生成旋律的方法、装置、可读介质及电子设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种生成旋律的方法、装置、可读介质及电子设备。


背景技术：

2.当代流行音乐的创作流程包含旋律创作、歌词创作、编曲并制作伴奏、混音、母带制作等。而自动作曲可以利用计算机算法编写程序，让程序自动创作乐谱。在上述流程中，自动作曲有潜力完成的部分主要包括旋律创作和编曲。
3.通过算法收集大量的旋律数据集，并将该旋律数据集输入神经网络模型学习其数据分布，在该神经网络模型学习收敛后，能够随机生成与该旋律数据集相同分布的样本。但是，这种方法的生成过程不可控，导致生成的旋律的质量比较差。


技术实现要素：

4.提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.第一方面，本公开提供一种生成旋律的方法，所述方法包括：
6.获取目标旋律隐向量和多个目标乐理标签；
7.将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
8.第二方面，本公开提供一种生成旋律的装置，所述装置包括：
9.获取模块，用于获取目标旋律隐向量和多个目标乐理标签；
10.生成模块，用于将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
11.第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
12.第四方面，本公开提供一种电子设备，包括：
13.存储装置，其上存储有至少一个计算机程序；
14.至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开第一方面所述方法的步骤。
15.通过上述技术方案，通过获取目标旋律隐向量和多个目标乐理标签；将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋
律对应的多个第一样本乐理标签的第一样本集训练得到。也就是说，本公开通过多个乐理标签对旋律生成模型进行约束，可以避免该旋律生成模型在生成旋律过程中不可控的情况，这样，可以提高生成的旋律的质量。
16.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
17.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
18.图1是根据本公开一示例性实施例示出的一种生成旋律的方法的流程图；
19.图2是根据本公开一示例性实施例示出的第一模型训练步骤的流程图；
20.图3是根据本公开一示例性实施例示出的一种旋律生成示意图；
21.图4是根据本公开一示例性实施例示出的一种分类器模型示意图；
22.图5是根据本公开一示例性实施例示出的另一种生成旋律的方法的流程图；
23.图6是根据本公开一示例性实施例示出的一种获取乐理标签向量的方法的流程图；
24.图7是根据本公开一示例性实施例示出的第二模型训练步骤的流程图；
25.图8是根据本公开一示例性实施例示出的一种旋律对比示意图；
26.图9是根据本公开一示例性实施例示出的一种生成旋律的装置的框图；
27.图10是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
28.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
29.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
30.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
31.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
32.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
33.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
34.本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
35.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
36.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
37.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
38.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
39.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
