图像处理模型的训练方法、装置、电子设备和介质与流程

1.本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸图像处理和人脸识别等场景，特别涉及一种图像处理模型的训练方法、装置、电子设备和介质。


背景技术：

2.人脸识别是计算机视觉领域一个重要的研究方向。但由于人脸的复杂性，传统方法很难取得好的效果。随着神经网络技术的加入，人脸识别取得了一系列重大进展，目前的一些识别方法已经超过了人类的识别能力。
3.在目前的人脸识别模型训练的损失函数中，通常会设置惩罚参数来扩大样本之间的差距。


技术实现要素：

4.本公开提供了一种用于改善人脸识别模型的模型训练效果的方法、装置、设备以及存储介质。
5.根据本公开的一方面，提供了一种图像处理模型的训练方法，包括：
6.根据待训练图像处理模型输出的样本图像的样本特征，以及所述样本图像所属类别的类中心特征，确定所述样本图像的惩罚参数；
7.根据所述惩罚参数确定损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。
8.根据本公开的另一方面，提供了一种电子设备，包括：
9.至少一个处理器；以及
10.与所述至少一个处理器通信连接的存储器；其中，
11.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本公开中任一项所述的方法。
12.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是根据本公开实施例公开的一种图像处理模型的训练方法的流程图；
16.图2是根据本公开实施例公开的一种图像处理模型的训练方法的流程图；
17.图3是根据本公开实施例公开的一种图像处理模型的训练装置的结构示意图；
18.图4是用来实现本公开实施例公开的图像处理模型的训练方法的电子设备的框
图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
20.申请人在研发过程中发现，近年来，深度学习技术随着硬件资源的支持获得了飞速发展，在很多领域相比传统算法都取得了不错的效果，特别是在计算机视觉领域，如目标检测、图像识别和图像增强等方向都取得了很大的成功。其中，人脸识别是计算机视觉领域一个重要的研究方向。但由于人脸的复杂性，传统方法很难取得好的效果。随着神经网络技术的加入，人脸识别取得了一系列重大进展，目前的一些识别方法已经超过了人类的识别能力。
21.在目前的人脸识别训练的损失函数中，基本都是采用基于softmax函数设计的损失函数。在这些损失函数中，会设置惩罚参数来扩大样本之间的差距，以此来减少类内间距，扩大类间间距。但这些方法中的惩罚参数一般是作为超参数，由相关人员根据经验或实验设定为固定的数值。
22.然而由于设置固定的惩罚参数，对于不同难度的样本图像，就会不加区分的施加同样的惩罚，最后就会出现在模型训练时对困难样本的关注不够的问题，导致模型训练的效果不佳，进一步的影响到模型的以损失函数为cosface函数为例进行解释说明：
[0023][0024]
其中，l
lmc
表示cosface函数，m表示固定的惩罚参数，而cos(θ
yi
,i)表示样本图像i的样本特征和样本图像i所属类别yi的类中心特征之间的相似度，而相似度越高表示样本图像i的识别难度越低，相似度越低表示样本图像i的识别难度越高。通过在样本图像i的余弦角度上减去惩罚参数m，类别分割的标准变得更加严格，有些本来可以分对的类由于m的影响也变成了分错的类，这就对模型提出了更高的要求，模型产生的特征就变得更加有区分性。然而由于惩罚参数m是固定的，这就导致对不同难度的样本图像，不加区分的施加同样的惩罚，对于那些难度较高的样本图像，会出现惩罚不足的问题，导致模型训练的效果不佳。
[0025]
图1是根据本公开实施例公开的一种图像处理模型的训练方法的流程图，本实施例可以适用于训练人脸识别模型的情况。本实施例方法可以由本公开实施例公开的图像处理模型的训练装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
[0026]
如图1所示，本实施例公开的图像处理模型的训练方法可以包括：
[0027]
s101、根据待训练图像处理模型输出的样本图像的样本特征，以及所述样本图像所属类别的类中心特征，确定所述样本图像的惩罚参数。
[0028]
其中，待训练图像处理模型表示未训练完成的图像处理模型，模型类型包括但不
限于神经网络模型，例如目标检测模型、图像识别模型和图像增强模型，在本实施例中待训练图像处理模型可选的为人脸识别模型。样本图像即训练数据集中的训练样本图像，样本图像可预先通过人工的方式采集得到，或者通过关键词搜索的方式在图像库中搜索得到，本实施例并不对样本图像的来源进行限定。样本特征表示各样本图像的图像特征，是通过待训练图像处理模型的卷积层对各样本图像进行特征提取得到的。各样本图像被预先标定了所属的类别，以待训练图像处理模型为人脸识别模型为例，各样本图像被预先标定了分别所属的一个身份信息，例如样本图像a和样本图像b均所属用户a，即样本图像a和样本图像b为用户a不同的两张人脸图像。类中心特征表示同一类样本图像的样本特征的平均特征，即同一类样本图像的样本特征的中心点，由待训练图像处理模型对同一类样本图像的样本特征学习得到。惩罚参数即margin参数，用于对各样本图像来进行度量的约束，让当前样本图像所属类别减去一个惩罚参数之后仍然属于这个类别。
