演化模型训练方法、装置、设备及存储介质

1.本发明涉及人工智能技术领域，尤其是涉及一种演化模型训练方法、装置、设备及存储介质。


背景技术：

2.在建模方面，统计回归和机器学习是常用的方法。此二类方法需要预设模型结构(例如模型基本形式、神经网络结构等)，然后通过回归分析/优化来估计参数(变量系数)。在大规模任务场景中，往往不具备充分的预设模型结构的理论基础或专家经验，导致无法准确建模。在求解方面，由于面对大规模问题时，建模往往难以准确，而通过这类非精确模型进行优化求解，自然难以获得最优解。
3.在解决大规模问题时，现有的方法主要有贪心的方法，放松的方法，以及演化算法。现有的大规模演化优化方法由于特征分解导致的时间占用过大，使得优化所需的时间过长。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种演化模型训练方法，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。
5.本发明还提出一种演化模型训练装置。
6.本发明还提出一种演化模型训练设备。
7.本发明还提出一种存储介质。
8.第一方面，本发明的一个实施例提供了演化模型训练方法，包括：
9.获取初始演化参数；
10.将所述初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，所述多层级演化模型包括：外层演化网络和若干内层演化网络；
11.通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数；
12.通过所述外层演化网络根据若干所述评估结果生成指令，得到运行逻辑指令；
13.通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的所述目标演化参数作为下一次循环的所述初始演化参数。
14.本发明实施例的演化模型训练方法至少具有如下有益效果：获取用户输入的初始演化参数，将初始演化参数输入预设的多层级演化模型的若干内层演化网络，若干内层演化网络并行进行演化，若干内层演化网络分别对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干内层演化网络分别将若干评估结果和若干初步演化参数输入至外层演化网络，通过外层演化网络根据若干评估结果依次生成相应的指令，
得到相应的运行逻辑指令，外层演化网络根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。
15.根据本发明的另一些实施例的演化模型训练方法，所述通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数，包括：
16.通过若干所述内层演化网络并行根据预设的转换矩阵和随机分布向量进行取样处理，得到取样结果；其中，所述随机分布向量根据预设的高斯随机分布函数生成；
17.通过预设的评估函数对所述取样结果和预设的初始样本坐标进行评估处理，得到若干所述评估结果；
18.根据若干所述评估结果对所述初始演化参数进行更新处理，得到所述初步演化参数。
19.根据本发明的另一些实施例的演化模型训练方法，所述外层演化网络根据所述评估结果生成指令，得到运行逻辑指令，包括：获取若干所述内层演化网络的若干所述评估结果；
20.根据若干所述评估结果的值进行排序，以得到评估结果序列；其中，所述评估结果序列包括每一所述评估结果的排序序号；
21.根据所述排序序号生成所述评估结果的所述运行逻辑指令。
22.根据本发明的另一些实施例的演化模型训练方法，所述通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数，包括：
23.获取若干所述内层演化网络的所述初步演化参数，得到若干所述初步演化参数；
24.将若干所述初步演化参数进行集成处理，得到演化参数集；
25.根据所述运行逻辑指令对所述演化参数集进行演化处理，以得到若干所述目标演化参数。
26.根据本发明的另一些实施例的演化模型训练方法，所述方法还包括：
27.获取所述多层级演化模型的循环信息；
28.若所述循环信息满足预设循环条件，停止所述多层级演化模型的循环演化处理。
29.根据本发明的另一些实施例的演化模型训练方法，所述方法还包括：
30.获取所述循环演化处理停止后的目标演化参数，得到最终演化参数；
31.根据所述最终演化参数调节所述多层级演化模型的演化参数，得到目标演化模型。
32.根据本发明的另一些实施例的演化模型训练方法，所述方法还包括：
33.获取预测数据；
34.将所述预测数据输入至所述目标演化模型进行求解处理，得到目标数据。
35.第二方面，本发明的一个实施例提供了演化模型训练装置，包括：