40.首先，对本公开的应用场景进行说明。初期的自动作曲使用的是规则或者专家系统的方法，也就是人工提炼乐理知识后，通过代码实现程序作曲。这种方法的效果比较稳定，但是受到人工的局限，生成的旋律泛化性比较差，而且风格比较单一。通过神经网络生成的旋律可以解决上述问题，这类算法通过收集大量的旋律数据集，对神经网络模型进行训练，训练后的神经网络模型能够随机生成与训练集数据相同分布的样本。这类做法人工干预比较少，但因为生成过程相对不可控，导致生成的旋律的质量比较差。
41.相关技术中，通过ec2-vae算法生成旋律，但是，该算法约束条件比较少，对旋律生成过程的可控性仍然不高，导致生成的旋律的质量和稳定性比较差。
42.为了解决上述存在的问题，本公开提供一种生成旋律的方法、装置、可读介质及电子设备，该方法通过多个乐理标签对旋律生成模型进行约束，可以避免该旋律生成模型在生成旋律过程中不可控的情况，这样，可以提高生成的旋律的质量。
43.下面结合具体实施例对本公开进行说明。
44.图1是根据本公开一示例性实施例示出的一种生成旋律的方法的流程图，如图1所示，该方法可以包括：
45.s101、获取目标旋律隐向量和多个目标乐理标签。
46.其中，该目标旋律隐向量可以是随机设置的旋律隐向量，也可以是根据预设旋律得到的旋律隐向量，本公开对此不作限定。该乐理标签可以包括旋律曲线、和弦、节奏、旋律等与乐理相关的元素，本公开对此不作限定。该乐理标签可以通过预设数据表格表示，例如，该预设数据格式可以是数字。
47.在本步骤中，在需要随机生成旋律的情况下，可以先确定待生成旋律的多个目标乐理标签，之后，再随机设置一个目标旋律隐向量；在需要生成与预设旋律相似的旋律的情况下，可以先确定该预设旋律对应的目标旋律隐向量，之后，再确定多个目标乐理标签，该
目标乐理标签可以是用户按照需求设置的乐理标签，也可以是用户根据该预设旋律对应的乐理标签进行调整后得到的乐理标签，本公开对该目标乐理标签的获取方式不作限定。
48.s102、将该目标旋律隐向量和多个目标乐理标签输入预先训练的旋律生成模型，以得到该旋律生成模型输出的目标旋律。
49.其中，该旋律生成模型可以通过包括第一样本旋律和该第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
50.相应的，可以获取多个第一样本集，根据多个第一样本集，通过第一目标神经网络模型的第一损失函数对该第一目标神经网络模型进行迭代训练，得到该旋律生成模型，该第一损失函数用于将多个第一样本乐理标签作为该第一目标神经网络模型的约束条件。其中，该第一目标神经网络模型可以是条件变分自编码器中的编码器。
51.在一种可能的实现方式中，在获取多个第一样本集后，可以循环执行第一模型训练步骤，直至根据第一目标样本旋律和第一生成样本旋律确定训练后的第一目标神经网络模型满足第一预设停止迭代条件，将训练后的第一目标神经网络模型作为该旋律生成模型；该第一目标样本旋律为多个第一样本旋律中的任一第一样本旋律，该第一生成样本旋律为训练后的第一目标神经网络模型输出的旋律。
52.图2是根据本公开一示例性实施例示出的第一模型训练步骤的流程图，如图2所示，该第一模型训练步骤可以包括：
53.s21、获取第一目标样本旋律和干扰样本乐理标签。
54.其中，该干扰样本乐理标签包括第一剩余样本旋律中任一第一样本旋律对应的多个第一样本乐理标签，该第一剩余样本旋律包括多个第一样本旋律中除该第一目标样本旋律之外的第一样本旋律。
55.在获取多个第一样本集后，从多个第一样本集的多个第一样本旋律中随机选择一个第一样本旋律作为该第一目标样本旋律，之后，从该第一剩余样本旋律中确定任一第一样本旋律，并将该任一第样本旋律对应的多个第一样本乐理标签作为该干扰样本乐理标签。
56.s22、根据该第一目标样本旋律、该干扰样本乐理标签以及该第一目标样本旋律对应的多个第一样本乐理标签，通过该第一目标神经网络模型，获取该第一生成样本旋律。
57.在一种可能的实现方式中，在得到该第一目标样本旋律和该干扰样本乐理标签后，可以获取该第一目标样本旋律对应的第一目标样本旋律隐向量；将该第一目标样本旋律隐向量和该干扰样本乐理标签输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的待定样本旋律；获取该待定样本旋律对应的待定样本旋律隐向量；将该待定样本旋律隐向量和该第一目标样本旋律对应的多个第一样本乐理标签输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的该第一生成样本旋律。
58.示例地，可以将该第一目标样本旋律输入预先训练的旋律隐向量获取模型，以获取该旋律隐向量获取模型输出的该第一目标样本旋律隐向量，将该第一目标样本旋律隐向量和该干扰样本乐理标签输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的待定样本旋律，之后，可以将该待定样本旋律输入该旋律隐向量获取模型，以获取该旋律隐向量获取模型输出的该待定样本旋律隐向量，最后，将该待定样本旋律隐向量和该第一目标样本旋律对应的多个第一样本乐理标签输入该第一目标神经网络模型，以获取该
第一目标神经网络模型输出的该第一生成样本旋律。
