个客户端发送对应的第三网络参数，以进行第二回合网络训练。
在第二回合的网络训练中，包括：1)每个客户端接收到服务端发送的第一回合网络训练生成的第三网络参数后，基于第一回合网络训练生成的第三网络参数和存储在本地的本地图像数据集，对部署在本地的第二神经网络进行本地训练，从而每个客户端可以得到第二回合网络训练生成的第一网络参数；2)每个客户端向服务端发送第二回合网络训练生成的第一网络参数；3)服务端接收到每个客户端发送的第二回合网络训练生成的第一网络参数之后，对多个客户端发送的第一网络参数进行融合，以实现对第一神经网络的更新，从而可以得到第二回合网络训练生成的第二网络参数；4)服务端根据第二回合网络训练生成的第二网络参数，以及每个客户端发送的第二回合网络训练生成的第一网络参数，确定第二回合网络训练生成的适配于每个客户端的第三网络参数，并向每个客户端发送对应的第三网络参数，以进行第三回合网络训练。
以此类推，直至迭代训练满足预设训练条件，得到最终训练生成的第二网络参数和第三网络参数。
服务端可以根据最终训练生成的第二网络参数，对部署在服务端的第一神经网络进行更新，以在服务端得到训练后的第一神经网络，训练后的第一神经网络是服务端基于联邦学习算法联合多个客户端进行联合训练后得到的，具有更高的普适性和鲁棒性，可以根据实际需要，应用于各种通用场景(例如，智能安防、视频监控)和各种地理区域(例如，未部署有神经网络的地理区域)下，对待处理图像进行图像处理，以得到图像处理结果。
每个客户端根据最终训练得到的适配于自身的第三网络参数，对部署在每个客户端本地的第二神经网络进行个性化更新，以在每个客户端得到训练后的第二神经网络。由于联合训练过程中，每个客户端都是基于本地图像数据集进行的本地训练，且最终训练得到的第三网络参数也是与每个客户端个性化适配的，因此，每个客户端得到的训练后的第二神经网络，具有更高的个性化，在每个客户端对应的地理区域(例如，每个客户端对应的社区、企业)下，对待处理图像进行图像处理时，可以得到精度较高的图像处理结果。
仍以上述图2为例，图2示出了基于联邦学习算法进行联合网络训练过程中的第r回合网络训练。如图2所示，第一客户端进行第r回合网络训练，生成第一网络参数
服务端根据第二网络参数θr+1和第一网络参数
在一种可能的实现方式中，根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数，包括：接收每个客户端发送的本地图像数据集对应的数据量；根据每个客户端对应的数据量，确定每个第一网络参数对应的第一权重；根据每个第一网络参数对应的第一权重，对至少两个第一网络参数进行加权融合，以更新第一神经网络，得到第二网络参数。
每个客户端发送的第一网络参数，是每个客户端基于对应的本地图像数据集进行训练后生成的，由于不同客户端中的本地图像数据集的数据量是不同的，因此，服务端在对多个客户端发送的多个第一网络参数进行融合时，需要根据每个客户端中的本地图像数据集的数据量大小，确定每个客户端生成的第一网络参数对应的第一权重，以实现对多个第一网络参数的加权融合，从而有效提高融合后得到的第二网络参数的准确性。
在一示例中，每个客户端还可以向服务端发送其对应的本地图像数据集对应的数据量，以使得服务端根据每个客户端对应的本地图像数据集的数据量进行求和，确定联合训练过程中对应的总数据量，进而根据每个客户端对应的本地图像数据集的数据量，在总数据量中的占比，确定每个客户端生成的第一网络参数对应的第一权重。
例如，在存在k个客户端的情况下，第k个客户端在第r回合网络训练中生成的第一网络参数
其中，nk是第k个客户端对应的本地图像数据集的数据量，n是k个客户端对应的总数据量，
确定每个客户端生成的第一网络参数对应的第一权重的方式除了采用上述方式确定以外，还可以根据实际情况，采用其它方式确定，本公开对此不作具体限定。
例如，在存在k个客户端的情况下，服务端在根据每个客户端对应的数据量，确定每个客户端生成的第一网络参数对应的第一权重之后，可以通过下述公式(2)，对每个客户端在第r回合网络训练中生成的第一网络参数进行加权融合，以得到服务端在第r回合网络训练中生成的第二网络参数θr+1：
其中，
在一种可能的实现方式中，根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数，包括：针对第k个客户端，根据第二网络参数和第k个客户端发送的第一网络参数之间的相似度，确定第k个客户端发送的第一网络参数对应的第二权重；根据第二网络参数、第k个客户端发送的第一网络参数、以及第k个客户端发送的第一网络参数对应的第二权重，确定第k个客户端对应的第三网络参数。
