【技術(shù)領(lǐng)域】

本發(fā)明涉及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，尤其涉及一種圖片識別方法及裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀介質(zhì)。

背景技術(shù)：

在很多應(yīng)用場景中，需要對圖片進(jìn)行分類，便于對圖片歸類管理。在圖片較少的時候，可以人工手動地對圖片進(jìn)行分類。但是隨著網(wǎng)絡(luò)科技的發(fā)展，在網(wǎng)絡(luò)場景下，通常需要對成千上萬的圖片進(jìn)行分類，手動處理方式變得過于不切實(shí)際，因此，在網(wǎng)絡(luò)場景中，如何智能地對圖片進(jìn)行識別，以進(jìn)行分類變得尤為重要。

現(xiàn)有技術(shù)，可以采用卷積神經(jīng)網(wǎng)絡(luò)模型對圖片的類別進(jìn)行識別，現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積操作和池化操作，其中池化操作包括平均池化、最大值池化和雙線性池化等等。平均池化操作將一組輸入特征向量做平均后輸出。最大值池化將一組特征向量取最大值之后輸出。雙線性池化將輸入的特征向量對自身做向量外積，得到原特征的雙線性表示并輸出。雙線性池化得到的特征表達(dá)性更強(qiáng)，效果好于平均池化和最大值池化。

但是現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型中的這三種池化操作都不會豐富圖片識別的粒度，導(dǎo)致現(xiàn)有技術(shù)中使用卷積神經(jīng)網(wǎng)絡(luò)模型對圖片識別的粒度較大，對圖片識別的準(zhǔn)確性較差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種圖片識別方法及裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀介質(zhì)，用于提高現(xiàn)有技術(shù)中的圖片識別的準(zhǔn)確性。

本發(fā)明提供一種圖片識別方法，所述方法包括：

獲取待識別的圖片；

根據(jù)所述待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；所述預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且所述卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；

根據(jù)所述待識別的圖片的所述預(yù)測類別標(biāo)簽，識別所述待識別的圖片的類別。

進(jìn)一步可選地，如上所述的方法中，根據(jù)所述待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽之前，所述方法還包括：

采集數(shù)張已經(jīng)確定類別的訓(xùn)練圖片，生成訓(xùn)練圖片數(shù)據(jù)庫；

根據(jù)所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片以及各所述訓(xùn)練圖片的類別，訓(xùn)練所述圖片識別模型。

進(jìn)一步可選地，如上所述的方法中，根據(jù)所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片以及各所述訓(xùn)練圖片的類別，訓(xùn)練所述圖片識別模型，具體包括：

將數(shù)張所述訓(xùn)練圖片中的各所述訓(xùn)練圖片依次輸入至所述圖片識別模型中，得到對應(yīng)的所述訓(xùn)練圖片的預(yù)測類別標(biāo)簽；

根據(jù)所述訓(xùn)練圖片的類別，生成所述訓(xùn)練圖片的真實(shí)類別標(biāo)簽；

根據(jù)所述訓(xùn)練圖片的預(yù)測類別標(biāo)簽和所述訓(xùn)練圖片的真實(shí)類別標(biāo)簽，生成所述訓(xùn)練圖片的損失函數(shù)；

計(jì)算所述訓(xùn)練圖片的損失函數(shù)對所述圖片識別模型中各所述參數(shù)的導(dǎo)數(shù)；

根據(jù)所述圖片識別模型中的各所述參數(shù)以及所述訓(xùn)練圖片的損失函數(shù)對各所述參數(shù)的導(dǎo)數(shù)，更新所述圖片識別模型中的各所述參數(shù)，從而確定本次訓(xùn)練后的所述圖片識別模型；

重復(fù)執(zhí)行上述步驟，直至數(shù)張所述訓(xùn)練圖片都對所述圖片識別模型進(jìn)行訓(xùn)練，確定本輪訓(xùn)練后的所述圖片識別模型。

進(jìn)一步可選地，如上所述的方法中，根據(jù)所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片以及各所述訓(xùn)練圖片的類別，訓(xùn)練所述圖片識別模型，具體還包括：