59.图3是根据本公开一示例性实施例示出的一种旋律生成示意图，如图3所示，将第一目标样本旋律x输入该旋律隐向量获取模型后，得到该第一目标样本旋律隐向量z，将该第一目标样本旋律隐向量z和该干扰样本乐理标签y2输入该第一目标神经网络模型后，得到该待定样本旋律x2，将该待定样本旋律x2输入该旋律隐向量获取模型后，得到该待定样本旋律隐向量z2，将该待定样本旋律隐向量z2和该第一目标样本旋律对应的多个第一样本乐理标签y1输入该第一目标神经网络模型后，得到该第一生成样本旋律x3。
60.s23、在根据该第一目标样本旋律和该第一生成样本旋律确定该第一目标神经网络模型不满足该第一预设停止迭代条件的情况下，确定该第一损失函数对应的第一损失值，根据该第一损失值更新该第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。
61.其中，该第一损失函数可以包括第一重构损失函数和第一分类损失函数，该第一重构损失函数可以是现有技术的重构损失函数，该第一分类损失函数可以是现有技术的分类损失函数，此处不再赘述。
62.在一种可能的实现方式中，在得到该第一生成样本旋律后，可以根据该第一目标样本旋律和该第一生成样本旋律，确定该第一重构损失函数对应的第一重构损失值；根据该待定样本旋律和该干扰样本乐理标签，确定该第一分类损失函数对应的第一分类损失值；将该第一重构损失值与该第一分类损失值的和值，作为该第一损失值。
63.示例地，在得到该待定样本旋律后，可以确定该待定样本旋律对应的多个待定乐理标签，根据多个待定乐理标签和该干扰样本乐理标签，确定该第一分类损失函数对应的第一分类损失值。该第一分类损失值可以表征该待定样本旋律对应的多个待定乐理标签与该干扰样本乐理标签的相似度，该相似度越高，表示该待定样本旋律越满足该干扰样本乐理标签。之后，在得到该第一生成样本旋律后，可以根据该第一目标样本旋律和该第一生成样本旋律，计算得到该第一重构损失值。最后，计算该第一分类损失值和该第一重构损失值的和值，并将该和值作为该第一损失值。
64.如图3所示，在得到该待定样本旋律后，可以通过预先训练的分类器模型确定该第一分类损失值，该分类器模型可以参照现有技术的模型训练方法进行训练，此处不再赘述。图4是根据本公开一示例性实施例示出的一种分类器模型示意图，如图4所示，将该待定样本旋律输入该分类器模型后，可以得到该待定样本旋律对应的多个待定乐理标签(标签1、标签2、标签3、标签4、
……
)。
65.进一步地，在得到该第一损失值后，可以通过反向传播的方式，更新该第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。
66.通过该第一损失值对该第一目标神经网络模型进行优化，可以通过该第一分类损失函数提高该干扰样本乐理标签对该第一目标神经网络模型的约束作用，而该第一重构损失函数可以在该第一分类损失函数的作用下，使得该第一目标神经网络模型输出的第一生成样本旋律与该第一样本旋律尽可能相同。
67.在一种可能的实现方式中，可以通过该第一损失函数更新该旋律隐向量获取模型和该标签向量获取模型的参数。示例地，可以通过该第一损失值更新该旋律隐向量获取模
型和该标签向量获取模型的参数。
68.采用上述方法，通过多个乐理标签对旋律生成模型进行约束，可以避免该旋律生成模型在生成旋律过程中不可控的情况，这样，可以提高生成的旋律的质量。
69.图5是根据本公开一示例性实施例示出的另一种生成旋律的方法的流程图，如图5所示，该方法可以包括：
70.s501、获取预设旋律。
71.其中，该预设旋律可以是用于生成更多旋律的基础旋律。
72.s502、将该预设旋律输入预先训练的旋律隐向量获取模型，以获取该旋律隐向量获取模型输出的目标旋律隐向量。
73.其中，该旋律隐向量获取模型通过以下方式训练得到：
74.获取多个第二样本集，该第二样本集包括第二样本旋律和每个第二样本旋律对应的多个第二样本乐理标签；根据多个第二样本集，通过第二目标神经网络模型的第二损失函数对该第二目标神经网络模型进行迭代训练，得到该旋律隐向量获取模型。其中，该第二目标神经网络模型可以是条件变分自编码器中的解码器。
75.在根据多个第二样本集，通过第二目标神经网络模型的第二损失函数对该第二目标神经网络模型进行迭代训练之前，针对每个第二样本集，获取该第二样本集的多个第二样本乐理标签对应的第二目标乐理标签向量，之后，可以根据多个第二样本旋律和多个第二目标乐理标签向量，通过该第二目标神经网络模型的第二损失函数对该第二目标神经网络模型进行迭代训练，得到该旋律隐向量获取模型。其中，该标签向量获取模型可以包括随机掩码层和线性层。
76.示例地，在得到多个第二样本集后，针对每个第二样本集的多个第二样本乐理标签，可以先获取每个第二乐理标签对应的第二乐理标签向量，将多个第二样本乐理标签向量输入预先训练的标签向量获取模型后，通过该标签向量获取模型的随机掩码层可以得到多个第二样本乐理标签对应的乐理标签组合，该标签向量获取模型可以参照现有技术的模型训练方法进行训练，此处不再赘述。图6是根据本公开一示例性实施例示出的一种获取乐理标签向量的方法的流程图，如图6所示，多个第二样本乐理标签包括标签1、标签2、标签3，标签4，
