一种模型训练方法、装置、存储介质及电子设备与流程

1.本说明书涉及机器学习领域，尤其涉及一种模型训练方法、装置、存储介质及电子设备。


背景技术：

2.目前，文字识别技术拥有着广泛的应用场景，在各行各业的许多业务中都会需要对图像中的文字进行识别。现阶段，文字识别的工作通常是由具有计算功能的计算设备来完成的，而为了能够识别图像中的文字，首先要对图像中的文字行进行检测。
3.通常情况下，采用检测文字行的机器学习模型对输入的图像进行文字行检测。而对机器学习模型的训练方法决定了机器学习模型在实际应用时的文字行检测效果。
4.因此，如何训练用于检测文字行的机器学习模型至关重要。


技术实现要素：

5.本说明书提供一种模型训练方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种模型训练方法，包括：
8.获取有标签的第一训练样本和无标签的第二训练样本；
9.将所述第一训练样本和所述第二训练样本输入到待训练模型中，得到对应于所述第一样本的第一文字行识别结果和对应于所述第二样本的第二文字行识别结果；所述待训练模型中包含编码端和主解码端；其中，所述编码端用于提取输入的训练样本的编码特征；所述解码端用于根据所述编码特征确定输入的训练样本的文字行识别结果；
10.对所述编码端从所述第二训练样本中提取的第二特征进行加扰，得到带扰特征；
11.根据所述带扰特征得到带扰识别结果；
12.确定所述第一文字行识别结果与所述第一训练样本的标签的第一差异，并确定所述第二文字行识别结果与所述带扰识别结果的第二差异；
13.根据所述第一差异与所述第二差异得到最终差异；
14.以所述最终差异最小为优化目标，对所述编码端的参数进行调整。
15.可选的，对所述编码端从所述第二训练样本中提取的第二特征进行加扰，得到带扰特征，具体包括：
16.通过至少两种加扰方法，对所述编码段从所述第二训练样本中提取的第二特征进行加扰，得到分别对应于每种加扰方法的带扰特征。
17.可选的，根据所述带扰特征得到带扰识别结果，具体包括：
18.针对每种加扰方法，通过与该加扰方法对应的辅助解码端对通过该加扰方法得到的带扰特征进行解码，得到带扰识别结果。
19.可选的，确定所述第二文字行识别结果与所述带扰识别结果的第二差异，具体包
括：
20.针对每个带扰识别结果，确定所述第二文字行识别结果与该带扰识别结果之间的差异，作为带扰差异；将分别针对每个带扰识别结果确定出的各带扰差异进行融合，得到第二差异。
21.可选的，根据所述第一差异与所述第二差异得到最终差异，具体包括：
22.确定预设的对应于第一差异的第一权重和对应于第二差异的第二权重；根据所述第一差异、所述第二差异、所述第一权重、所述第二权重确定最终差异。
23.本说明书提供了一种文字行检测方法，包括：
24.获取待识别图像；
25.将所述待识别图像输入到采用上述模型训练方法训练出的文字行检测模型；
26.获得所述文字行检测模型输出的所述待识别图像对应的文字行识别结果。
27.本说明书提供的一种模型训练装置，所述装置包括：
28.获取模块，获取有标签的第一训练样本和无标签的第二训练样本；
29.结果确定模块，将所述第一训练样本和所述第二训练样本输入到待训练模型中，得到对应于所述第一样本的第一文字行识别结果和对应于所述第二样本的第二文字行识别结果；所述待训练模型中包含编码端和解码端；其中，所述编码端用于提取输入的训练样本的编码特征；所述解码端用于根据所述编码特征确定输入的训练样本的文字行识别结果；
30.加扰模块，对所述编码端从所述第二训练样本中提取的第二特征进行加扰，得到带扰特征；
31.带扰结果确定模块，根据所述带扰特征得到带扰识别结果；
32.差异确定模块，确定所述第一文字行识别结果与所述第一训练样本的标签的第一差异，并确定所述第二文字行识别结果与所述带扰识别结果的第二差异；
33.最终差异确定模块，根据所述第一差异与所述第二差异得到最终差异；
34.调整模块，以所述最终差异最小为优化目标，对所述编码端的参数进行调整。
35.本说明书提供的一种文字行检测装置，所述装置包括：
36.获取模块，获取待识别图像；
37.输入模块，将所述待识别图像输入到采用上述模型训练方法训练出的文字行检测模型；