由于不同客户端中的本地图像数据集的数据量、数据分布等可能均不相同，使得不同客户端之间存在数据异构性。服务端根据多个客户端发送的第一网络参数进行联合训练后得到的第二网络参数，可能不适配于每个客户端，因此，服务端根据联合训练得到的第二网络参数，与每个客户端本地训练生成的第一网络参数之间的相似度，可以确定每个客户端本地训练生成的第一网络参数对应的第二权重，进而可以根据每个第一网络参数对应的第二权重，以及联合训练得到的第二网络参数，确定适配于每个客户端的第三网络参数。
例如，第k个客户端在第r回合网络训练中生成第一网络参数
在一种可能的实现方式中，第一神经网络和第二神经网络具有相同的网络结构，该网络结构包括多个网络层，第k个客户端发送的第一网络参数包括每个网络层对应的第一网络层参数，第二网络参数包括每个网络层对应的第二网络层参数；针对第k个客户端，根据第二网络参数和第k个客户端发送的第一网络参数之间的相似度，确定第k个客户端发送的第一网络参数对应的第二权重，包括：根据每个网络层对应的第一网络层参数和第二网络层参数，确定每个网络层对应的参数相似度；根据每个网络层对应的参数相似度，确定第k个客户端发送的第一网络参数对应的第二权重。
部署在服务端的第一神经网络，和部署在每个客户端中的第二神经网络，具有相同的网络结构，该网络结构包括多个网络层。每个客户端利用本地图像数据集进行本地训练生成的第一网络参数，包括每个网络层对应的第一网络层参数；服务端联合训练生成的第二网络参数，包括每个网络层对应的第二网络层参数。因此，针对任意一个客户端，根据该客户端生成的第一网络参数中，每个网络层对应的第一网络层参数，以及服务端生成的第二网络参数中，每个网络层对应的第二网络层参数，可以确定相同网络层对应的参数相似度，进而根据每个网络层对应的参数相似度，确定该客户端生成的第一网络参数对应的第二权重。
例如，第一神经网络和第二神经网络具有相同的网络结构，该网络结构包括l个网络层。第k个客户端在第r回合网络训练中生成的第一网络参数
在一种可能的实现方式中，根据每个网络层对应的第一网络层参数和第二网络层参数，确定每个网络层对应的参数相似度，包括：确定每个网络层对应的第一网络层参数和第二网络层参数之间的欧式距离；将每个网络层对应的第一网络层参数和第二网络层参数之间的欧式距离，确定为每个网络层对应的参数相似度。
仍以上述针对第l个网络层，根据第l个网络层对应的第一网络层参数
在一种可能的实现方式中，根据每个网络层对应的参数相似度，确定第k个客户端发送的第一网络参数对应的第二权重，包括：对每个网络层对应的参数相似度进行归一化处理，得到每个网络层对应的归一化参数相似度；对每个网络层对应的归一化参数相似度进行取平均处理，得到第k个客户端发送的第一网络参数对应的第二权重。
在根据第k个客户端生成的第一网络参数，得到每个网络层对应的参数相似度之后，可以将每个网络层对应的参数相似度缓存在一个数组中，然后对数组中的值进行归一化处理，此时，数组中包括每个网络层对应的归一化参数相似度，其中，每个网络层对应的归一化参数相似度的取值区间为[0,1]。进而，对数组中包括的每个网络层对应的归一化参数相似度进行取平均处理，得到第k个客户端生成的第一网络参数对应的第二权重。
仍以上述第l个网络层对应的参数相似度
由此可知，当每个网络层对应的参数相似度越高时，每个网络层对应的第一网络层参数和第二网络层参数之间的欧式距离越小，表示第一网络参数
在一种可能的实现方式中，根据第二网络参数、第k个客户端发送的第一网络参数、以及第k个客户端发送的第一网络参数对应的第二权重，确定第k个客户端对应的第三网络参数，包括：根据第k个客户端发送的第一网络参数对应的第二权重，对第k个客户端发送的第一网络参数和第二网络参数进行指数移动平均值融合，得到第k个客户端对应的第三网络参数。
仍以上述第一网络参数
采用上述指数移动平均值融合方式对第网络参数
根据第二网络参数、第k个客户端发送的第一网络参数、以及第k个客户端发送的第一网络参数对应的第二权重，确定第k个客户端对应的第三网络参数的方式，除了可以采用上述指数移动平均值融合方式之外，还可以采用其它融合方式，本公开对此不作具体限定。
在本公开实施例中，在部署有第一神经网络的服务端中，接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得；根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数；根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数；向每个客户端发送对应的第三网络参数，其中，每个第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数；迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。服务端联合客户端进行网络训练，利用联合训练后得到的网络参数，生成适配于客户端的个性化网络参数，由于训练过程中图像数据集仍然保存在客户端中，无需上传至服务端，从而在保护数据隐私的前提下，有效实现了在联合训练过程中个性化更新客户端中的神经网络。