……
，则先获取每个标签对应的第二乐理标签向量(图中的向量1、向量2、向量3、向量4、向量n)，通过该标签向量获取模型的随机掩码层后得到的乐理标签组合可以包括标签2和标签4(标签1和标签4的标识为1)。之后，可以将该乐理标签组合中的多个第二样本乐理标签对应的第二乐理标签向量相加，得到多个第二样本乐理标签对应的第二目标乐理标签向量。这样得到的第二目标乐理标签向量更加多样，使得根据该第二目标乐理标签向量生成的旋律隐向量获取模型的准确率更高。
77.在一种可能的实现方式中，在获取多个第二样本集后，可以循环执行第二模型训练步骤，直至根据该第二样本旋律和第二目标样本旋律确定训练后的第二目标神经网络模型满足第二预设停止迭代条件，将训练后的第二目标神经网络模型作为该旋律隐向量获取模型；该第二目标样本旋律通过该第一目标神经网络模型和训练后的第二目标神经网络模型获取。
78.图7是根据本公开一示例性实施例示出的第二模型训练步骤的流程图，如图7所示，该第二模型训练步骤可以包括：
79.s71、将多个第二样本旋律输入该第二目标神经网络模型，以获取该第二目标神经网络模型输出的每个第二样本旋律对应的第二样本旋律隐向量。
80.s72、将多个第二样本旋律隐向量输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的每个第二样本旋律隐向量对应的第二目标样本旋律。
81.s73、在根据该第二样本旋律和该第二目标样本旋律确定该第二目标神经网络模型不满足该第二预设停止迭代条件的情况下，根据多个第二目标样本旋律和多个第二样本旋律，确定该第二损失函数对应的第二损失值，根据该第二损失值更新该第二目标神经网络模型的参数，得到训练后的第二目标神经网络模型，并将训练后的第二目标神经网络模型作为新的第二目标神经网络模型。
82.其中，该第二损失函数可以是重构损失函数。
83.s503、获取多个目标乐理标签。
84.在本步骤中，在得到该预设旋律后，可以确定该预设旋律对应的多个预设乐理标签，用户可以对多个预设乐理标签进行调整，得到多个目标乐理标签。多个目标乐理标签可以是对每个预设乐理标签调整后得到的乐理标签，也可以是对部分预设乐理标签进行调整后得到的乐理标签。示例地，若多个预设乐理标签包括旋律曲线、和弦以及节奏，多个目标乐理标签可以是对旋律曲线、和弦以及节奏均进行调整后得到的乐理标签，则多个目标乐理标签包括旋律曲线、和弦以及节奏；多个目标乐理标签也可以是对和弦和节奏进行调整后得到的乐理标签，则多个目标乐理标签包括和弦和节奏。
85.s504、将该目标旋律隐向量和多个目标乐理标签输入预先训练的旋律生成模型，以得到该旋律生成模型输出的目标旋律。
86.采用上述方法，通过多个乐理标签对模型进行约束，在旋律生成模型和隐向量获取模型的训练过程中，提高了模型对条件约束和生成旋律的解耦能力，可以避免该旋律生成模型在生成旋律过程中不可控的情况，这样，提高了生成的旋律的质量。进一步地，本公开由于引入的乐理标签的数量不限于和弦和节奏，在更多乐理标签的约束下，使得生成的旋律的粒度更细致，进一步提高了旋律的生成质量和稳定性。
87.图8是根据本公开一示例性实施例示出的一种旋律对比示意图，如图8所示，第1、3、5、7、9行是在相同和弦和旋律走向，不同音符数目的条件约束下，通过本公开的旋律生成模型生成的旋律，可以看出，生成的旋律midi序列的数目由少变多，但是旋律的旋律走向并未发生太大变化。通过图8可以看出，本公开的旋律生成模型生成的旋律的稳定性比较高。
88.图9是根据本公开一示例性实施例示出的一种生成旋律的装置的框图，如图9所示，该装置可以包括：
89.获取模块901，用于获取目标旋律隐向量和多个目标乐理标签；
90.生成模块902，用于将该目标旋律隐向量和多个该目标乐理标签输入预先训练的旋律生成模型，以得到该旋律生成模型输出的目标旋律；其中，该旋律生成模型通过包括第一样本旋律和该第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
91.可选地，该生成模块902，还用于：
92.获取多个第一样本集；
93.根据多个第一样本集，通过第一目标神经网络模型的第一损失函数对该第一目标神经网络模型进行迭代训练，得到该旋律生成模型，该第一损失函数用于将多个第一样本
乐理标签作为该第一目标神经网络模型的约束条件。
94.可选地，该生成模块902，还用于：
95.循环执行第一模型训练步骤，直至根据第一目标样本旋律和第一生成样本旋律确定训练后的第一目标神经网络模型满足第一预设停止迭代条件，将训练后的第一目标神经网络模型作为该旋律生成模型；该第一目标样本旋律为多个该第一样本旋律中的任一第一样本旋律，该第一生成样本旋律为训练后的第一目标神经网络模型输出的旋律；
96.该第一模型训练步骤包括：
97.获取该第一目标样本旋律和干扰样本乐理标签，该干扰样本乐理标签包括第一剩余样本旋律中任一第一样本旋律对应的多个该第一样本乐理标签，该第一剩余样本旋律包括多个该第一样本旋律中除该第一目标样本旋律之外的第一样本旋律；