按照上述每一輪訓(xùn)練中所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片對所述圖片識別模型的訓(xùn)練，使用所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片重復(fù)對所述圖片識別模型訓(xùn)練n輪，得到最終的所述圖片識別模型。

進(jìn)一步可選地，如上所述的方法中，根據(jù)所述待識別的圖片的所述預(yù)測類別標(biāo)簽識別所述待識別的圖片的類別，具體包括：

根據(jù)所述待識別的圖片的所述預(yù)測類別標(biāo)簽，獲取所述待識別的圖片對應(yīng)的概率最大的類別；

將所述待識別的圖片對應(yīng)的概率最大的類別作為所述待識別的圖片的類別。

進(jìn)一步可選地，如上所述的方法中，根據(jù)所述待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽之前，所述方法還包括：

獲取所述卷積神經(jīng)網(wǎng)絡(luò)模型；

將所述卷積神經(jīng)網(wǎng)絡(luò)模型中的至少一層池化層中的通道維度由一維升階為多維，得到所述圖片識別模型。

本發(fā)明還提供一種圖片識別裝置，所述裝置包括：

獲取模塊，用于獲取待識別的圖片；

預(yù)測類別標(biāo)簽獲取模塊，用于根據(jù)所述待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；所述預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且所述卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；

識別模塊，用于根據(jù)所述待識別的圖片的所述預(yù)測類別標(biāo)簽，識別所述待識別的圖片的類別。

進(jìn)一步可選地，如上所述的裝置中，還包括：

采集模塊，用于采集數(shù)個已經(jīng)確定類別的訓(xùn)練圖片，生成訓(xùn)練圖片數(shù)據(jù)庫；

訓(xùn)練模塊，用于根據(jù)所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片以及各所述訓(xùn)練圖片的類別，訓(xùn)練所述圖片識別模型。

進(jìn)一步可選地，如上所述的裝置中，所述訓(xùn)練模塊，具體用于：

所述訓(xùn)練模塊，具體用于：

將數(shù)張所述訓(xùn)練圖片中的各所述訓(xùn)練圖片依次輸入至所述圖片識別模型中，得到對應(yīng)的所述訓(xùn)練圖片的預(yù)測類別標(biāo)簽；

根據(jù)所述訓(xùn)練圖片的類別，生成所述訓(xùn)練圖片的真實(shí)類別標(biāo)簽；

根據(jù)所述訓(xùn)練圖片的預(yù)測類別標(biāo)簽和所述訓(xùn)練圖片的真實(shí)類別標(biāo)簽，生成所述訓(xùn)練圖片的損失函數(shù)；

計(jì)算所述訓(xùn)練圖片的損失函數(shù)對所述圖片識別模型中各所述參數(shù)的導(dǎo)數(shù)；

根據(jù)所述圖片識別模型中的各所述參數(shù)以及所述訓(xùn)練圖片的損失函數(shù)對各所述參數(shù)的導(dǎo)數(shù)，更新所述圖片識別模型中的各所述參數(shù)，從而確定本次訓(xùn)練后的所述圖片識別模型；

重復(fù)執(zhí)行上述步驟，直至數(shù)張所述訓(xùn)練圖片都對所述圖片識別模型進(jìn)行訓(xùn)練，確定本輪訓(xùn)練后的所述圖片識別模型。

進(jìn)一步可選地，如上所述的裝置中，所述訓(xùn)練模塊，具體還用于按照上述每一輪訓(xùn)練中所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片對所述圖片識別模型的訓(xùn)練，使用所述訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張所述訓(xùn)練圖片重復(fù)對所述圖片識別模型訓(xùn)練n輪，得到最終的所述圖片識別模型。

進(jìn)一步可選地，如上所述的裝置中，所述識別模塊，具體用于：

根據(jù)所述待識別的圖片的所述預(yù)測類別標(biāo)簽，獲取所述待識別的圖片對應(yīng)的概率最大的類別；

將所述待識別的圖片對應(yīng)的概率最大的類別作為所述待識別的圖片的類別。

進(jìn)一步可選地，如上所述的裝置中，所述裝置還包括：

模型生成模塊，用于獲取所述卷積神經(jīng)網(wǎng)絡(luò)模型；將所述卷積神經(jīng)網(wǎng)絡(luò)模型中的至少一層池化層中的通道維度由一維升階為多維，得到所述圖片識別模型。