[0029]
在一种实施方式中，获取待训练图像处理模型输出的各样本图像的样本特征，以及各样本图像所属类别的类中心特征，并确定各样本图像的样本特征与其所属类别的类中心特征之间的相似度值，例如将样本特征与类中心特征之间的特征夹角作为相似度值，或者将样本特征与类中心特征之间的余弦值作为相似度值，本实施例并不对相似度值的计算方式进行具体限定。
[0030]
确定各样本图像对应的所述相似度值后，根据预先设定的相似度值和惩罚参数之间的函数关系，即将相似度值作为函数输入，函数输出惩罚参数，其中，相似度值和惩罚参数之间的函数关系呈负相关，即输入的相似度值越大则输出的惩罚参数越小，相应的，输入的相似度值越小则输出的惩罚参数越大。换言之，当任一样本图像的样本特征与其所属类别的类中心特征之间越相似，则对该样本图像实施的惩罚越小，相应的，当任一样本图像的样本特征与其所属类别的类中心特征之间越不相似，则对该样本图像实施的惩罚越大。
[0031]
通过根据待训练图像处理模型输出的样本图像的样本特征，以及样本图像所属类别的类中心特征，确定样本图像的惩罚参数，实现了对损失函数中的惩罚参数进行动态调整的效果，使得对不同样本图像实施不同的惩罚。
[0032]
s102、根据所述惩罚参数确定损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。
[0033]
其中，损失函数是是一种用于优化模型参数以使模型达到收敛状态的函数。在本实施例中，损失函数可以选取包括但不限于l-softmax函数、am-softmax函数、arcface函数或cosface函数等。
[0034]
在一种实施方式中，根据当前样本图像对应的惩罚参数，对损失函数进行适应性调整，得到各样本图像对应的损失函数，并根据各样本图像对应的损失函数计算各样本图像对应的损失函数值，并根据各所述损失函数值对待训练图像处理模型进行反向传播训练，从而优化待训练图像处理模型各层的模型参数，以实现对待训练图像处理模型进行训练。
[0035]
通过根据惩罚参数确定损失函数，并根据损失函数对待训练图像处理模型进行训练，实现了基于包含动态惩罚参数的损失函数，对待训练图像处理模型进行训练的效果。
[0036]
本公开通过根据待训练图像处理模型输出的样本图像的样本特征，以及样本图像所属类别的类中心特征，确定样本图像的惩罚参数，并根据惩罚参数确定损失函数，并根据
损失函数对待训练图像处理模型进行训练，由于惩罚参数是根据样本特征和类中心特征确定的，即不同的样本特征对应不同的惩罚参数，实现了对损失函数中的惩罚参数进行动态调整的效果，使得对不同样本图像实施不同的惩罚，避免了现有技术中设置固定的惩罚参数，会导致图像处理模型训练效果不佳的问题，改善图像处理模型训练的效果。
[0037]
图2是根据本公开实施例公开的一种图像处理模型的训练方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。
[0038]
如图2所示，本实施例公开的图像处理模型的训练方法可以包括：
[0039]
s201、确定待训练图像处理模型输出的任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值。
[0040]
在一种实施方式中，将样本特征与类中心特征之间的特征夹角作为相似度值，或者将样本特征与类中心特征之间的余弦值作为相似度值。
[0041]
可选的，s201包括：
[0042]
确定所述样本特征和所述类中心特征之间的特征夹角，并根据所述特征夹角的余弦值确定所述相似度值。
[0043]
示例性的，通过如下公式确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值：
[0044]syi
,i＝cos(θ
yi
,i)
[0045]
其中，s
yi
,i表示样本图像i与样本图像i所属类别yi之间的相似度值，θ
yi,i
表示样本图像i的样本特征与样本图像i所属类别yi的类中心特征之间的特征夹角，cos表示余弦函数。
[0046]
通过确定样本特征和类中心特征之间的特征夹角，并根据特征夹角的余弦值确定相似度值，实现了一种基于特征夹角的余弦值确定样本特征和类中心特征之间相似度的方法，为后续根据相似度确定惩罚参数奠定了数据基础。
[0047]
s202、根据所述相似度值确定该样本图像对应的惩罚参数；其中，所述惩罚参数的取值与所述相似度值之间呈负相关。
[0048]
其中，负相关表示惩罚参数的取值与相似度值之间成反比关系，换言之，若任一样本图像的样本特征和类中心特征之间的相似度值越大，则该样本图像对应的惩罚参数越小，即对该样本图像施加的惩罚越小；相应的，若任一样本图像的样本特征和类中心特征之间的相似度值越小，则该样本图像对应的惩罚参数越大，即对该样本图像施加的惩罚越大。
[0049]
在一种实施方式中，根据将任一样本图像的样本特征和类中心特征之间的相似度值作为函数输入，代入到预设的负相关函数中，函数输出作为该样本图像对应的惩罚参数。
[0050]
可选的，s202包括：
[0051]