98.根据该第一目标样本旋律、该干扰样本乐理标签以及该第一目标样本旋律对应的多个该第一样本乐理标签，通过该第一目标神经网络模型，获取该第一生成样本旋律；
99.在根据该第一目标样本旋律和该第一生成样本旋律确定该第一目标神经网络模型不满足该第一预设停止迭代条件的情况下，确定所述第一损失函数对应的第一损失值，根据该第一损失值更新该第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。
100.可选地，该生成模块902，还用于：
101.获取该第一目标样本旋律对应的第一目标样本旋律隐向量；
102.将该第一目标样本旋律隐向量和该干扰样本乐理标签输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的待定样本旋律；
103.获取该待定样本旋律对应的待定样本旋律隐向量；
104.将该待定样本旋律隐向量和该第一目标样本旋律对应的多个该第一样本乐理标签输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的该第一生成样本旋律。
105.可选地，该第一损失函数包括第一重构损失函数和第一分类损失函数，该生成模块902，还用于：
106.根据该第一目标样本旋律和该第一生成样本旋律，确定该第一重构损失函数对应的第一重构损失值；
107.根据该待定样本旋律和该干扰样本乐理标签，确定该第一分类损失函数对应的第一分类损失值；
108.将该第一重构损失值与该第一分类损失值的和值，作为该第一损失值。
109.可选地，该获取模块901，还用于：
110.获取预设旋律；
111.将该预设旋律输入预先训练的旋律隐向量获取模型，以获取该旋律隐向量获取模型输出的该目标旋律隐向量。
112.可选地，该获取模块901，还用于：
113.获取多个第二样本集，该第二样本集包括第二样本旋律和每个该第二样本旋律对应的多个第二样本乐理标签；
114.根据多个该第二样本集，通过第二目标神经网络模型的第二损失函数对该第二目
标神经网络模型进行迭代训练，得到该旋律隐向量获取模型。
115.可选地，该获取模块901，还用于：
116.循环执行第二模型训练步骤，直至根据该第二样本旋律和第二目标样本旋律确定训练后的第二目标神经网络模型满足第二预设停止迭代条件，将训练后的第二目标神经网络模型作为该旋律隐向量获取模型；该第二目标样本旋律通过该第一目标神经网络模型和训练后的第二目标神经网络模型获取；
117.该第二模型训练步骤包括：
118.将多个该第二样本旋律输入该第二目标神经网络模型，以获取该第二目标神经网络模型输出的每个该第二样本旋律对应的第二样本旋律隐向量；
119.将多个该第二样本旋律隐向量输入该第一目标神经网络模型，以获取该第一目标神经网络模型输出的每个该第二样本旋律隐向量对应的第二目标样本旋律；
120.在根据该第二样本旋律和该第二目标样本旋律确定该第二目标神经网络模型不满足该第二预设停止迭代条件的情况下，根据多个该第二目标样本旋律和多个该第二样本旋律，确定该第二损失函数对应的第二损失值，根据该第二损失值更新该第二目标神经网络模型的参数，得到训练后的第二目标神经网络模型，并将训练后的第二目标神经网络模型作为新的第二目标神经网络模型。
121.可选地，该获取模块901，还用于：
122.针对每个该第二样本集，获取该第二样本集的多个该第二样本乐理标签对应的第二目标乐理标签向量；
123.该根据多个该第二样本集，通过第二目标神经网络模型的第二损失函数对该第二目标神经网络模型进行迭代训练，得到该旋律隐向量获取模型包括：
124.根据多个该第二样本旋律和多个该第二目标乐理标签向量，通过该第二目标神经网络模型的第二损失函数对该第二目标神经网络模型进行迭代训练，得到该旋律隐向量获取模型。
125.可选地，该生成模块902，还用于：
126.通过该第一损失函数更新该旋律隐向量获取模型和该标签向量获取模型的参数。
127.通过上述装置，通过多个乐理标签对旋律生成模型进行约束，可以避免该旋律生成模型在生成旋律过程中不可控的情况，这样，可以提高生成的旋律的质量。
128.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
129.下面参考图10，其示出了适于用来实现本公开实施例的电子设备1000的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
130.如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储装置1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、rom 1002以及ram 1003通过总线
1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
131.通常，以下装置可以连接至i/o接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
