1.本公开涉及计算机
技术领域：
：，具体而言，涉及一种数据处理方法、数据处理装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
：：2.相关技术中所采用的量化方案，量化可选精度范围比较少，同时量化的压缩率没有达到所希望的压缩比。技术实现要素：3.本公开实施例提供一种数据处理方法、数据处理装置、计算机设备、计算机可读存储介质和计算机程序产品，可以提高量化性能。4.本公开实施例提供一种数据处理方法，所述方法包括：获取包括n个通道的待量化特征，n为大于1的正整数；确定所述待量化特征的各个通道对应的量化精度；根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征。5.本公开实施例提供一种数据处理方法，所述方法包括：获得包括n个通道的第二量化特征，n为大于1的正整数；确定所述第二量化特征的各个通道对应的量化精度；根据各个通道对应的量化精度分别对所述第二量化特征的各个通道进行反量化操作，获得所述第二量化特征的非量化特征。6.本公开实施例提供一种数据处理装置，该装置包括：待量化特征获取单元，用于获取包括n个通道的待量化特征，n为大于1的正整数；第一通道量化精度确定单元，用于确定所述待量化特征的各个通道对应的量化精度；第一量化特征获得单元，用于根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征。7.本公开实施例提供一种数据处理装置，该装置包括：第二量化特征获得单元，用于获得包括n个通道的第二量化特征，n为大于1的正整数；第二通道量化精度确定单元，用于确定所述第二量化特征的各个通道对应的量化精度；非量化特征获得单元，用于根据各个通道对应的量化精度分别对所述第二量化特征的各个通道进行反量化操作，获得所述第二量化特征的非量化特征。8.本公开实施例提供一种计算机设备，包括：至少一个处理器；存储装置，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，实现上述实施例中任意一种可能的实现方式中的方法。9.本公开实施例提供了一种计算机可读存储介质，其上存储有用于计算机设备执行的计算机程序，所述程序被处理器执行时实现上述实施例中任意一种可能的实现方式中的方法。10.本公开实施例提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机设备上运行时，使得计算机设备执行上述各方或上述各方中任意一种可能的实现方式中的方法的指令。11.在本公开的一些实施例所提供的技术方案中，通过获取包括n个通道的待量化特征，n为大于1的正整数，并确定所述待量化特征的各个通道对应的量化精度，然后根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征，可以在相同或者更低的量化精度下，获得更好的性能。12.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，并不能限制本公开。附图说明13.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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附图。14.图1示意性示出了根据本公开的一实施例的数据处理方法的应用场景示意图。15.图2示意性示出了相关技术中的量化精度对性能的影响示意图。16.图3示意性示出了相关技术中的量化方案的范围分析示意图。17.图4示意性示出了根据本公开的一实施例的数据处理方法的流程图。18.图5示意性示出了根据本公开的另一实施例的数据处理方法的流程图。19.图6示意性示出了根据本公开的一实施例的量化方法的流程图。20.图7示意性示出了根据本公开的一实施例的反量化方法的流程图。21.图8示意性示出了采用本公开实施例提供的数据处理方法的性能曲线图。22.图9示意性示出了根据本公开的又一实施例的数据处理方法的流程图。23.图10示意性示出了根据本公开的一实施例的数据处理装置的示意性框图。24.图11示意性示出了根据本公开的另一实施例的数据处理装置的示意性框图。25.图12示意性示出了根据本公开的一实施例的计算机设备的示意性框图。具体实施方式26.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。27.在本公开的描述中，除非另有说明，“/”表示“或”的意思，例如，a/b可以表示a或b。