图3示出根据本公开实施例的一种网络训练方法的流程示意图。该网络训练方法可以由客户端执行，客户端中部署有第二神经网络和本地图像数据集。在一些可能的实现方式中，该网络训练方法可以通过客户端调用存储器中存储的计算机可读指令的方式来实现。如图3所示，该方法可以包括：
在步骤s31中，向服务端发送第一网络参数，其中，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得。
在步骤s32中，接收服务端返回的第三网络参数，其中，服务端中部署有第一神经网络，第三网络参数是服务端根据第一网络参数，以及根据第一网络参数更新第一神经网络后得到的第二网络参数确定得到的。
在步骤s33中，根据第三网络参数和本地图像数据集，对第二神经网络进行训练，得到更新后的第一网络参数。
在步骤s34中，迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。
客户端联合服务端进行联合训练，以及接收服务端发送的联合训练后生成的适配于客户端的个性化网络参数，由于训练过程中图像数据集仍然保存在客户端中，无需上传至服务端，从而在保护数据隐私性的前提下，有效实现了在联合训练过程中个性化更新客户端中的神经网络。
在一种可能的实现方式中，客户端可以是图像采集设备；本地图像数据集可以是根据图像采集设备采集得到的。
在客户端是可以直接与服务端进行通信的图像采集设备(例如，智能摄像头)的情况下，图像采集设备需要具备一定的算力、存储能力和通信能力。图像采集设备采集图像存储在本地，得到本地图像数据集，并定时删除清理本地图像数据集中的失效图像数据(例如，缓存时长超过预设阈值的图像数据)，以减少存储压力。
在一种可能的实现方式中，客户端(例如，可以是具有网络训练功能的边端设备)可以与至少一个图像采集设备连接，客户端和至少一个图像采集设备位于相同地理区域范围；本地图像数据集是客户端从至少一个图像采集设备中获取得到的。
在相同地理区域范围内设置有至少一个图像采集设备的情况下，可以在该地理区域范围内设置一个客户端，此时，无需该至少一个图像采集设备具备存储能力和算力。客户端与每个图像采集设备连接，进而从每个图像采集设备获取图像，以构建本地图像数据集。
在训练未开始之前，服务端初始化部署在本地的第一神经网络，得到初始网络参数，并将初始网络参数分别发送每个客户端，以进行第一回合网络训练。
在第一回合的网络训练中，包括：1)每个客户端接收到服务端发送的初始网络参数后，基于初始网络参数和存储在本地的本地图像数据集，对部署在本地的第二行人重识别网络进行本地训练，从而每个客户端可以得到第一回合网络训练生成的第一网络参数；2)每个客户端向服务端发送第一回合网络训练生成的第一网络参数；3)服务端接收到每个客户端发送的第一回合网络训练生成的第一网络参数之后，对多个客户端发送的第一网络参数进行融合，以实现对第一神经网络的更新，从而可以得到第一回合网络训练生成的第二网络参数；4)服务端根据第一回合网络训练生成的第二网络参数，以及每个客户端发送的第一回合网络训练生成的第一网络参数，确定第一回合网络训练生成的适配于每个客户端的第三网络参数，并向每个客户端发送对应的第三网络参数，以进行第二回合网络训练。
在第二回合的网络训练中，包括：1)每个客户端接收到服务端发送的第一回合网络训练生成的第三网络参数后，基于第一回合网络训练生成的第三网络参数和存储在本地的本地图像数据集，对部署在本地的第二神经网络进行本地训练，从而每个客户端可以得到第二回合网络训练生成的第一网络参数；2)每个客户端向服务端发送第二回合网络训练生成的第一网络参数；3)服务端接收到每个客户端发送的第二回合网络训练生成的第一网络参数之后，对多个客户端发送的第一网络参数进行融合，以实现对第一神经网络的更新，从而可以得到第二回合网络训练生成的第二网络参数；4)服务端根据第二回合网络训练生成的第二网络参数，以及每个客户端发送的第二回合网络训练生成的第一网络参数，确定第二回合网络训练生成的适配于每个客户端的第三网络参数，并向每个客户端发送对应的第三网络参数，以进行第三回合网络训练。
以此类推，直至迭代训练满足预设训练条件，得到最终训练生成的第二网络参数和第三网络参数，进而得到最终训练生成的训练后的第一神经网络和第二神经网络。
客户端联合服务端进行训练时的具体过程，与前述服务端相关描述类似，此处不再赘述。
每个客户端根据最终训练得到的适配于自身的第三网络参数，对部署在每个客户端本地的第二神经网络进行个性化更新。