132.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从rom 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
133.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
134.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
135.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
136.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标旋律隐向量和多个目标乐理标签；将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋律
对应的多个第一样本乐理标签的第一样本集训练得到。
137.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码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)。
138.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
139.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取目标旋律隐向量和多个目标乐理标签的模块”。
140.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
141.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。
142.根据本公开的一个或多个实施例，示例1提供了一种生成旋律的方法，所述方法包括：获取目标旋律隐向量和多个目标乐理标签；将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
143.根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述旋律生成模型
通过包括第一样本旋律和所述第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到，包括：获取多个第一样本集；根据多个所述第一样本集，通过第一目标神经网络模型的第一损失函数对所述第一目标神经网络模型进行迭代训练，得到所述旋律生成模型，所述第一损失函数用于将多个所述第一样本乐理标签作为所述第一目标神经网络模型的约束条件。
144.根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据多个所述第一样本集，通过第一目标神经网络模型的第一损失函数对所述第一目标神经网络模型进行迭代训练，得到所述旋律生成模型包括：循环执行第一模型训练步骤，直至根据第一目标样本旋律和第一生成样本旋律确定训练后的第一目标神经网络模型满足第一预设停止迭代条件，将训练后的第一目标神经网络模型作为所述旋律生成模型；所述第一目标样本旋律为多个所述第一样本旋律中的任一第一样本旋律，所述第一生成样本旋律为训练后的第一目标神经网络模型输出的旋律；所述第一模型训练步骤包括：获取所述第一目标样本旋律和干扰样本乐理标签，所述干扰样本乐理标签包括第一剩余样本旋律中任一第一样本旋律对应的多个所述第一样本乐理标签，所述第一剩余样本旋律包括多个所述第一样本旋律中除所述第一目标样本旋律之外的第一样本旋律；根据所述第一目标样本旋律、所述干扰样本乐理标签以及所述第一目标样本旋律对应的多个所述第一样本乐理标签，通过所述第一目标神经网络模型，获取所述第一生成样本旋律；在根据所述第一目标样本旋律和所述第一生成样本旋律确定所述第一目标神经网络模型不满足所述第一预设停止迭代条件的情况下，确定所述第一损失函数对应的第一损失值，根据所述第一损失值更新所述第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。
145.根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述第一目标样本旋律、所述干扰样本乐理标签以及所述第一目标样本旋律对应的多个所述第一样本乐理标签，通过所述第一目标神经网络模型，获取所述第一生成样本旋律包括：获取所述第一目标样本旋律对应的第一目标样本旋律隐向量；将所述第一目标样本旋律隐向量和所述干扰样本乐理标签输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的待定样本旋律；获取所述待定样本旋律对应的待定样本旋律隐向量；将所述待定样本旋律隐向量和所述第一目标样本旋律对应的多个所述第一样本乐理标签输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的所述第一生成样本旋律。