本文中的“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。此外，“至少一个”是指一个或多个，“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。28.本公开实施例并未对本公开实施例提供的方法的执行主体的具体结构特别限定，只要能够通过运行记录有本公开实施例的提供的方法的代码的程序，以根据本公开实施例提供的方法进行处理即可，例如，本公开实施例提供的方法的执行主体可以是计算机设备，或者，是计算机设备中能够调用程序并执行程序的功能模块。29.可以理解的是，本公开实施例描述的网络架构以及业务场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。30.首先，对本公开实施例中涉及的部分术语进行解释。31.压缩：以某种技术手段，减少数据尺寸。32.解压缩：把减少数据尺寸后的数据通过某种技术手段恢复成原始形式和尺寸。33.编码：是压缩的一种具体技术手段。34.解码：是解压缩的一种具体手段。35.后续为行文方便，本公开实施例不再严格区分压缩/编码，解压缩/解码的微细差别。36.传统的视频压缩编码面向人类视觉，多用于娱乐用途，注重信号保真度、高帧率等，无法匹配面向智能分析任务的机器视觉对于高准确性、低延迟和抽象语义的应用需求。面向人类视觉和面向机器视觉的视频压缩编码在应用场景、评估机制、信息处理和信息使用上存在较大差异。37.2019年7月，瑞典哥德堡第128次mpeg(movingpictureexpertsgroup，动态图像专家组)会议期间成立了机器视觉编码vcm(videocodingformachines)标准组，旨在研究适合机器视觉和人机混合视觉场景以智能应用为目标的压缩编码技术。38.典型的应用场景框图如图1所示，输入图像(inputimage)，通过通用的特征提取(genericfeatureextraction)网络提取输入的图像的特征，然后，对提取的特征进行压缩/解压缩(featurecompression/decompression)，然后将压缩/解压缩之后的特征输入至任务特定神经网络(taskspecificneuralnetworks)，输出相应的处理结果。39.以其中的特征压缩/解压缩领域而言，有如下技术问题：40.1、图像/视频经过特征提取网络(例如cnn(convolutionalneuralnetworks，卷积神经网络)网络)后得到特征，为了降低特征数据的传输量，需要对特征进行压缩/解压缩。特征量化是特征压缩的一种手段，为了达到更高的压缩比，必须使量化bit(比特)数降低，然而量化精度对后续taskspecificneuralnetworks(例如cnn任务网络)的性能影响较大。41.2、普通的量化方案采用固定精度，理论可以采用8bit-1bit，实际上由于低精度量化对后续cnn任务网络性能影响较大，只能采用较高精度方案。42.3、特征的压缩率没有达到更优。43.即相关技术中的量化方案存在如下问题：量化可选精度范围比较少，理论可以采用8bit-1bit，实际上由于低精度量化对后续cnn任务网络性能影响较大，只能采用较高精度方案。见图2所示的性能曲线(performancecurve)，可以看出量化精度对性能的影响。44.再参考图3所示的范围分析(rangeanalysis)可知，相关技术中的普通量化未考虑不同通道对量化精度的需求不一样，采用单一的量化精度，特征的压缩率没有达到更优。45.图4示意性示出了根据本公开的一实施例的数据处理方法的流程图。以图4所示的方法由终端执行为例进行举例说明，但本公开并不限定于此，图4所示方法可以由任意的计算机设备执行。46.如图4所示，本公开实施例提供的方法可以包括以下步骤。47.在步骤s410中，获取包括n个通道的待量化特征，n为大于1的正整数。48.在示例性实施例中，获取包括n个通道的待量化特征，可以包括：获取待处理图像；通过特征提取网络处理所述待处理图像，获得所述待量化特征。49.在示例性实施例中，所述方法还可以包括：对所述第一量化特征进行编码，获得所述待处理图像的比特流；传输所述比特流。50.例如，终端将比特流传输至服务器端，但本公开对此不做限定。51.在步骤s420中，确定所述待量化特征的各个通道对应的量化精度。52.在示例性实施例中，确定所述待量化特征的各个通道对应的量化精度，可以包括：确定所述待量化特征的平均量化精度；根据所述平均量化精度确定各个量化精度下的通道数；根据所述待量化特征获得各个通道下的最大特征响应值；根据各个通道下的最大特征响应值以及根据各个量化精度下的通道数，确定所述待量化特征的各个通道对应的量化精度。