36.获取模块，用于获取初始演化参数；
37.循环模块，用于将所述初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，所述多层级演化模型包括：外层演化网络和若干内层演化网络；
38.初级演化模块，用于通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数；
39.指令生成指令生成模块，用于通过所述外层演化网络根据若干评估结果生成指令，得到运行逻辑指令；
40.次级演化模块，用于通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的所述目标演化参数作为下一次循环的所述初始演化参数。
41.本发明实施例的演化模型训练装置至少具有如下有益效果：获取模块获取用户输入的初始演化参数，循环模块将初始演化参数输入预设的多层级演化模型的若干内层演化网络，初级演化模块通过若干内层演化网络并行进行演化，若干内层演化网络分别对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干内层演化网络分别将若干评估结果和若干初步演化参数输入至外层演化网络，指令生成模块通过外层演化网络根据若干评估结果依次生成相应的指令，得到相应的运行逻辑指令，次级演化模块通过外层演化网络根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。指令生成模块
42.第三方面，本发明的一个实施例提供了演化模型训练设备，包括：
43.至少一个处理器，以及，
44.与所述至少一个处理器通信连接的存储器；其中，
45.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第一方面所述的演化模型训练方法。
46.第四方面，本发明的一个实施例提供了存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的演化模型训练方法。
47.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
48.图1是本发明实施例中演化模型训练方法的一具体实施例应用环境示意图；
49.图2是本发明实施例中演化模型训练方法的一具体实施例应用逻辑示意图；
50.图3是本发明实施例中演化模型训练方法的一具体实施例流程示意图；
51.图4是图3中步骤s300的一具体实施例流程示意图；
52.图5是图3中步骤s400的一具体实施例流程示意图；
53.图6是图3中步骤s500的一具体实施例流程示意图；
54.图7是本发明实施例中演化模型训练方法的另一具体实施例流程示意图；
55.图8是本发明实施例中演化模型训练方法的另一具体实施例流程示意图；
56.图9是本发明实施例中演化模型训练方法的另一具体实施例流程示意图；
57.图10是本发明实施例中演化模型训练装置的一具体实施例模块框图。
58.附图说明：
59.获取模块100、循环模块200、次级演化模块300、指令生成模块400、次级演化模块
500。
具体实施方式
60.以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
61.在为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
62.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
63.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
64.在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
65.随着现今技术的不断发展，工程实践中遇到的问题不断复杂化，所需解决的任务规模也不断放大，而演化策略，因为其自身特性，十分适合应用于分布式计算领域，以解决大规模问题。现有的大规模演化优化方法，以基于协方差自适应进化策略的分布式方法为例，往往只能在问题维数小于1000维的情况下进行优化。
66.参照图1，示出了本发明实施例中演化模型训练方法的应用环境示意图。另外，本实施例公开了演化模型训练方法的应用环境，应用环境具体包括：分布式演化硬件环境、分布式演化软件环境和分布式演化。
67.本发明的分布式演化硬件环境采用多核的cpus计算机集群进行并行演化计算，以解决简单问题，此外，针对神经网络训练等复杂的问题，则利用众核的gpus计算机集群。
68.本发明的分布式演化软件环境基于python，针对神经网络的训练将会利用pytorch等开发工具。此外，分布式演化软件环境选取ray分布式计算库作为底层的分布式技术支持。其中，ray分布式计算库相较于扩展性与灵活性较为有限的python内置并行计算库，ray具备良好的可扩展性与灵活性。