146.根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述第一损失函数包括第一重构损失函数和第一分类损失函数，所述确定所述第一损失函数对应的第一损失值包括：根据所述第一目标样本旋律和所述第一生成样本旋律，确定所述第一重构损失函数对应的第一重构损失值；根据所述待定样本旋律和所述干扰样本乐理标签，确定所述第一分类损失函数对应的第一分类损失值；将所述第一重构损失值与所述第一分类损失值的和值，作为所述第一损失值。
147.根据本公开的一个或多个实施例，示例6提供了示例2-5任一示例的方法，所述获取目标旋律隐向量包括：获取预设旋律；将所述预设旋律输入预先训练的旋律隐向量获取模型，以获取所述旋律隐向量获取模型输出的所述目标旋律隐向量。
148.根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述旋律隐向量获
取模型通过以下方式训练得到：获取多个第二样本集，所述第二样本集包括第二样本旋律和每个所述第二样本旋律对应的多个第二样本乐理标签；根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型。
149.根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型包括：循环执行第二模型训练步骤，直至根据所述第二样本旋律和第二目标样本旋律确定训练后的第二目标神经网络模型满足第二预设停止迭代条件，将训练后的第二目标神经网络模型作为所述旋律隐向量获取模型；所述第二目标样本旋律通过所述第一目标神经网络模型和训练后的第二目标神经网络模型获取；所述第二模型训练步骤包括：将多个所述第二样本旋律输入所述第二目标神经网络模型，以获取所述第二目标神经网络模型输出的每个所述第二样本旋律对应的第二样本旋律隐向量；将多个所述第二样本旋律隐向量输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的每个所述第二样本旋律隐向量对应的第二目标样本旋律；在根据所述第二样本旋律和所述第二目标样本旋律确定所述第二目标神经网络模型不满足所述第二预设停止迭代条件的情况下，根据多个所述第二目标样本旋律和多个所述第二样本旋律，确定所述第二损失函数对应的第二损失值，根据所述第二损失值更新所述第二目标神经网络模型的参数，得到训练后的第二目标神经网络模型，并将训练后的第二目标神经网络模型作为新的第二目标神经网络模型。
150.根据本公开的一个或多个实施例，示例9提供了示例7的方法，在所述根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型前，所述方法还包括：针对每个所述第二样本集，获取所述第二样本集的多个所述第二样本乐理标签对应的第二目标乐理标签向量；所述根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型包括：根据多个所述第二样本旋律和多个所述第二目标乐理标签向量，通过所述第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型。
151.根据本公开的一个或多个实施例，示例10提供了示例9的方法，所述方法还包括：通过所述第一损失函数更新所述旋律隐向量获取模型和所述标签向量获取模型的参数。
152.根据本公开的一个或多个实施例，示例11提供了一种生成旋律的装置，所述装置包括：获取模块，用于获取目标旋律隐向量和多个目标乐理标签；生成模块，用于将所述目标旋律隐向量和多个所述目标乐理标签输入预先训练的旋律生成模型，以得到所述旋律生成模型输出的目标旋律；其中，所述旋律生成模型通过包括第一样本旋律和所述第一样本旋律对应的多个第一样本乐理标签的第一样本集训练得到。
153.根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述生成模块，还用于：获取多个第一样本集；根据多个所述第一样本集，通过第一目标神经网络模型的第一损失函数对所述第一目标神经网络模型进行迭代训练，得到所述旋律生成模型，所述第一损失函数用于将多个所述第一样本乐理标签作为所述第一目标神经网络模型的约束条件。
154.根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述生成模块，还
用于：循环执行第一模型训练步骤，直至根据第一目标样本旋律和第一生成样本旋律确定训练后的第一目标神经网络模型满足第一预设停止迭代条件，将训练后的第一目标神经网络模型作为所述旋律生成模型；所述第一目标样本旋律为多个所述第一样本旋律中的任一第一样本旋律，所述第一生成样本旋律为训练后的第一目标神经网络模型输出的旋律；所述第一模型训练步骤包括：获取所述第一目标样本旋律和干扰样本乐理标签，所述干扰样本乐理标签包括第一剩余样本旋律中任一第一样本旋律对应的多个所述第一样本乐理标签，所述第一剩余样本旋律包括多个所述第一样本旋律中除所述第一目标样本旋律之外的第一样本旋律；根据所述第一目标样本旋律、所述干扰样本乐理标签以及所述第一目标样本旋律对应的多个所述第一样本乐理标签，通过所述第一目标神经网络模型，获取所述第一生成样本旋律；在根据所述第一目标样本旋律和所述第一生成样本旋律确定所述第一目标神经网络模型不满足所述第一预设停止迭代条件的情况下，确定所述第一损失函数对应的第一损失值，根据所述第一损失值更新所述第一目标神经网络模型的参数，得到训练后的第一目标神经网络模型，并将训练后的第一目标神经网络模型作为新的第一目标神经网络模型。
