提升模型泛化性的方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种提升模型泛化性的方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着互联网技术的飞速发展，人工智能算法在各种生产系统中应用越来越广泛，也对人工智能提出了越来越高的精度要求。神经网络构建的模型是现在人工智能概念中最具代表性的算法。它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图片处理有出色表现。神经网络的相邻层之间的神经单元并不是全连接，而是部分连接，并且对于同一个卷积核的卷积运算权值共享，从而减少了参数个数，通过多次卷积与池化的过程达到特征提取或分类的目的。
3.当前人脸识别的主流方案也是神经网络训练识别模型，但是随着精度要求越来越高，识别训练的数据集也越来越大，训练要求的算力或时间也随之增加。在数据量大、复杂场景应用时模型会出现精度下降等泛化性不够的表现。


技术实现要素：

4.本发明提供一种提升模型泛化性的方法、装置及计算机可读存储介质，其主要目的在于解决在大数据情况下模型泛化性较低的问题。
5.为实现上述目的，本发明提供的一种提升模型泛化性的方法，包括：
6.获取图片集，对所述图片集进行归一化处理，得到样本集，并将所述样本集均分为n个子样本集，其中所述n为大于1的自然数；
7.利用预设的图片识别模型提取每个所述子样本集的特征向量集，并计算每个所述子样本集的特征向量集的均衡性分数；
8.利用所述均衡性分数计算维度均衡约束损失值；
9.利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型。
10.可选地，所述计算每个所述子样本集的特征向量集的均衡性分数，包括：
11.提取所述子样本集的特征向量集的每个维度数列；
12.基于所述每个维度数列，利用分布函数构建分布数列，将所述分布数列的均方差作为每个所述维度数列的均衡性分数；
13.利用所述每个维度数列的均衡性分数计算所述每个子样本集的均衡性分数。
14.可选地，所述利用所述均衡性分数计算维度均衡约束损失值，包括：
15.获取当前子样本集的均衡性分数；
16.利用预设的规则遍历所述子样本集，得到n-1个向量矩阵的均衡性分数集；
17.利用所述当前子样本集的均衡性分数、所述均衡分数集，计算维度均衡约束损失
值。
18.可选地，所述利用所述当前子样本集的均衡性分数、所述均衡分数集，计算维度均衡约束损失值，包括：
19.当所述n大于预设值m时，取最后m个子样本集对应的均衡性分数集及第m 1向量矩阵的均衡性分数，并对所述最后m个子样本集对应的均衡性分数及第m 1向量矩阵的均衡性分数赋予预设的权重值；
20.利用所述权重值、所述最后m个子样本集对应的均衡性分数集及所述第m 1向量矩阵的均衡性分数，计算维度均衡约束损失值。
21.n小于或等于预设值m时，取n个子样本集对应的均衡性分数集及第n 1向量矩阵的均衡性分数，并对所述最后n个子样本集对应的均衡性分数及第n 1向量矩阵的均衡性分数赋予预设的权重值；
22.利用所述权重值、所述n个子样本集对应的均衡性分数集及所述第n 1向量矩阵的均衡性分数，计算维度均衡约束损失值。
23.可选地，所述利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，包括：
24.将所述维度均衡约束损失值加权到所述所述图片识别模型的损失值中，得到更新后的损失值。
25.可选地，所述利用预设的图片识别模型提取每个所述子样本集的特征向量集，包括：
26.利用所述图片识别模型对所述每个所述子样本集中的图片进行卷积、最大池化处理，得到池化图片；
27.对所述池化图片进行全连接处理，得到全连接特征图；
28.对全连接特征图进行特征提取，得到每个所述子样本集的特征向量集。
29.可选地，所述对所述图片集进行归一化处理，得到样本集，包括：
30.对所述图片集进行灰度化处理；
31.对所述灰度化处理后的图片集进行缩放和裁剪，得到大小及灰度值相同的样本集。
32.为了解决上述问题，本发明还提供一种提升模型泛化性的装置，所述装置包括：
33.样本集获取模块，用于获取图片集，对所述图片集进行归一化处理，得到样本集，并将所述样本集均分为n个子样本集，其中所述n为大于1的自然数；
34.均衡性分数计算模块，用于利用预设的图片识别模型提取每个所述子样本集的特征向量集，并计算每个所述子样本集的特征向量集的均衡性分数；
35.约束损失值计算模块，用于利用所述均衡性分数计算维度均衡约束损失值；
36.损失值更新模块，用于利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型。
37.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
38.至少一个处理器；以及，
39.与所述至少一个处理器通信连接的存储器；其中，
40.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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上述所述的提升模型泛化性的方法。
41.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的提升模型泛化性的方法。