在一示例中，客户端根据最终训练生成的第三网络参数，直接应用于部署在本地的第二神经网络，以实现对第二神经网络的个性化更新，得到训练后的第二神经网络。
在一示例中，客户端根据最终训练生成的第三网络参数，利用部署在本地的本地图像数据集，对部署在本地的第二神经网络进行网络训练，以实现对第二神经网络的个性化更新，得到训练后的第二神经网络。
由于联合训练过程中，客户端都是基于本地图像数据集进行的本地训练，且最终训练得到的第三网络参数也是与客户端个性化适配的，因此，客户端得到的训练后的第二神经网络，具有更高的个性化，在客户端对应的地理区域(例如，客户端对应的社区、企业)下，对待处理图像进行图像处理，可以得到精度较高的图像处理结果。
本公开实施例还提供一种行人重识别方法。该行人重识别方法可以由终端设备或其它处理设备执行，其中，终端设备可以为图像采集设备(例如，智能摄像头)、用户设备(userequipment，ue)、移动设备、用户终端、蜂窝电话、无绳电话、个人数字助理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。该方法可以包括：
通过目标行人重识别网络对待识别图像进行行人重识别，确定行人重识别结果；其中，目标行人重识别网络是采用前述实施例的网络训练方法训练得到第一神经网络或第二神经网络。
这里的待识别图像可以是图像帧，也可以是视频帧序列，本公开对此不作具体限定。
在一示例中，待识别图像可以是在目标地理区域范围内采集得到的。行人重识别网络可以对在目标地理区域范围内采集的待识别图像进行行人重识别处理，确定待识别图像中是否存在特性行人。
在一示例中，在第一神经网络和第二神经网络均是行人重识别网络的情况下，由于服务端得到的训练后的第一神经网络具有普适性，即可以应用于任意应用场景，因此，可以利用服务端中得到的训练后的第一神经网络作为目标行人重识别网络，实现对在目标地理区域范围内采集的待识别图像的行人重识别处理，以得到行人重识别结果。
在一示例中，在第一神经网络和第二神经网络均是行人重识别网络的情况下，由于不同客户端中的本地图像数据集，是在不同场景(光照、角度)下采集得到的，使得不同客户端之间的数据具有异构性，不同客户端根据本地图像数据集训练得到的训练后的第二神经网络具有个性化，更适应本地场景，进而导致不同客户端中训练后的第二神经网络的性能，在本地场景下的性能，优于服务端训练得到的训练后的第一神经网络。
因此，在待识别图像对应的目标地理区域范围内部署有第二神经网络的情况下，可以将更适应目标地理区域范围本地场景的训练后的第二神经网络，作为目标行人重识别网络，对待识别图像进行行人重识别处理，得到识别准确率更高的识别结果。
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，本公开还提供了网络训练、行人重识别装置、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网络训练、行人重识别方法，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4示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于服务端，服务端中部署有第一神经网络。如图4所示，网络训练装置40包括：
接收模块41，用于接收至少两个客户端发送的至少两个第一网络参数，其中，每个客户端中分别部署有第二神经网络和本地图像数据集，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得；
更新模块42，用于根据至少两个第一网络参数，更新第一神经网络，得到第二网络参数；
确定模块43，用于根据第二网络参数和每个第一网络参数，确定每个客户端对应的第三网络参数；
发送模块44，用于向每个客户端发送对应的第三网络参数，其中，每个第三网络参数用于训练对应客户端中的第二神经网络，以更新第一网络参数；
迭代模块45，用于迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。
在一种可能的实现方式中，接收模块41，还用于接收每个客户端发送的本地图像数据集对应的数据量；
更新模块42，包括：
第一确定子模块，用于根据每个客户端对应的数据量，确定每个第一网络参数对应的第一权重；
融合子模块，用于根据每个第一网络参数对应的第一权重，对至少两个第一网络参数进行加权融合，以更新第一神经网络，得到第二网络参数。
在一种可能的实现方式中，确定模块43，包括：
第二确定子模块，用于针对第k个客户端，根据第二网络参数和第k个客户端发送的第一网络参数之间的相似度，确定第k个客户端发送的第一网络参数对应的第二权重；