本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，所述設(shè)備包括：

一個或多個處理器；

存儲器，用于存儲一個或多個程序，

當(dāng)所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實(shí)現(xiàn)如上所述的圖片識別方法。

本發(fā)明還提供一種計(jì)算機(jī)可讀介質(zhì)，其上存儲有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時實(shí)現(xiàn)如上所述的圖片識別方法。

本發(fā)明的圖片識別方法及裝置、計(jì)算機(jī)設(shè)備及計(jì)算機(jī)可讀介質(zhì)，通過獲取待識別的圖片；根據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；其中預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，獲取待識別的圖片的類別。本發(fā)明通過采用上述帶有核池化層的圖片識別模型，對待識別圖片進(jìn)行識別時，能夠?qū)崿F(xiàn)更加精細(xì)粒度的圖片類別的識別，有效地提高圖片識別的準(zhǔn)確性和圖片識別的效率。

【附圖說明】

圖1為本發(fā)明的圖片識別方法實(shí)施例一的流程圖。

圖2為本發(fā)明的圖片識別方法實(shí)施例二的流程圖。

圖3為本發(fā)明的圖片識別裝置實(shí)施例一的結(jié)構(gòu)圖。

圖4為本發(fā)明的圖片識別裝置實(shí)施例二的結(jié)構(gòu)圖。

圖5為本發(fā)明的計(jì)算機(jī)設(shè)備實(shí)施例的結(jié)構(gòu)圖。

圖6為本發(fā)明提供的一種計(jì)算機(jī)設(shè)備的示例圖。

【具體實(shí)施方式】

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和具體實(shí)施例對本發(fā)明進(jìn)行詳細(xì)描述。

圖1為本發(fā)明的圖片識別方法實(shí)施例一的流程圖。如圖1所示，本實(shí)施例的圖片識別方法，具體可以包括如下步驟：

100、獲取待識別的圖片；

101、根據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；其中預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；

102、根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，識別待識別的圖片的類別。

本實(shí)施例的圖片識別方法的執(zhí)行主體為圖片識別裝置，該圖片識別裝置可以為一個實(shí)體的電子裝置，也可以為采用軟件集成的裝置。

本實(shí)施例的圖片識別方法是一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的圖片識別方法，即本實(shí)施例的圖片識別模型具體采用卷積神經(jīng)網(wǎng)絡(luò)模型。但是本實(shí)施例的圖片識別模型并非是普通的卷積神經(jīng)網(wǎng)絡(luò)模型，該圖片識別模型所采用的卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層通道維度由一維升階為多維的核池化層。通常情況下，卷積神經(jīng)網(wǎng)絡(luò)模型可以包括2-6層的池化層和多個卷積層，且池化層不會位于卷積神經(jīng)網(wǎng)絡(luò)模型中的第一層，因此，該卷積神經(jīng)網(wǎng)絡(luò)模型中的池化操作通常位于卷積操作之后，是用于對卷積操作輸出的卷積特征進(jìn)行池化操作。卷積特征可以采用長、寬和通道的三維矩陣來表示。通常情況下的池化操作包括平均池化、最大值池化和雙線性池化。這幾種池化操作均不會改變通道的維度，因此現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型的表達(dá)性能較差，無法對圖片進(jìn)行更加精細(xì)的粒度的分類識別。本實(shí)施例中的將卷積神經(jīng)網(wǎng)絡(luò)中的至少一個池化層中的通道維度由一維升階為多維，該過程尤為核聚變的過程，因此將升階之后的池化層稱之為核池化層。而卷積神經(jīng)網(wǎng)絡(luò)模型中的其它層可以保持不變。在圖片識別時，由于核池化層將通道維度增加，會增加卷積神經(jīng)網(wǎng)絡(luò)中位于該核池化層之后的各層的工作量，因此，為了節(jié)省圖片識別模型對圖片的識別時間，提高圖片識別效率，當(dāng)圖片識別模型中僅包括一層核池化層時，可以將該核池化層設(shè)置在對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型中的最后一層。本實(shí)施例中可以根據(jù)需求設(shè)置核池化層的層數(shù)，核池化層的層數(shù)越多，生成的圖片識別模型的表達(dá)性能越好，識別的圖片的分類粒度越精細(xì)。