42.本发明实施例通过利用预设的图片识别模型提取每个所述子样本集的特征向量集，计算每个所述子样本集的特征向量集的均衡性分数；利用所述均衡性分数计算维度均衡约束损失值；利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型，通过维度均衡约束损失值更新模型的损失值，利用更新后的损失值迭代优化所述图片识别模型的参数，使得模型的输出的特征向量在高维空间分布更均匀，使得所有的样本在高维空间的区分度更大，更容易实现图片的分类，对于未知样本，也更容易落在已训练样本在高维空间的边界位置，更容易根据样本与聚类中心的距离判断未知样本的分类，从而提升模型的泛化性。因此本发明提出的提升模型泛化性的方法、装置、电子设备及计算机可读存储介质，可以解决在大数据情况下模型泛化性较低的问题。
附图说明
43.图1为本发明一实施例提供的提升模型泛化性的方法的流程示意图；
44.图2为图1所示提升模型泛化性的方法中其中一个步骤的详细实施流程示意图；
45.图3为图1所示提升模型泛化性的方法中其中另一个步骤的详细实施流程示意图；
46.图4为本发明一实施例提供的提升模型泛化性的装置的功能模块图；
47.图5为本发明一实施例提供的实现所述提升模型泛化性的方法的电子设备的结构示意图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本技术实施例提供一种提升模型泛化性的方法。所述提升模型泛化性的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述提升模型泛化性的方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
51.参照图1所示，为本发明一实施例提供的提升模型泛化性的方法的流程示意图。在本实施例中，所述提升模型泛化性的方法包括：
52.s1、获取图片集，对所述图片集进行归一化处理，得到样本集，并将所述样本集均
分为n个子样本集，其中所述n为大于1的自然数。
53.本发明实施例中，所述图片集可以为人脸图片、动物图片等。
54.详细地，所述对所述图片集进行归一化处理，得到样本集，包括：
55.对所述图片集进行灰度化处理；
56.对所述灰度化处理后的图片集进行缩放和裁剪，得到大小及灰度值相同的样本集。
57.本发明实施例中，所述图片的灰度值的优选值为0～1之间，图片在固定长宽比的情况下缩放到32
×w×
3大小的图片(w表示任意宽度)。所述归一化之后的图片可以减少在检测过程中的计算量，提高模型计算的速度。
58.本发明实施进一步将所述样本集均分为n个子样本集，所述子样本集为batch，即为更新内部模型参数之前要处理的样本数。通常根据batchsize大小占整个数据集的比例和硬件资源，n取5到20之间的整数，其中一个实施例中，n可以取10。
59.s2、利用预设的图片识别模型提取每个所述子样本集的特征向量集，并计算每个所述子样本集的特征向量集的均衡性分数。
60.本发明实施例中，所述预设的图片识别模型包含具有图片特征识别功能的卷积神经网络。其中，所述卷积神经网络包括但不限于segnet网络、e-net网络、v-net网络、resnet50网络和yolov5网络等。
61.本发明其中一个实施例中，所述图片识别模型采用resnet50网络构建，所述resnet50网络可以由卷积层、池化层、全连接层、残差块组成。
62.详细地，s2中所述利用预设的图片识别模型提取每个所述子样本集的特征向量集，包括：
63.利用所述图片识别模型对所述每个所述子样本集中的图片进行卷积、最大池化处理，得到池化图片；
64.对所述池化图片进行全连接处理，得到全连接特征图；
65.对全连接特征图进行特征提取，得到每个所述子样本集的特征向量集。
66.详细地，本发明实施例利用所述检测模型中的卷积层和池化层对所述监控图片进行卷积、最大池化处理；利用所述检测模型中的全连接层对所述池化图片进行全连接处理；利用所述检测模型中的残差块对全连接特征图进行特征提取。
67.进一步地，参阅图2所示，s2中所述计算每个所述子样本集的特征向量集的均衡性分数，包括：
68.s21、提取所述子样本集的特征向量集的每个维度数列；
69.具体地，假设所述子样本集的batchsize为p，每个子样本集中图片1对应的特征向量为(x
11
，x
12
，...，x
1q
)，图片2对应的特征向量为(x
21
，x
22
，...，x
2q
)，图片p的特征向量为(x
p1
，x
p2
，...，x
pq
)。提取所述所述子样本集的特征向量集的第1个维度数列为(x
11
，x
21
，...，x
p1
)，第2个维度数列为(x
12
，x
22
，...，x
p2
)，第q个维度数列为(x
1q
，x
2q
，...，x
pq
)。
70.s22、基于所述每个维度数列，利用分布函数构建分布数列，将所述分布数列的均方差作为每个所述维度数列的均衡性分数；
71.其中，所述分布函数为：
[0072][0073]
其中，x表示所述维度数列中的每个数，如x
pq
；a表示所述维度数列中每个数中的最小值；b表示所述维度数列中每个数中的最大值。
[0074]
其中，所述分布数列为：(f(x
1q
)-0*t1，f(x
2q
)-1*t2，...，f(x
pq
)-(p-1)*t
p
)，其中，所述t