69.本发明的分布式演化基于层级分布式计算，用以解决包括陷入局部最优，收敛速度缓慢等问题。通过多层级分布式计算，不仅仅通过多核计算减少运行时间，还可以通过对共同参数的并行化处理，进一步提高效率。
70.参照图2，示出了本发明实施例中演化模型训练方法的应用逻辑示意图。本发明是一种结合了岛模型与元演化思路的多层级学习方法，演化模型训练方法分成内外两部分。
外层演化部分控制着对于学习率和全局步长的线上学习和对分布式期望、演化路径、转换矩阵的集成学习，其更新速度较慢。内层演化各自单独运行算法并行的学习处演化路径外的其余参数，其更新速度较快。
71.参照图3，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，其具体包括但不限于包括步骤s100至步骤s500。
72.步骤s100，获取初始演化参数；
73.步骤s200，将初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，多层级演化模型包括：外层演化网络和若干内层演化网络；
74.步骤s300，通过若干内层演化网络并行对初始演化参数进行演化处理，得到若干评估结果和初步演化参数；
75.步骤s400，外层演化网络根据若干评估结果生成指令，得到运行逻辑指令；
76.步骤s500，通过外层演化网络根据运行逻辑指令对初步演化参数进行演化处理，得到目标演化参数。
77.通过执行步骤s100至步骤s500，获取用户输入的初始演化参数，将初始演化参数输入预设的多层级演化模型的若干内层演化网络，若干内层演化网络并行进行演化，若干内层演化网络分别对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干内层演化网络分别将若干评估结果和若干初步演化参数输入至外层演化网络，外层演化网络根据若干评估结果依次生成相应的指令，得到相应的运行逻辑指令，外层演化网络根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。
78.在一些实施例的步骤s300中，每个内层演化网络均接收初始演化参数，每个内层演化网络均对初始演化参数进行演化处理，每个内层演化网络均得到相应的初步演化参数。
79.需要说明的是，预设的多层级演化模型由用户输入模型参数构建，模型参数包括：岛屿数量、演化路径数量、演化路径学习率向量、重组权重及外层周期数，其中，应用于内层演化网络的模型参数包括：岛屿数量、演化路径数量及演化路径学习率向量，应用于外层演化网络的模型参数包括：并行岛数、演化路径数、重组权重及外层周期数。其中，在本技术不对模型参数进行具体限定。
80.当内层演化网络进行一次循环后，外层演化网络再进行一次循环，并且，外层演化网络经过一次循环后得到的当前循环的目标演化参数作为下一次循环的初始演化参数，即外层演化网络将当前循环的目标演化参数输入至内层演化网络，内层演化网络将目标演化参数作为下次循环的初始演化参数。因此，通过内层演化网络和外层演化网络对演化参数多次循环以获取更优的演化参数，以优化演化模型的训练。
81.参照图2，若干内层演化网络的数量根据岛屿数量对应设置，演化路径数量根据岛屿数量对应设置，其中，岛屿数量即cpu核的数量，演化路径数量即cpu核与外层演化网络的连接路径的数量。
82.参照图4，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，步骤s300包括但不限于包括步骤s310至步骤s330。
83.步骤s310，通过若干内层演化网络并行根据预设的转换矩阵和随机分布向量进行
取样处理，得到取样结果；；
84.步骤s320，通过预设的评估函数对取样结果和预设的初始样本坐标进行评估处理，得到若干评估结果；
85.步骤s330，根据若干评估结果对初始演化参数进行更新处理，得到初步演化参数。
86.通过执行步骤s310至步骤s330，若干内层演化网络并行进行以下操作：获取初始演化参数中预设的转换矩阵，根据预设的转换矩阵和随机分布向量进行随机取样，得到一组取样结果。获取用户输入的初始样本坐标，依次将取样结果和初始样本坐标输入至预设的评估函数进行评估处理，得到一组评估结果，根据若干评估结果对初始演化参数进行更新处理，得到初步演化参数。
87.需要说明的是，初始演化参数包括：突变分布均值、全局步长、演化路径学习率、演化路径及转换矩阵，其中在本技术不对初始演化参数进行具体限定。
88.随机分布向量根据预设的高斯随机分布函数生成。具体地，获取转换矩阵的维数，根据转换矩阵的维数创建一个相应维度的高斯随机分布函数，高斯随机分布函数生成的向量即是随机分布向量。转换矩阵和随机分布向量进行计算得到方向向量，方向向量即是取样结果。