通过以下公式确定所述惩罚参数：
[0052][0053]
其中，dmi表示样本图像i对应的惩罚参数，cos(θ
yi,i
)表示样本图像i的样本特征和样本图像i所属类别yi的类中心特征之间的相似度，θ
yi,i
表示样本图像i的样本特征与类别yi的类中心特征之间的特征夹角，m表示固定常数。
[0054]
通过上述公式确定惩罚参数，提供了一种动态确定惩罚参数的具体实现方式。
[0055]
示例性的，假设样本图像i的样本特征与类别yi的类中心特征之间的特征夹角为45
°
，m预设为1，则样本图像i对应的惩罚参数
[0056]
值得说明的是，除了本实施例选取的上述负相关函数之外，任一能够实现相似度与惩罚参数之间呈负相关的函数，均可作为上述负相关函数。
[0057]
s203、确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值。
[0058]
具体的，基于与s201相同的实施方式确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值。
[0059]
s204、确定该样本图像的样本特征和非该样本图像所属类别的类中心特征之间的辅助相似度值。
[0060]
其中，非该样本图像所属类别表示该样本图像不属于的那些类别。以待训练图像处理模型为人脸识别模型为例，各样本图像被预先标定了分别所属的一个身份信息，例如身份信息包括用户a、用户b和用户c，样本图像a所属用户a，则用户b和用户c为非样本图像a所属类别。
[0061]
在一种实施方式中，确定任一样本图像和非该样本图像所属类别的类中心特征之间的特征夹角，并根据所述特征夹角的余弦值，确定该样本图像的样本特征和非该样本图像所属类别的类中心特征之间的辅助相似度值。
[0062]
示例性的，通过如下公式确定任一样本图像的样本特征和非该样本图像所属类别的类中心特征之间的辅助相似度值：
[0063]sj,i
＝cos(θ
j,i
)
[0064]
其中，s
j,i
表示样本图像i的样本特征和非样本图像i所属类别j的类中心特征之间的辅助相似度值，θ
j,i
表示样本图像i的样本特征与类别j的类中心特征之间的特征夹角，cos表示余弦函数。
[0065]
s205、根据所述相似度值、所述辅助相似度值和该样本图像对应的惩罚参数，确定所述损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。
[0066]
在一种实施方式中，根据任一样本图像对应的相似度值、辅助相似度值和惩罚参数，结合预设的函数关系式，确定损失函数，并根据确定的损失函数对待训练图像处理模型进行训练。
[0067]
可选的，s205包括：
[0068]
通过以下公式确定所述损失函数：
[0069][0070]
其中，l表示所述损失函数，n表示样本图像的总数量，cos(θ
yi,i
)表示样本图像i的样本特征和样本图像i所属类别yi的类中心特征之间的相似度，θ
yi,i
表示样本图像i的样本特征与类别yi的类中心特征之间的特征夹角，cos(θ
j,i
)表示样本图像i的样本特征和非样本图像i所属类别j的类中心特征之间的辅助相似度值，θ
j,i
表示样本图像i的样本特征与类别j的类中心特征之间的特征夹角，dmi表示样本图像i对应的惩罚参数，s表示固定常数。
[0071]
通过上述公式确定损失函数，提供了一种包含动态惩罚参数的损失函数的具体实现方式。
[0072]
可选的，若通过以下公式确定惩罚参数dmi：
[0073][0074]
则损失函数的形式为：
[0075][0076]
由上述损失函数形式可知，当任一样本图像的样本特征和所属类别的类中心特征之间的相似度越高，即样本图像识别起来越简单，则对该样本图像施加的惩罚参数越小，而当任一样本图像的样本特征和所属类别的类中心特征之间的相似度越低，即样本图像识别起来越困难，则对该样本图像施加的惩罚参数越大，以提高困难样本图像的识别准确度。
[0077]
本公开通过确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值，并根据相似度值确定该样本图像对应的惩罚参数；其中，惩罚参数的取值与相似度值之间呈负相关，实现了根据相似度值自动调节惩罚参数的效果；通过确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值，确定该样本图像的样本特征和非该样本图像所属类别的类中心特征之间的辅助相似度值，并根据相似度值、辅助相似度值和该样本图像对应的惩罚参数，确定损失函数，由于惩罚参数是根据样本特征和类中心特征确定的，即不同的样本特征对应不同的惩罚参数，实现了对损失函数中的惩罚参数进行动态调整的效果，使得对不同样本图像实施不同的惩罚，从而让模型在训练时更多的关注困难样本图像，提高模型的人脸识别准确率，避免了现有技术中设置固定的惩罚参数，会导致模型训练效果不佳的问题，改善模型训练的效果。
[0078]
图3是根据本公开实施例公开的一种图像处理模型的训练装置的结构示意图，可以适用于训练人脸识别模型的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
[0079]
如图3所示，本实施例公开的图像处理模型的训练装置30可以包括惩罚参数确定模块31和模型训练模块32，其中：