155.根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述生成模块，还用于：获取所述第一目标样本旋律对应的第一目标样本旋律隐向量；将所述第一目标样本旋律隐向量和所述干扰样本乐理标签输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的待定样本旋律；获取所述待定样本旋律对应的待定样本旋律隐向量；将所述待定样本旋律隐向量和所述第一目标样本旋律对应的多个所述第一样本乐理标签输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的所述第一生成样本旋律。
156.根据本公开的一个或多个实施例，示例15提供了示例14的装置，所述第一损失函数包括第一重构损失函数和第一分类损失函数，所述生成模块，还用于：根据所述第一目标样本旋律和所述第一生成样本旋律，确定所述第一重构损失函数对应的第一重构损失值；根据所述待定样本旋律和所述干扰样本乐理标签，确定所述第一分类损失函数对应的第一分类损失值；将所述第一重构损失值与所述第一分类损失值的和值，作为所述第一损失值。
157.根据本公开的一个或多个实施例，示例16提供了示例12-14任一示例的装置，所述获取模块，还用于：获取预设旋律；将所述预设旋律输入预先训练的旋律隐向量获取模型，以获取所述旋律隐向量获取模型输出的所述目标旋律隐向量。
158.根据本公开的一个或多个实施例，示例17提供了示例16的装置，所述获取模块，还用于：获取多个第二样本集，所述第二样本集包括第二样本旋律和每个所述第二样本旋律对应的多个第二样本乐理标签；根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型。
159.根据本公开的一个或多个实施例，示例18提供了示例17的装置，所述获取模块，还用于：循环执行第二模型训练步骤，直至根据所述第二样本旋律和第二目标样本旋律确定训练后的第二目标神经网络模型满足第二预设停止迭代条件，将训练后的第二目标神经网络模型作为所述旋律隐向量获取模型；所述第二目标样本旋律通过所述第一目标神经网络模型和训练后的第二目标神经网络模型获取；所述第二模型训练步骤包括：将多个所述第
二样本旋律输入所述第二目标神经网络模型，以获取所述第二目标神经网络模型输出的每个所述第二样本旋律对应的第二样本旋律隐向量；将多个所述第二样本旋律隐向量输入所述第一目标神经网络模型，以获取所述第一目标神经网络模型输出的每个所述第二样本旋律隐向量对应的第二目标样本旋律；在根据所述第二样本旋律和所述第二目标样本旋律确定所述第二目标神经网络模型不满足所述第二预设停止迭代条件的情况下，根据多个所述第二目标样本旋律和多个所述第二样本旋律，确定所述第二损失函数对应的第二损失值，根据所述第二损失值更新所述第二目标神经网络模型的参数，得到训练后的第二目标神经网络模型，并将训练后的第二目标神经网络模型作为新的第二目标神经网络模型。
160.根据本公开的一个或多个实施例，示例19提供了示例17的装置，所述获取模块，还用于：针对每个所述第二样本集，获取所述第二样本集的多个所述第二样本乐理标签对应的第二目标乐理标签向量；所述根据多个所述第二样本集，通过第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型包括：根据多个所述第二样本旋律和多个所述第二目标乐理标签向量，通过所述第二目标神经网络模型的第二损失函数对所述第二目标神经网络模型进行迭代训练，得到所述旋律隐向量获取模型。
161.根据本公开的一个或多个实施例，示例20提供了示例19的装置，所述生成模块，还用于：通过所述第一损失函数更新所述旋律隐向量获取模型和所述标签向量获取模型的参数。
162.根据本公开的一个或多个实施例，示例21提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-10中任一示例所述方法的步骤。
163.根据本公开的一个或多个实施例，示例22提供了一种电子设备，包括：存储装置，其上存储有至少一个计算机程序；至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例1-10中任一示例所述方法的步骤。
164.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
165.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
166.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。