89.样本坐标为需要优化的参数，需要优化的参数由需要优化的问题对应得到，即当样本坐标优化完成，可得到需要优化的问题完成优化。例如，用户需要优化一个问题，用户输入一个从该问题中对应得到的样本坐标x，根据预设的评估函数y＝f(x，d(t))结合一组取样结果d(t)和样本坐标x，得到一组评估结果y，将这组评估结果y进行排序后，选取其中最佳的评估结果y对初始演化参数进行更新处理，以更新样本分布、演化路径以及转换矩阵。
90.参照图5，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，步骤s400包括但不限于包括步骤s410至步骤s430。
91.步骤s410，获取若干内层演化网络的若干评估结果；
92.步骤s420，根据若干评估结果的值进行排序，以得到评估结果序列；
93.步骤s430，根据排序序号生成评估结果的运行逻辑指令。
94.通过执行步骤s410至步骤s430，获取所有内层演化网络得到的最佳的评估结果，以得到若干最佳的评估结果，根据最佳的评估结果的值对若干最佳的评估结果进行排序，以得到评估结果序列，根据评估结果序列中的排序序号生成评估结果对应的运行逻辑。
95.需要说明的是，评估结果序列包括排序序号，每个排序序号对应一个评估结果。运行逻辑指令包括：从标准分布中取样指令、运行元演化更新全局步长指令、运行元演化更新演化路径学习率指令、运行元演化更新全局步长和演化路径学习率指令以及继承原参数保持不变指令。
96.例如，设置四个内层演化网络，四个内层演化网络得到四个评估结果，并排序后得到评估结果序列：y1，y2，y3和y4，则y1对应生成第一个运行逻辑指令：从标准分布中取样指令，y2对应生成第二个运行逻辑指令：运行元演化更新全局步长指令，y3对应生成第三个运行逻辑指令：运行元演化更新演化路径学习率指令，y4对应生成第四个运行逻辑指令：运行元演化更新全局步长和演化路径学习率指令。
97.或者，例如，预先定义一个变量数组sigma_scale，然后变量数组sigma_scale具有
一个数组长度，如果评估结果的位置小于数组长度就生成第一个运行逻辑指令，如果小于数组长度的两倍就生成第二个运行逻辑指令，小于数组长度的三倍就生成第三个运行逻辑指令，小于数组长度的四倍就生成第四个运行逻辑指令，其他情况生成第五个运行逻辑指令。其中，数组长度也可以理解为维数，比如(1,2,3)这个数组有三个数，数组长度就是3。其中，在本技术不对生成运行逻辑进行具体限定。
98.参照图6，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，步骤s500包括但不限于包括步骤s510至步骤s530。
99.步骤s510，获取若干内层演化网络的初步演化参数，得到若干初步演化参数；
100.步骤s520，将若干初步演化参数进行集成处理，得到演化参数集；
101.步骤s530，根据运行逻辑指令对演化参数集进行演化处理，以得到若干目标演化参数。
102.通过执行步骤s510至步骤s530，获取若干内层演化网络的初步演化参数，得到若干初步演化参数，将若干内层演化网络输入的若干初步演化参数集成在一起，以得到演化参数集，根据运行逻辑指令对演化参数集进行相应的演化处理，并得到若干目标演化参数。其中，目标演化参数包括：平均分布、演化路径和转换矩阵。
103.需要说明的是，外层演化网络根据运行逻辑指令集中学习平均分布和演化路径，并更新转换矩阵。
104.外层演化网络根据重组权重和评估结果序列对平均分布和演化路径进行加和得到演化和值，并将演化和值和原值再根据初步演化参数进行加权得到新的平均分布和演化路径。
105.参照图7，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，演化模型训练方法还包括但不限于包括步骤s600至步骤s610。
106.步骤s600，获取多层级演化模型的循环信息；
107.步骤s610，若循环信息满足预设循环条件，停止多层级演化模型的循环演化处理。
108.通过执行步骤s600至步骤s610，获取多层级演化模型进行完该次循环的循环信息，若该次循环的循环信息满足用于停止循环的预设循环条件，则停止多层级演化模型的循环演化处理。
109.需要说明的是，每当外层演化网络进行一次循环结束后，多层级演化模型获取一次循环信息，并将循环信息进行判断，以判断多层级演化模型在该次循环过后是否能够跳出循环。
110.预设循环条件包括最多次数、最长计算时间或最小精度等条件，在本技术不对此进行具体限定。
111.参照图8，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，演化模型训练方法还包括但不限于包括步骤s620至步骤s630。