53.在示例性实施例中，根据所述待量化特征获得各个通道下的最大特征响应值，可以包括：将各个通道下的待量化特征的绝对值的最大值作为相应通道下的最大特征响应值。54.在示例性实施例中，根据各个通道下的最大特征响应值以及根据各个量化精度下的通道数，确定所述待量化特征的各个通道对应的量化精度，可以包括：根据各个通道下的最大特征响应值的大小以及各个量化精度下的通道数，给较大的最大特征响应值对应的通道赋予较大的量化精度。55.在步骤s430中，根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征。56.本公开实施方式提供的数据处理方法，通过获取包括n个通道的待量化特征，n为大于1的正整数，并确定所述待量化特征的各个通道对应的量化精度，然后根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征，可以在相同或者更低的量化精度下，获得更好的性能。57.下面对本公开实施例提供的方法进行举例说明，但本公开并不限定于此。58.图5示意性示出了根据本公开的另一实施例的数据处理方法的流程图。59.为了得到更多的可选量化精度，更高的压缩比，更好的保持后续cnn网络(任务网络)的性能，以及更适合端上实时运行的编解码场景，本公开实施例在对图像/视频数据通过cnn网络(特征提取网络)提取的待量化特征进行量化时，采用混合精度量化。在待量化特征的不同通道上采用从8bit到1bit(仅用于举例说明，可根据实际情况进行设置)不同量化精度的量化，实现了可浮动的、多阶的平均量化精度；量化过程中对每个通道的最大特征响应值进行排序，大的最大特征响应值赋予更高的量化精度，小的最大特征响应值赋予更低的量化精度，使得平均量化精度的bit数更少，达到了更高的压缩比。60.如图5所示，在步骤s501中，终端获取待处理图像，待处理图像可以是图片，也可以是从视频中提取出来的图像。61.在步骤s502中，终端将获取的图片/视频输入至cnn网络进行特征提取，即这里以特征提取网络为cnn网络为例进行举例说明，但实际并不限定于此，可以采用任意合适的特征提取网络。62.在步骤s503中，特征提取网络对输入的待处理图像进行处理后，输出待量化特征f32_1。63.该特征提取网络可以是预先在服务器端训练好后存储到终端上的，即在终端上直接调用该训练好的特征提取网络对待处理图像进行特征提取，获得待量化特征；也可以训练好后存储在服务器端，终端将获取的图片/视频发送至服务器端，服务器端利用训练好的特征提取网络对待处理图像进行处理，获得待量化特征，再将待量化特征返回至终端。64.在步骤s504中，终端对待量化特征f32_1进行特征量化处理。65.在步骤s505中，经过上述特征量化处理之后，终端输出低bit特征，称之为第一量化特征fmix_1。66.本公开实施例在整个机器视觉编码系统中改进了特征量化/特征反量化模块，其中，特征量化模块输入的待量化特征f32_1为浮点特征，相对于相关技术中量化精度固定为某个bit的量化方案，本公开实施例中量化精度是混合的，因此特征量化模块的输出标记为第一量化特征fmix_1。67.待量化特征f32_1由输入图片/视频经过特征提取网络(cnn网络)计算得到。68.在步骤s506中，终端对第一量化特征fmix_1进行编码处理，获得编码后的bit流。69.这里可以采用任何合适的编码方式，本公开对此不做限定。70.在步骤s507中，终端对编码后的bit流进行数据传输，假设传输给服务器端。71.在步骤s508中，服务器端从终端接收到bit流。72.在步骤s509中，服务器端对接收到的bit流进行解码，获得低bit特征，称之为第二量化特征fmix_2。73.在步骤s510中，服务器端对第二量化特征fmix_2进行特征反量化处理。74.在步骤s511中，对第二量化特征fmix_2进行特征反量化处理后，服务器端获得非量化特征f32_2。75.特征反量化模块输入为低比特特征，本公开实施例中为混合精度，标记为第二量化特征fmix_2，特征反量化模块输出的非量化特征f32_2为浮点特征。76.第二量化特征fmix_2由第一量化特征fmix_1经过编码后的比特流解码得到，非量化特征f32_2可视为待量化特征f32_1的恢复近似表示。77.在步骤s512中，服务器端将非量化特征f32_2输入至神经网络模型，这里以用于完成某种任务的cnn网络为例进行举例说明，因此也可以称之为任务网络。78.