38.输出模块，获得所述文字行检测模型输出的所述待识别图像对应的文字行识别结果。
39.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练方法和文字行检测方法。
40.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练方法和文字行检测方法。
41.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
42.在本说明书提供的模型训练方法中，通过待训练模型中的编码端和主解码端对有标签的第一训练样本和无标签的第二训练样本进行处理，得到第一文字行识别结果和第二
文字行识别结果，随后对编码端从第二训练样本中提取出的第二特征进行加扰，得到带扰特征，并根据带扰特征得到带扰识别结果，将第一文字行识别结果与第一训练样本的标签之间的差异确定为第一差异，将第二文字行识别结果与带扰识别结果之间的差异确定为第二差异，根据第一差异和第二差异得到最终差异，并以最终差异最小化为优化目标，对编码端的参数进行调整。本方法通过对第二特征进行加扰的方式，使大量无标签训练样本得以利用，加强了训练出的模型的抗干扰能力，有效提高了模型的性能。
附图说明
43.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
44.图1为本说明书中一种模型训练方法的流程示意图；
45.图2为本说明书中待训练模型方法的结构示意图；
46.图3为本说明书中多种加扰方法的结构示意图；
47.图4为本说明书中辅助编码端的示意图；
48.图5为本说明书提供的一种模型训练装置的示意图；
49.图6为本说明书提供的一种文本行检测方法的示意图；
50.图7为本说明书提供的一种文本行检测装置的示意图；
51.图8为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
52.目前，在各行各业的许多业务中都会需要对图像中的文字进行检测，而通常，文字检测功能是由对应的神经网络模型来完成的。因此，为了确保模型在实现文字检测时能有较好的效果，对实现文字检测功能的模型进行训练的方法至关重要。
53.现有技术中，通常采用监督学习或打伪标签的半监督学习的方法对模型进行训练。在监督学习的训练方法中，只能使用有标签的数据对模型进行训练，而无标签数据完全无法被使用；而在打伪标签的半监督学习方法中，会先利用有标签数据对用于打标签的模型进行训练，随后采用经过训练的模型对无标签的数据打标签，但此时的模型效果较差，对数据打出的标签不一定准确，因此需要在模型对无标签的数据打上标签后，由人工挑选出标签正确的数据作为训练数据进行使用，而标签错误的数据将会被舍弃，不参与训练。
54.可以看出，现有的对模型的训练方法中，无论是监督学习还是打伪标的半监督学习，都存在着大量的无标签数据无法被有效利用，因此，在无标签数据没有被充分利用的情况下，训练出的模型的效果一定还有着进一步提升的空间。
55.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.以下结合附图，详细说明本说明书各实施例提供的技术方案。
57.图1为本说明书中一种模型训练方法的流程示意图，具体包括以下步骤：
58.s100：获取有标签的第一训练样本和无标签的第二训练样本。
59.本说明书所提供的模型训练方法中的所有步骤均可由任何具有计算功能的电子设备来完成，包括但不限于服务器、终端等设备。
60.本说明书所提供的模型训练方法主要采用半监督学习的方式对模型进行训练。在开始对模型的训练之前，需要先获取用于训练的训练样本。在半监督学习的过程中，既需要有标签的训练样本，也需要无标签的训练样本。将有标签的训练样本作为第一训练样本，将无标签的训练样本作为第二训练样本，在后续的步骤中进行使用。
61.本说明书所提供的模型训练方法可应用于多种模型的训练中，例如图像分类模型、文字识别模型等，下面以文字行检测模型为例，对本说明书所提供的模型训练方法进行说明。
62.s102：将所述第一训练样本和所述第二训练样本输入到待训练模型中，得到对应于所述第一样本的第一文字行识别结果和对应于所述第二样本的第二文字行识别结果；所述待训练模型中包含编码端和主解码端；其中，所述编码端用于提取输入的训练样本的编码特征；所述解码端用于根据所述编码特征确定输入的训练样本的文字行识别结果。