p
＝(b-a)*p；q表示所述数列的维度，p表示所述子样本集的batchsize。
[0075]
进一步，计算所述分布数列的均值为：
[0076][0077]
其中，分布数列的均方差f(x)
rms
为：
[0078][0079]
其中，所述分布数列的均方差f(x)
rms
与所述每个所述维度数列的均衡性分数sq相等。
[0080]
s23、利用所述每个维度数列的均衡性分数计算所述每个子样本集的均衡性分数。
[0081]
具体地，本发明实施例可以将所述每个维度数列的均衡性分数的平均数或者平方平均数作为所述每个子样本集的均衡性分数。本发明其中一个实施例中，将所述每个维度数列的均衡性分数的平均数作为所述每个子样本集的均衡性分数，具体计算公式如下：
[0082][0083]
其中，表示每个子样本集的均衡性分数；q表示所述数列的维度。
[0084]
s3、利用所述均衡性分数计算维度均衡约束损失值。
[0085]
详细地，参阅图3所示，所述s3，包括：
[0086]
s31、获取当前子样本集的均衡性分数；
[0087]
s32、利用预设的规则遍历所述子样本集，得到n-1个向量矩阵的均衡性分数集；
[0088]
本发明其中一个实施例中，当仅有2个子样本集时，获取第一、二子样本集的均衡分数将第一子样本集的特征向量与所述第二子样本集的特征向量进行合并，得到第三向量矩阵；其中，所述第三向量矩阵的数列个数为2p，对应的向量维度不变为q，利用所述s2步骤对应的方法计算所述第三向量矩阵的均衡性分数
[0089]
本发明另一个实施例中，当有3个子样本集时，获取第一、二、三子样本集的均衡分数将所述第一子样本集的特征向量、所述第二子样本集的特征向量及第三子样本集的特征向量进行合并，得到第四向量矩阵；其中，所述第四向量矩阵的数列个数为3p，对应的向量维度不变为q，利用所述s2步骤对应的方法计算所述第四向量矩阵的均衡性分数
[0090]
s33、利用所述当前子样本集的均衡性分数、所述均衡分数集，计算维度均衡约束损失值。
[0091]
进一步地，所述s33，包括：
[0092]
当所述n大于预设值m时，取最后m个子样本集对应的均衡性分数集及第m 1向量矩阵的均衡性分数，并对所述最后m个子样本集对应的均衡性分数及第m 1向量矩阵的均衡性分数赋予预设的权重值；
[0093]
利用所述权重值、所述最后m个子样本集对应的均衡性分数集及所述第m 1向量矩阵的均衡性分数，计算维度均衡约束损失值。
[0094]
n小于或等于预设值m时，取n个子样本集对应的均衡性分数集及第n 1向量矩阵的均衡性分数，并对所述最后n个子样本集对应的均衡性分数及第n 1向量矩阵的均衡性分数赋予预设的权重值；
[0095]
利用所述权重值、所述n个子样本集对应的均衡性分数集及所述第n 1向量矩阵的均衡性分数，计算维度均衡约束损失值。
[0096]
本发明其中一个实施例中，所述m可以取10，当n为12时，取第三至十二个子样本集，计算得到第三子样本集至第十二子样本集的均衡性分数，合并所述第三至十二个子样本集对应的特征向量，得到第十三向量矩阵；进一步计算所述第十三向量矩阵的均衡性分数。
[0097]
本发明实施例中，所述权重值可以采用熵值法、pca等方法确定。
[0098]
本发明其中一个实施例中，采用熵值法确定所述最后m个子样本集对应的均衡性分数及第m 1向量矩阵的均衡性分数的权重值。当所述熵值越小，信息量越大，对应的权重值取大值，当所述熵值越大，信息量越小，对应的权重值取小值。
[0099]
本发明其中一个实施例中，所述m可以取10，当n为12时，第三子样本集至第十二子样本集的均衡性分数分别为第m 1向量矩阵的均衡性分数为第m 1向量矩阵的均衡性分数为权重为1、权重为1-σ；权重为(1-σ)2；的权重为(1-σ)3；的权重为(1-σ)4；的权重为(1-σ)5；的权重为(1-σ)6；的权重为(1-σ)7；的权重为(1-σ)8；的权重为(1-σ)9；的权重为(1-σ)
10
，其中σ可以取0.2。
[0100]
进一步地，计算所述均衡性分数的加权平均数s：
[0101][0102][0103]
se＝1 (1-σ) (1-σ)2
…
(1-σ)m[0104]
其中，σ表示权重参数；e表示所述均衡性分数的加权和；se表示所述权重之和；m表示所述预设值；n表示所述子样本个数。
[0105]
进一步地，将所述加权平均数s的倒数作为维度均衡约束损失值lw。
[0106]
本发明实施例中，利用各个子样本集的均衡性分数，以及各个子样本集的叠加的均衡性分数，并对所述均衡性分数赋予预设的权重，使得模型的输出的特征向量在高维空
间分布更均匀。
[0107]
s4、利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型。
[0108]
详细地，本发明实施例可以将所述维度均衡约束损失值加权到所述所述图片识别模型的损失值中，得到更新后的损失值l
new
：
[0109]
l
new
＝lw l(x,y)
[0110]
其中，所述lw为维度均衡约束损失值，l(x,y)为所述图片识别模型的损失值。本发明其中一个实施中，所述s4之前还可以包括
[0111]
利用预设的激活函数计算所述样本集中图片的特征向量集属于预设图片类型的概率值；
[0112]
根据所述概率值，得到所述子样本集中图片的预测类型；
[0113]
计算所述预测预测类型与所述样本集中图片的真实类型之间的损失值，其中所述损失值为所述图片识别模型的损失值。