本實(shí)施例中，根據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取的待識別的圖片的預(yù)測類別標(biāo)簽是一個向量的形式，該向量的維度的數(shù)量表示的是識別的圖片能夠分類的類別的多少，向量的維度的數(shù)量可以在訓(xùn)練該圖片識別模型時確定的。也就是說，本實(shí)施例的圖片識別方法，對待識別的圖片進(jìn)行識別時，僅能夠支持將待識別圖片識別為訓(xùn)練時能夠識別的各個圖片的分類。而訓(xùn)練時，可以采集所有能夠支持的、較為精細(xì)粒度的各個圖片類別對應(yīng)的圖片，對該圖片識別模型進(jìn)行訓(xùn)練。例如在訓(xùn)練時，設(shè)定的能夠支持的圖片類別包括1000類，該1000類中可以包括非常精細(xì)的圖片類別。那么利用圖片識別模型識別待識別的圖片時，該圖片識別模型輸出的預(yù)測類別標(biāo)簽可以為1000維的向量；向量中每一個位置所代表的圖片的類別是固定的，每一個位置的元素的數(shù)值表示該待識別圖片屬于該位置對應(yīng)的圖片的類別的概率值。

本實(shí)施例中，圖片識別模型能夠支持分類的圖片類別越多，那么該圖片識別模型在識別圖片時，輸出的預(yù)測類別標(biāo)簽的維度越豐富，從而可以支持對較為精細(xì)粒度的圖片的識別與分類。例如，若現(xiàn)有技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型僅能夠?qū)в泄返膱D片識別為動物狗的圖片分類中；而采用本實(shí)施例的圖片識別模型，由于采用了核池化層，具有更加豐富的表達(dá)性能，從而可以實(shí)現(xiàn)對圖片中的狗的品種進(jìn)行分類，例如能夠識別某圖片中的狗的類別為藏獒、或者牧羊犬或者貴賓犬等等，從而可以實(shí)現(xiàn)更加精細(xì)粒度的圖片類別的識別。

本實(shí)施例的圖片識別方法，在根據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，可以獲取到獲取待識別的圖片的預(yù)測類別標(biāo)簽之后，可以根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，獲取待識別的圖片的類別。例如該步驟102“根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，識別待識別的圖片的類別”，具體可以包括如下步驟：

(a1)根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，獲取待識別的圖片對應(yīng)的概率最大的類別；

(a2)將待識別的圖片對應(yīng)的概率最大的類別作為待識別的圖片的類別。

由于圖片識別模型輸出的待識別的圖片的預(yù)測類別標(biāo)簽中，每一個元素?cái)?shù)值表示的是該待識別圖片屬于該位置對應(yīng)的圖片的類別的概率，因此可以從預(yù)測類別標(biāo)簽中獲取待識別的圖片對應(yīng)的概率最大的類別；可以將該概率最大的類別作為待識別圖片的類別；進(jìn)而可以根據(jù)識別的圖片的類別對圖片進(jìn)行分類。

進(jìn)一步可選地，本實(shí)施例中的圖片識別模型的生成過程，具體可以采用包括步驟：

(b1)獲取卷積神經(jīng)網(wǎng)絡(luò)模型；

(b2)將卷積神經(jīng)網(wǎng)絡(luò)模型中的至少一層池化層中的通道維度由一維升階為多維，得到圖片識別模型。

首先，可以獲取一個普通的卷積神經(jīng)網(wǎng)絡(luò)模型，然后將該卷積神經(jīng)網(wǎng)絡(luò)模型中的至少一層池化層的通道維度由一維升階為多維，從而得到本實(shí)施例的圖片識別模型。本實(shí)施例中，在將池化層的通道維度由一維升階為多維的方法，具體可以采用作向量外積的方式來實(shí)現(xiàn)；或者也可以采用其他的能夠?qū)崿F(xiàn)將池化層的通道維度由一維升階為多維的方法；或者本實(shí)施例的核池化層也可以將該核池化層的輸入特征表示為原特征向量的多項(xiàng)式組合，以豐富通道的維度，并利用快速傅里葉變換對輸出特征進(jìn)行壓縮表示，并輸出；這樣，得到的輸出特征包含了原特征在更高維度上的組合信息，從而使得本實(shí)施例的圖片識別模型具有更加豐富的表達(dá)性能，能夠?qū)崿F(xiàn)更加精細(xì)粒度的圖片類別的識別，提高圖片識別的準(zhǔn)確性和識別效率。