本公开实施例中，处理非量化特征f32_2的神经网络模型可以根据实际任务进行设计，并不限于cnn网络，例如进行图像分割的网络模型，进行目标检测的网络模型等等。79.在步骤s513中，非量化特征f32_2经过神经网络模型处理之后，可以输出相应的处理结果。80.图6示意性示出了根据本公开的一实施例的量化方法的流程图。81.如图6所示，本公开实施例提供的混合精度特征量化方法具体可以包括如下步骤。82.在步骤s601中，获取待量化特征f32_1。83.在步骤s602中，确定每量化精度下的通道数。84.根据待量化特征f32_1的特征维度、平均量化精度对应的bit数的目标和精度损失目标等，确定每个量化精度下的通道数。85.例如，假设待量化特征f32_1的通道总数n＝64，平均量化精度对应的bit数为6bit，精度几乎不损失为例，可以设计8bit量化精度下32个通道，4bit量化精度下32个通道，即由此可以获得每量化精度下的通道数为bd_table[8]＝[32,0,0,0,32,0,0,0]，表示bd_table为一个8维的向量(仅用于举例说明，具体维数等于可以取到的量化精度的位数，例如可以取到16bit到1bit的量化精度，则是一个16维的向量)，bd_table中的第一位表示8bit的量化精度下有32个通道，bd_table中的第二位表示7bit的量化精度下有0个通道，bd_table中的第三位表示6bit的量化精度下有0个通道，bd_table中的第四位表示5bit的量化精度下有0个通道，bd_table中的第五位表示4bit的量化精度下有32个通道，bd_table中的第六位表示3bit的量化精度下有0个通道，bd_table中的第七位表示2bit的量化精度下有0个通道，bd_table中的第八位表示1bit的量化精度下有0个通道。[0086]在步骤s603中，计算每通道下的最大特征响应值。[0087]例如，可以根据如下公式计算每个通道下的最大特征响应值：[0088]fmax,j＝max(abs(f32_1,j))ꢀꢀꢀꢀꢀ(1)[0089]上述公式中，fmax,j表示第j个通道下的最大特征响应值，j为大于或等于1且小于或等于n的正整数，这里假设n＝64，f32_1,j表示第j个通道下的待量化特征f32_1。abs表示求绝对值，max表示求最大值。[0090]在步骤s604中，将每通道下的最大特征响应值从大到小进行排序。[0091]在步骤s605中，确定精度-通道表。[0092]将n个通道的最大特征响应值从大到小排序，大的最大特征响应值赋予高量化精度，结合bd_table，决定每个通道对应的量化精度，例如，一共有64个通道的64个最大特征响应值，对64个最大特征响应值进行降序排列后，由于bd_table中有两个量化精度下各有32个通道，因此，可以将排序在第1至第32的最大特征响应值对应的通道采用8bit量化精度，排序在第33至第64的最大特征响应值对应的通道采用4bit量化精度，由此得到8个精度-通道表，例如可以表示：[0093]bd8_list＝[0,3,5,6,12…][0094]bd7_list＝[][0095]bd6_list＝[][0096]bd5_list＝[][0097]bd4_list＝[1,2,4,10,7…][0098]bd3_list＝[][0099]bd2_list＝[][0100]bd1_list＝[][0101]其中，bd8_list表示8bit量化精度对应的通道列表，这里假设序号为0(第一个通道，这里假设从0开始编号，但本公开并不限定于此，也可以从1或者其它数字开始编号)、3、5、6、12等32个通道的量化精度为8比特。bd4_list表示4bit量化精度对应的通道列表，这里假设序号为1、2、4、10、7等32个通道的量化精度为4比特。这2个精度-通道表下有对应的通道，因此，称之为非空精度-通道表。[0102]bd7_list表示7bit量化精度对应的通道列表，bd6_list表示7bit量化精度对应的通道列表，bd5_list表示5bit量化精度对应的通道列表，bd3_list表示3bit量化精度对应的通道列表，bd2_list表示2bit量化精度对应的通道列表，bd1_list表示1bit量化精度对应的通道列表，这6个精度-通道表下没有对应的通道，因此，称之为空精度-通道表。[0103]在步骤s606中，对每个非空精度-通道表进行量化。[0104]对每个非空精度-通道表进行对应的量化操作，例如：[0105]q8_list＝q[f_(32_1,j)]foreachjinbd8_list//即j依次取bd8_list中的值，例如0,3,5,6,12…，q表示量化操作。