112.步骤s620，获取循环演化处理停止后的目标演化参数，得到最终演化参数；
113.步骤s630，根据最终演化参数调节多层级演化模型的演化参数，得到目标演化模型。
114.通过执行步骤s620至步骤s630，获取多层级演化模型循环演化处理停止后得到的目标演化参数，以得到用于调节多层级演化模型的最终演化参数，将最终演化参数输入至多层级演化模型，调节多层级演化模型的演化参数，以更新多层级演化模型得到目标演化模型。
115.参照图9，示出了本发明实施例中演化模型训练方法的流程示意图。另外，本实施例公开了演化模型训练方法，演化模型训练方法还包括但不限于包括步骤s700至步骤s800。
116.步骤s700，获取预测数据；
117.步骤s800，将预测数据输入至目标演化模型进行求解处理，得到目标数据。
118.通过执行步骤s700至步骤s800，获取用户输入的需要进行优化的预测数据，将预测数据输入至目标演化模型进行求解处理，得到目标数据。
119.另外，参照图10，本发明的一个实施例公开了演化模型训练装置。演化模型训练装置包括：获取模块100、循环模块200、次级演化模块300、指令生成模块400和次级演化模块500。获取模块100、循环模块200、次级演化模块300、指令生成模块400和次级演化模块500均为通信连接。
120.获取模块100用于获取初始演化参数。循环模块200用于将初始演化参数输入预设的多层级演化模型进行循环演化处理，其中，多层级演化模型包括：外层演化网络和若干内层演化网络。初级演化模块300用于通过若干内层演化网络并行对初始演化参数进行演化处理，得到若干评估结果和初步演化参数。指令生成模块400用于通过外层演化网络根据若干评估结果生成指令，得到运行逻辑指令。次级演化模块500用于通过外层演化网络根据运行逻辑指令对初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的目标演化参数作为下一次循环的初始演化参数。
121.获取模块100获取用户输入的初始演化参数，循环模块200将初始演化参数输入预设的多层级演化模型的若干内层演化网络，若干内层演化网络并行进行演化，若干内层演化网络分别控制初级演化模块300对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干初级演化模块300将若干评估结果和若干初步演化参数输入至指令生成模块400，外层演化网络控制指令生成模块400根据若干评估结果依次生成相应的指令，得到相应的运行逻辑指令，外层演化网络控制次级演化模块500根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数。
122.其中，本实施例的演化模型训练装置的操作过程具体参照如上描述图3、图4、图5、图6、图7、图8和图9中的演化模型训练方法步骤s100至步骤s500、步骤s310至步骤s330、步骤s410至步骤s430、步骤s510和步骤s530、步骤s600和步骤s610、步骤s620和步骤s630和步骤s700和步骤s800，此处不再赘述。
123.本发明的另一个实施例公开了一种演化模型训练设备，包括：至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行图3中的方法步骤s100至步骤s500、图4中的方法步骤s310至步骤s330、图5中的方法步骤s410至步骤s430、图6中的方法步骤s510和步骤s530、图7中的方法步骤s600和步骤s610、图8中的方法步骤s620和步骤s630以及图9中的方法步骤s700至步骤s800中的任意一个演化模型训练方法。
124.本发明的另一个实施例公开了一种计算机可读存储介质，计算机可读存储介质包括：计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行图3中的方法步骤s100至步骤s500、图4中的方法步骤s310至步骤s330、图5中的方法步骤s410至步骤s430、图6中的方法步骤s510和步骤s530、图7中的方法步骤s600和步骤s610、图8中的方法步骤s620和步骤s630以及图9中的方法步骤s700至步骤s800中的任意一个演化模型训练方法。
125.以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
126.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
127.上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。