[0080]
惩罚参数确定模块31，用于根据待训练图像处理模型输出的样本图像的样本特征，以及所述样本图像所属类别的类中心特征，确定所述样本图像的惩罚参数。
[0081]
模型训练模块32，用于根据所述惩罚参数确定损失函数，并根据所述损失函数对所述待训练图像处理模型进行训练。
[0082]
可选的，所述惩罚参数确定模块31，具体用于：
[0083]
确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值；
[0084]
根据所述相似度值确定该样本图像对应的惩罚参数；其中，所述惩罚参数的取值与所述相似度值之间呈负相关。
[0085]
可选的，所述惩罚参数确定模块31，具体还用于：
[0086]
确定所述样本特征和所述类中心特征之间的特征夹角，并根据所述特征夹角的余
弦值确定所述相似度值。
[0087]
可选的，所述惩罚参数确定模块31，具体还用于：
[0088]
通过以下公式确定所述惩罚参数：
[0089][0090]
其中，dmi表示样本图像i对应的惩罚参数，cos(θ
yi,i
)表示样本图像i的样本特征和样本图像i所属类别yi的类中心特征之间的相似度，θ
yi,i
表示样本图像i的样本特征与类别yi的类中心特征之间的特征夹角，m表示固定常数。
[0091]
可选的，所述模型训练模块32，具体用于：
[0092]
确定任一样本图像的样本特征和该样本图像所属类别的类中心特征之间的相似度值；
[0093]
确定该样本图像的样本特征和非该样本图像所属类别的类中心特征之间的辅助相似度值；
[0094]
根据所述相似度值、所述辅助相似度值和该样本图像对应的惩罚参数，确定所述损失函数。
[0095]
可选的，所述模型训练模块32，具体还用于：
[0096]
通过以下公式确定所述损失函数：
[0097][0098]
其中，l表示所述损失函数，n表示样本图像的总数量，cos(θ
yi,i
)表示样本图像i的样本特征和样本图像i所属类别yi的类中心特征之间的相似度，θ
yi,i
表示样本图像i的样本特征与类别yi的类中心特征之间的特征夹角，cos(θ
j,i
)表示样本图像i的样本特征和非样本图像i所属类别j的类中心特征之间的辅助相似度值，θ
j,i
表示样本图像i的样本特征与类别j的类中心特征之间的特征夹角，dmi表示样本图像i对应的惩罚参数，s表示固定常数。
[0099]
本公开实施例所公开的图像处理模型的训练装置30可执行本公开实施例所公开的图像处理模型的训练方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
[0100]
…
[0101]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0102]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0103]
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0104]
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram 403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0105]
设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0106]
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如图像处理模型的训练方法。例如，在一些实施例中，图像处理模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由rom 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由计算单元401执行时，可以执行上文描述的图像处理模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理模型的训练方法。
[0107]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0108]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0109]
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。
[0110]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0111]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0112]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0113]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0114]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。