[0106]q7_list＝[][0107]q6_list＝[][0108]q5_list＝[][0109]q4list＝q[f_(32_1,j)]foreachjinbd4_list//即j依次取bd4_list中的值，例如0,3,5,6,12…[0110]q3list＝[][0111]q2list＝[][0112]q1list＝[][0113]在步骤s607中，获得第一量化特征fmix_1。[0114]图7示意性示出了根据本公开的一实施例的反量化方法的流程图。[0115]反量化处理是上述量化处理的反操作，如图7所示，在步骤s701中，获得第二量化特征fmix_2。[0116]在步骤s702中，对每个精度-通道表对应的量化数据进行反量化，例如：[0117]t8_list＝q^(q8_list)//q^表示反量化操作[0118]t7_list＝[][0119]t6_list＝[][0120]t5_list＝[][0121]t4_list＝q^(q4_list)[0122]t3_list＝[][0123]t2_list＝[][0124]t1_list＝[][0125]在步骤s703中，根据精度-通道表bdx_list，其中x∈set(1,2,3,4,5,6,7,8)，set表示集合，在反量化处理之后重排列回原始通道顺序，获得tx_list。[0126]例如，上述过程中，假设依次反量化处理序号为0、3、5、6、12等32个通道、以及1、2、4、10、7等32个通道，则重新对其排序，按照序号0、1、2、3、4、5、6、7、8、…64进行排序。[0127]在步骤s704中，获得非量化特征f32_2。[0128]图8示意性示出了采用本公开实施例提供的数据处理方法的性能曲线图。[0129]如图8所示，实线为采用相关技术的量化方案，虚线为采用本公开实施例提供的量化方案，由图8可以看出，应用本公开实施例提供的方法，一方面，可选量化精度组合更多，例如可以混合出6.0bit，4.875bit，4.0bit等平均量化精度。另一方面，压缩比更高，如图8所示的虚线示例，在某个cnn任务上，混合6.0bit和固定8bit相比，后续cnn网络性能更好，但bit数降低了25％，混合4.875bit性能也更好，但bit数降低了39.1％。[0130]图9示意性示出了根据本公开的又一实施例的数据处理方法的流程图。图9实施例提供的方法可以由服务器端执行，但本公开并不限定于此，可以由任意的计算机设备执行。[0131]如图9所示，本公开实施例提供的方法可以包括如下步骤。[0132]在步骤s910中，获得包括n个通道的第二量化特征，n为大于1的正整数。[0133]在步骤s920中，确定所述第二量化特征的各个通道对应的量化精度。[0134]在步骤s930中，根据各个通道对应的量化精度分别对所述第二量化特征的各个通道进行反量化操作，获得所述第二量化特征的非量化特征。[0135]在示例性实施例中，获得包括n个通道的第二量化特征，可以包括：接收待处理图像的比特流；对所述比特流进行解码，获得所述第二量化特征。[0136]在示例性实施例中，所述方法还可以包括：通过神经网络模型对所述非量化特征进行处理，获得所述待处理图像的处理结果。[0137]本公开实施例提供的方法，是一种基于cnn的特征混合精度量化和方法，可以应用于人工智能、图像/视频压缩、机器视觉编码领域。[0138]本公开实施例提供的数据处理方法，采用不同通道不同量化精度的方式构造混合精度，且对最大特征响应值进行排序，最大特征响应值大的赋予高精度，小的赋予低精度，一方面，可以实现浮动多阶的量化精度，达到更高的压缩比；另一方面，计算简单，非常适合实时编解码场景。[0139]还应理解，上述只是为了帮助本领域技术人员更好地理解本公开实施例，而非要限制本公开实施例的范围。本领域技术人员根据所给出的上述示例，显然可以进行各种等价的修改或变化，例如，上述方法中某些步骤可以是不必须的，或者可以新加入某些步骤等。或者上述任意两种或者任意多种实施例的组合。这样的修改、变化或者组合后的方案也落入本公开实施例的范围内。[0140]还应理解，上文对本公开实施例的描述着重于强调各个实施例之间的不同之处，未提到的相同或相似之处可以互相参考，为了简洁，这里不再赘述。[0141]还应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。[0142]还应理解，在本公开的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。[0143]上文详细介绍了本公开提供的数据处理方法示例。