[0114]
本发明实施例中，所述预设的激活函数包括，但不限于softmax激活函数、sigmoid激活函数、relu激活函数、交叉熵损失值。
[0115]
本发明实施例可以利用如下交叉熵损失值计算所述预测预测类型与所述样本集中图片的真实类型之间的损失值l(x,y)：
[0116][0117]
其中，n表示所述样本集中图片的总数，lu表示所述样本集中的第u个图片的预测类型与所述样本集中的第u个图片的真实类型之间的差异值，xu表示所述样本集中的第u个图片的预测类型，yn表示所述所述样本集中的第u个图片的真实类型，t表示训练过程中的迭代次数。
[0118]
本发明实施例通过利用预设的图片识别模型提取每个所述子样本集的特征向量集，计算每个所述子样本集的特征向量集的均衡性分数；利用所述均衡性分数计算维度均衡约束损失值；利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型，通过维度均衡约束损失值更新模型的损失值，利用更新后的损失值迭代优化所述图片识别模型的参数，使得模型的输出的特征向量在高维空间分布更均匀，使得所有的样本在高维空间的区分度更大，更容易实现图片的分类，对于未知样本，也更容易落在已训练样本在高维空间的边界位置，更容易根据样本与聚类中心的距离判断未知样本的分类，从而提升模型的泛化性。
[0119]
因此本发明提出的提升模型泛化性的方法，可以解决在大数据情况下模型泛化性较低的问题。
[0120]
如图4所示，是本发明一实施例提供的提升模型泛化性的装置的功能模块图。
[0121]
本发明所述提升模型泛化性的装置100可以安装于电子设备中。根据实现的功能，所述提升模型泛化性的装置100可以包样本集获取模块101、均衡性分数计算模块102、约束
architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0133]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0134]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0135]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0136]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0137]
所述电子设备1中的所述存储器11存储的提升模型泛化性的程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0138]
获取图片集，对所述图片集进行归一化处理，得到样本集，并将所述样本集均分为n个子样本集，其中所述n为大于1的自然数；
[0139]
利用预设的图片识别模型提取每个所述子样本集的特征向量集，并计算每个所述子样本集的特征向量集的均衡性分数；
[0140]
利用所述均衡性分数计算维度均衡约束损失值；
[0141]
利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型。
[0142]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0143]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0144]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0145]
获取图片集，对所述图片集进行归一化处理，得到样本集，并将所述样本集均分为n个子样本集，其中所述n为大于1的自然数；
[0146]
利用预设的图片识别模型提取每个所述子样本集的特征向量集，并计算每个所述子样本集的特征向量集的均衡性分数；
[0147]
利用所述均衡性分数计算维度均衡约束损失值；
[0148]
利用所述维度均衡约束损失值优化所述图片识别模型的损失值，得到更新后的损失值，利用所述更新后的损失值迭代优化所述图片识别模型的参数，直至得到训练好的图片识别模型。
[0149]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
[0150]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
[0151]
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0152]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0153]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0154]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0155]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0156]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0157]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。