63.图2给出了本说明书所提供的训练方法中待训练模型的结构，如图2所示，将第一训练样本和第二训练样本输入进待训练模型中的编码端中，编码端会对第一训练样本和第二训练样本进行编码，分别得到对应于第一训练样本的第一特征和对应于第二训练样本的第二特征。其中，编码端可以采用多种方法对训练样本进行编码，本说明书在此不做限制。
64.随后，通过模型中的主解码端可对第一特征和第二特征进行解码，分别得到对应于第一特征的第一文字行识别结果和对应于第二特征的第二文字行识别结果。同样的，主解码端可采用的解码方法也有多种，但应确保主解码端所采用的解码方法与编码端采用的编码方法相对应，以确保能够得到正确的识别结果。
65.s104：对所述编码端从所述第二训练样本中提取的第二特征进行加扰，得到带扰特征。
66.如图2所示，在此步骤中，需要对步骤s102中通过编码端得到的第二特征进行加扰，得到带扰特征。具体的，可以通过改变第二特征中的一个或多个元素的值的方式，来模拟实际应用时可能会产生的干扰，将改变后的特征作为带扰特征。
67.s106：根据所述带扰特征得到带扰识别结果。
68.如图2所示，根据步骤s104中的带扰特征，得到带扰识别结果，用于后续的步骤中。其中，得到带扰识别结果的方法也可以有多种，本说明书在此不做限制。
69.s108：确定所述第一文字行识别结果与所述第一训练样本的标签的第一差异，并确定所述第二文字行识别结果与所述带扰识别结果的第二差异。
70.当采用带标签的训练样本，即第一训练样本对模型进行训练时，可将训练看作监督学习，因此，对于根据第一训练样本得到的第一文字行识别结果，可将第一文字行识别结果与第一训练样本中的标签进行对比，得到第一差异。第一差异越小，则可表明第一文字行识别结果与训练样本原本的标签之间的相似度越高，即识别的准确率越高。
71.而对于第二训练样本来说，由于第二训练样本是无标签的，因此并没有一个准确的真值来与根据第二训练样本得到的识别结果进行对比。为了能够更加合理地使第二训练样本能够发挥作用，在步骤s104～步骤s106中对第二特征进行了加扰，并根据加扰后的特
征得到了带扰识别结果。此时，可将带扰识别结果与第二文本行识别结果进行对比，得到第二差异。由于带扰特征是对第二特征进行加扰得到的特征，而带扰识别结果和第二文本行识别结果是分别对应于带扰特征和第二特征的识别结果，因此若第二差异越小，则可得到第二文本行识别结果与带扰识别结果之间的相似度越高，也就表明加扰对识别结果的影响越小，模型的抗干扰能力越强。
72.s110：根据所述第一差异与所述第二差异得到最终差异。
73.根据步骤s108中得到的第一差异和第二差异，可确定出既能表现出第一训练样本的训练效果，又能表现出第二训练样本的训练效果的最终差异。而得到最终差异的方法可以有多种，例如通过特定的方式将第一差异与第二差异进行融合，或是直接将第一差异与第二差异相加或相乘等。
74.s112：以所述最终差异最小为优化目标，对所述编码端的参数进行调整。
75.在步骤s110中得到的最终差异，可同时表征第一训练样本和第二训练样本的效果，即整个模型对于文字行检测的综合训练效果，最终差异越小，则可认为模型的文字行识别结果越准确。因此，可以最终差异的值最小为优化目标去调整模型。
76.在对模型进行训练时，无论是第一训练样本还是第二训练样本，都需要先通过编码端进行编码；但在得到识别结果的步骤中，第一文本行识别结果、第二文本行识别结果是通过解码端得到的，而带扰识别结果并非是通过主解码端调整得到的。因此，在对模型进行调整时，可选择去调整编码端，通过调整编码端来同时提高第一训练样本和第二训练样本的训练效果，使最终差异变小。
77.在本说明书提供的模型训练方法中，采用了半监督学习的方法，同时利用有标签的训练样本和无标签的训练样本对模型进行训练。其中，对于根据有标签的训练样本，即第一训练样本得到的第一特征，将根据第一特征得到的文本行识别结果与第一训练样本的标签进行对比，得到能够表征模型识别准确度的第一差异；对于根据无标签的训练样本，即第二训练样本得到的第二特征，通过加扰的方式得到受到干扰的带扰特征，并根据带扰特征得到带扰识别结果。通过对比带扰识别结果与未受到任何干扰的第二文本行识别结果之间的差异，得到能够表征模型抗干扰能力的第二差异。根据第一差异和第二差异，得到能够同时表征模型识别准确度和抗干扰能力的最终差异，并以最终差异最小为优化目标，对模型的编码端进行调整。本方法通过加扰将大量的无标签数据利用了起来，提高了训练出的模型的抗干扰能力，以此来进一步提升了模型的性能。