第三确定子模块，用于根据第二网络参数、第k个客户端发送的第一网络参数、以及第k个客户端发送的第一网络参数对应的第二权重，确定第k个客户端对应的第三网络参数。
在一种可能的实现方式中，第一神经网络和第二神经网络具有相同的网络结构，该网络结构包括多个网络层，第k个客户端发送的第一网络参数包括每个网络层对应的第一网络层参数，第二网络参数包括每个网络层对应的第二网络层参数；
第二确定子模块，包括：
第一确定单元，用于根据每个网络层对应的第一网络层参数和第二网络层参数，确定每个网络层对应的参数相似度；
第二确定单元，用于根据每个网络层对应的参数相似度，确定第k个客户端发送的第一网络参数对应的第二权重。
在一种可能的实现方式中，第一确定单元，具体用于：
确定每个网络层对应的第一网络层参数和第二网络层参数之间的欧式距离；
将每个网络层对应的第一网络层参数和第二网络层参数之间的欧式距离，确定为每个网络层对应的参数相似度。
在一种可能的实现方式中，第二确定单元，具体用于：
对每个网络层对应的参数相似度进行归一化处理，得到每个网络层对应的归一化参数相似度；
对每个网络层对应的归一化参数相似度进行取平均处理，得到第k个客户端发送的第一网络参数对应的第二权重。
在一种可能的实现方式中，第三确定子模块，具体用于：
根据第k个客户端发送的第一网络参数对应的所述第二权重，对第k个客户端发送的第一网络参数和第二网络参数进行指数移动平均值融合，得到第k个客户端对应的第三网络参数。
图5示出根据本公开实施例的一种网络训练装置的框图。该网络训练装置应用于客户端，服务端中部署有第二神经网络和本地图像数据集。如图5所示，网络训练装置50包括：
发送模块51，用于向服务端发送第一网络参数，其中，第一网络参数是基于本地图像数据集对第二神经网络进行训练获得；
接收模块52，用于接收服务端返回的第三网络参数，其中，服务端中部署有第一神经网络，第三网络参数是服务端根据第一网络参数，以及根据第一网络参数更新第一神经网络后得到的第二网络参数确定得到的；
训练模块53，用于根据第三网络参数和本地图像数据集，对第二神经网络进行训练，得到更新后的第一网络参数；
迭代模块54，用于迭代地执行上述步骤，直至迭代训练满足预设训练条件，迭代训练后的第一神经网络和/或第二神经网络用于对待处理图像进行图像处理。
本公开实施例还提供一种行人重识别装置，包括：行人重识别模块，用于通过目标行人重识别网络对待识别图像进行行人重识别处理，确定行人重识别结果；其中，目标行人重识别网络是采用上述网络训练方法训练得到的第一神经网络或第二神经网络。
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易失性或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调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备的框图。如图6所示，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6，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，如互补金属氧化物半导体(cmos)或电荷耦合装置(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，如无线网络(wifi)，第二代移动通信技术(2g)或第三代移动通信技术(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7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备1900可以被提供为一服务器。参照图7，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个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，例如微软服务器操作系统(windowsservertm)，苹果公司推出的基于图形用户界面操作系统(macosxtm)，多用户多进程的计算机操作系统(unixtm),自由和开放原代码的类unix操作系统(linuxtm)，开放原代码的类unix操作系统(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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(softwaredevelopmentkit，sdk)等等。
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。
- 还没有人留言评论。精彩留言会获得点赞！