可以理解的是，计算机设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。[0144]下面将介绍本公开提供的数据处理装置。[0145]图10示意性示出了根据本公开的一实施例的数据处理装置的示意性框图。[0146]如图10所示，本公开实施例提供的数据处理装置1000可以包括待量化特征获取单元1010、第一通道量化精度确定单元1020以及第一量化特征获得单元1030。[0147]待量化特征获取单元1010可以用于获取包括n个通道的待量化特征，n为大于1的正整数。[0148]第一通道量化精度确定单元1020可以用于确定所述待量化特征的各个通道对应的量化精度。[0149]第一量化特征获得单元1030可以用于根据各个通道对应的量化精度分别对所述待量化特征的各个通道进行量化操作，获得所述待量化特征的第一量化特征。[0150]图10实施例的其它内容可以参照上述其它实施例。[0151]图11示意性示出了根据本公开的一实施例的数据处理装置的示意性框图。[0152]如图11所示，本公开实施例提供的数据处理装置1100可以包括第二量化特征获得单元1110、第二通道量化精度确定单元1120以及非量化特征获得单元1130。[0153]第二量化特征获得单元1110可以用于获得包括n个通道的第二量化特征，n为大于1的正整数。[0154]第二通道量化精度确定单元1120可以用于确定所述第二量化特征的各个通道对应的量化精度。[0155]非量化特征获得单元1130可以用于根据各个通道对应的量化精度分别对所述第二量化特征的各个通道进行反量化操作，获得所述第二量化特征的非量化特征。[0156]图11实施例的其它内容可以参照上述其它实施例。[0157]应理解，待量化特征获取单元1010、第二量化特征获得单元1110可以由收发器实现，第一通道量化精度确定单元1020、第一量化特征获得单元1030、第二通道量化精度确定单元1120、非量化特征获得单元1130可由处理器实现。数据处理装置1000和数据处理装置1100还可以包括存储单元，存储单元可以由存储器实现。如图12所示的数据处理装置1200或计算机设备可以包括处理器1210、存储器1220以及收发器1230。[0158]应理解，上述各个单元的划分仅仅是功能上的划分，实际实现时可能会有其它的划分方法。[0159]本公开实施例还提供了一种数据处理装置，包括处理器和接口；该处理器，用于执行上述任一方法实施例中的数据处理方法。[0160]应理解，上述处理装置可以是一个芯片。例如，该处理装置可以是现场可编程门阵列(field-programmablegatearray，fpga)，可以是专用集成芯片(applicationspecificintegratedcircuit，asic)，还可以是系统芯片(systemonchip，soc)，还可以是中央处理器(centralprocessorunit，cpu)，还可以是网络处理器(networkprocessor，np)，还可以是数字信号处理电路(digitalsignalprocessor，dsp)，还可以是微控制器(microcontrollerunit，mcu)，还可以是可编程控制器(programmablelogicdevice，pld)或其他集成芯片。[0161]在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储subscriberline，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digitalvideodisc，dvd))、或者半导体介质(例如，固态硬盘(solidstatedisk，ssd))等。[0169]在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。[0170]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0171]另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。[0172]在本公开的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。[0173]以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本
技术领域：
：的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。当前第1页12当前第1页12