78.为了进一步提高模型的训练效果，在步骤s104中对第二特征进行加扰时，可采用多种不同的方法进行加扰，以使模型在训练后能够应对多种不同情况的干扰。如图3所示，具体的，可通过至少两种加扰方法，对所述编码段从所述第二训练样本中提取的第二特征进行加扰，得到分别对应于每种加扰方法的带扰特征。其中，k代表加扰方法的总个数。
79.其中，加扰的方法可以是各种方法，例如虚拟对抗训练、随机丢弃、根据注意力图生成掩码、添加噪声、裁剪遮挡、上下文掩码、对象掩码等方法。以虚拟对抗训练法为例，当第二特征中的元素的值被改变时，对应的识别结果也一定会改变，将改变后的识别结果与原第二文本行识别结果之间的差异的大小作为输出偏差；在改变第二特征中不同的元素的值时，对应的识别结果的改变程度也都不同，改变程度越大，输出偏差也就越大。在对第二特征的各种不同的改变中，找出使输出偏差最大的改变，并以该改变对第二特征进行加扰。
通过此方法得到的带扰特征与带扰识别结果在用于模型的训练时可使模型的平滑度增强，抗干扰能力变强。
80.其它的加扰方法也都通过不同的方式达到了相同的效果，即提升模型抗干扰能力的效果，本说明书在此仅作简单说明。如随机丢弃法会将第二特征中随机的若干个元素的值变为0；根据注意力图生成掩码即运用在当第二特征存在对应的注意力图时，可将该注意力图中的注意力权重大于或小于指定阈值的注意力权重对应的元素的值变为0；添加噪声法可直接在指定范围内对第二特征中的每个元素的值进行更改，如将元素的值增大或减小3％，其中，对每个元素的更改可以相同也可以不同；裁剪遮挡法可将第二特征中指定连续的部分中的全部元素的值都变为0；而上下文掩码与对象掩码可配合进行使用，首先可根据需求将若干元素确定为第二特征中的一个元素的上下文，上下文掩码可将该元素的部分上下文对应的元素的值变为0，而对象掩码可将除该部分上下文以外的其他上下文对应的元素的值变为0。
81.值得一提的是，第二差异是第二本文行识别结果与带扰识别结果之间的差异，虽然第二文本行识别结果和带扰识别结果都是根据第二训练样本得到的，但在得到第二文本行识别结果和带扰识别结果的过程中，需要保证两个结果所经过的编码与解码的方式是相同的，才能得到有意义的第二差异。由于带扰特征是第二特征加扰后得到的，已经确保了编码端相同，因此可在根据带扰特征得到带扰识别结果时，加入与主编码端结构相同，参数不完全相同的辅助编码端。如图4所示，具体的，可针对每种加扰方法，通过与该加扰方法对应的辅助解码端对通过该加扰方法得到的带扰特征进行解码，得到带扰识别结果。其中，每个辅助编码端的结构与主编码端相同，参数与主解码端不完全相同。由此即可确保得到的第二差异是有意义的。
82.当采用多个加扰方法得到多个带扰特征时，在得到第二差异时就需要同时考虑多个带扰识别结果。具体的，可针对每个带扰识别结果，确定所述第二文字行识别结果与该带扰识别结果之间的差异，作为带扰差异；将分别针对每个带扰识别结果确定出的各带扰差异进行融合，得到第二差异。融合各带扰差异得到第二差异的方法可以有很多种，如为各带扰差异设置不同的权重，或求各带扰差异的平均值等方法。
83.在本方法中，可采用多种方法得到各差异(第一差异、第二差异、带扰差异、最终差异)，例如，可将损失函数作为差异，在得到各结果之间的差异时，计算各结果之间的损失函数即可。而计算损失函数的方法同样也有很多种，如均方误差(mean square error，mse)、kullback-leibler散度等，本说明书在此不做限制，将统一使用d(a，b)来表示a与b之间的损失函数。
84.在确定第一差异，即第一文本行识别结果与第一训练样本的标签之间的差异时，可直接采用第一文本行识别结果与标签之间的损失函数表示第一差异，用ls进行表示。而在确定第二差异，即第二本文本识别结果与带扰识别结果之间的差异时，由于存在多个带扰识别结果，因此需要将每个带扰识别结果与第二文本行识别结果之间的差异进行融合，得到第二差异，用lu进行表示。具体的，可采用下公式得到第二差异：
85.86.其中，lu表示第二差异，du表示第二训练样本的集合，|du|表示第二训练样本的总个数，k表示加扰方法的总个数，即带扰识别结果的总个数，表示第i个第二训练样本，k表示第k种加扰方法，zi表示根据第i个第二训练样本得到的第二文本行识别结果，表示根据第i个第二训练样本得到的第二特征经过第k种方法加扰后得到的带扰特征对应的带扰识别结果，表示zi与之间的损失函数，即带扰差异。该公式将所有的带扰差异累加到一起后再除以带扰差异的总个数，即通过求平均值的方法得到了第二差异。
87.在根据第一差异和第二差异计算最终差异时，可通过调整第一差异与第二差异的权重的方法，来改变第一差异与第二差异在最终差异中所起的效果的大小。具体的，可确定预设的对应于第一差异的第一权重和对应于第二差异的第二权重；根据所述第一差异、所述第二差异、所述第一权重、所述第二权重确定最终差异。用l表示最终差异，即可有下公式：
88.l＝αls βlu89.其中，ls表示第一差异，lu表示第二差异，α表示预设的第一差异的权重，β表示预设的第二差异的权重。根据此公式，即可计算得到最终差异l。
90.通过以多种加扰方法对第二特征进行加扰，得到多个带扰特征与带扰识别结果，使训练后的模型能够更好的适应多种不同的干扰，进一步提高了模型的抗干扰能力，使模型的性能更强。
91.需要说明的是，上述加扰方法、加扰特征、辅助解码端、带扰识别结果等用于训练的数据与结构，仅存在于训练模型的过程中，当模型完成训练后，使用模型进行文字行检测时，模型中仅包含编码端和主解码端，不存在冗余。因此，采用本说明书所提供的训练方法并不会对训练完成的模型在实际应用时的文字行检测速率产生负面影响。
92.以上是本说明书提供的模型训练方法，基于同样的思路，本说明书还提供了相应的模型训练装置，如图5所示。
93.图5为本说明书提供的一种模型训练装置示意图，具体包括：
94.获取模块200，获取有标签的第一训练样本和无标签的第二训练样本；
95.结果确定模块202，将所述第一训练样本和所述第二训练样本输入到待训练模型中，得到对应于所述第一样本的第一文字行识别结果和对应于所述第二样本的第二文字行识别结果；所述待训练模型中包含编码端和解码端；其中，所述编码端用于提取输入的训练样本的编码特征；所述解码端用于根据所述编码特征确定输入的训练样本的文字行识别结果；
96.加扰模块204，对所述编码端从所述第二训练样本中提取的第二特征进行加扰，得到带扰特征；
97.带扰结果确定模块206，根据所述带扰特征得到带扰识别结果；
98.差异确定模块208，确定所述第一文字行识别结果与所述第一训练样本的标签的第一差异，并确定所述第二文字行识别结果与所述带扰识别结果的第二差异；
99.最终差异确定模块210，根据所述第一差异与所述第二差异得到最终差异；
100.调整模块212，以所述最终差异最小为优化目标，对所述编码端的参数进行调整。
101.在一可选的实施例：
102.所述加扰模块204，具体用于通过至少两种加扰方法，对所述编码段从所述第二训练样本中提取的第二特征进行加扰，得到分别对应于每种加扰方法的带扰特征。
103.在一可选的实施例：
104.所述带扰结果确定模块206，具体用于针对每种加扰方法，通过与该加扰方法对应的辅助解码端对通过该加扰方法得到的带扰特征进行解码，得到带扰识别结果。
105.在一可选的实施例：
106.所述差异确定模块208，具体用于针对每个带扰识别结果，确定所述第二文字行识别结果与该带扰识别结果之间的差异，作为带扰差异；将分别针对每个带扰识别结果确定出的各带扰差异进行融合，得到第二差异。
107.在一可选的实施例：
108.所述最终差异确定模块210，具体用于确定预设的对应于第一差异的第一权重和对应于第二差异的第二权重；根据所述第一差异、所述第二差异、所述第一权重、所述第二权重确定最终差异。
109.图6为本说明书中一种文字行检测方法的流程示意图，具体包括以下步骤：
110.s300：获取待识别图像。
111.本说明书所提供的文字行检测方法中的所有步骤均可由任何具有计算功能的电子设备来完成，例如服务器、终端等电子设备。
112.现阶段，文字行检测技术通常是指将图像中带有文字的区域标注出来，因此，执行文字行检测时首先需要的便是待识别的图像。
113.s302：将所述待识别图像输入到采用图1所示的模型训练方法训练出的文字行检测模型。
114.将在步骤s300中获取到的待识别图像输入到文字行检测模型中，其中，文字行检测模型是采用本说明书所提供的模型训练方法训练出的模型。
115.s304：获得所述文字行检测模型输出的所述待识别图像对应的文字行识别结果。
116.将文字行检测模型输出的结果作为与输入的待识别图像对应的文字行识别结果。通过本说明书所提供的模型训练方法训练出的模型在确保识别精准度的同时具有较强的抗干扰能力，能够得到较好的文字行识别结果。值得一提的是，此步骤中得到的输出结果是由模型中的主编码端进行输出的，辅助编码端仅参与对模型的训练，不参与实际应用时的文字行检测。
117.以上是本说明书提供的文本行检测方法，基于同样的思路，本说明书还提供了相应的模型训练装置，如图7所示。
118.图7为本说明书提供的一种文字行检测装置示意图，具体包括：
119.获取模块400，获取待识别图像；
120.输入模块402，将所述待识别图像输入到采用图1所示的模型训练方法训练出的文字行检测模型；
121.输出模块404，获得所述文字行检测模型输出的所述待识别图像对应的文字行识别结果。
122.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的模型训练方法。
123.本说明书还提供了图8所示的电子设备的示意结构图。如图8所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的模型训练方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
124.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
125.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
126.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放
器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
127.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
128.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
129.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
130.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
131.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
132.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
133.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
134.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
135.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要
素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
136.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
137.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
138.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
139.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。