本實(shí)施例的圖片識別方法，通過獲取待識別的圖片；根據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；其中預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；根據(jù)待識別的圖片的預(yù)測類別標(biāo)簽，獲取待識別的圖片的類別。本實(shí)施例通過采用上述帶有核池化層的圖片識別模型，對待識別圖片進(jìn)行識別時，能夠?qū)崿F(xiàn)更加精細(xì)粒度的圖片類別的識別，有效地提高圖片識別的準(zhǔn)確性和圖片識別的效率。

圖2為本發(fā)明的圖片識別方法實(shí)施例二的流程圖。如圖2所示，本實(shí)施例的圖片識別方法，在上述圖1所示實(shí)施例的技術(shù)方案的基礎(chǔ)上，在步驟101“據(jù)待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽”之前，還可以包括如下步驟：

200、采集數(shù)個已經(jīng)確定類別的訓(xùn)練圖片，生成訓(xùn)練圖片數(shù)據(jù)庫；

201、根據(jù)訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片以及各訓(xùn)練圖片的類別，訓(xùn)練圖片識別模型。

本實(shí)施例的步驟200-201是用于對圖片識別模型進(jìn)行訓(xùn)練。本實(shí)施例在訓(xùn)練圖片識別模型時，首先采集數(shù)張訓(xùn)練圖片，生成圖片訓(xùn)練數(shù)據(jù)庫來對圖片識別模型進(jìn)行訓(xùn)練。本實(shí)施例的圖片訓(xùn)練數(shù)據(jù)庫中包括的圖片的類別越多，在后續(xù)識別待識別的圖片時，所能夠支持識別的圖片的類別也越多。而且，本實(shí)施例中的圖片識別模型，由于帶有核池化層，可以支持對精細(xì)粒度的圖片類別的圖片進(jìn)行識別，所以在訓(xùn)練時，可以采用精細(xì)粒度的圖片類別的圖片對圖片識別模型進(jìn)行訓(xùn)練。

本實(shí)施例的圖片訓(xùn)練數(shù)據(jù)庫中包括的訓(xùn)練圖片的數(shù)量越多，訓(xùn)練的圖片識別模型的參數(shù)越準(zhǔn)確，后續(xù)根據(jù)該圖片識別模型得出的預(yù)測類別標(biāo)簽越準(zhǔn)確，對圖片的識別效率就越高。例如本實(shí)施例的圖片訓(xùn)練數(shù)據(jù)庫中可以包括20萬-30萬甚至更多的訓(xùn)練圖片。

例如，本實(shí)施例中，該步驟201“根據(jù)訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片以及各訓(xùn)練圖片的類別，訓(xùn)練圖片識別模型”，具體可以包括如下步驟：

(c1)將訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片中的各訓(xùn)練圖片依次輸入至圖片識別模型中，得到對應(yīng)的訓(xùn)練圖片的預(yù)測類別標(biāo)簽；

本實(shí)施例中，在訓(xùn)練圖片識別模型的過程中，圖片識別模型中的參數(shù)是不斷地變化的，即圖片識別模型是在不斷地變化。在每一次訓(xùn)練時，所采用的圖片識別模型均為上一次訓(xùn)練更新后的圖片識別模型。而本實(shí)施例的圖片識別模型被初次使用時各參數(shù)采用的是預(yù)設(shè)的初始值。其中預(yù)測類別標(biāo)簽的維度在訓(xùn)練時確定，例如若訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片共包括999個分類的圖片，則可以設(shè)置圖片識別模型輸出的預(yù)測類別標(biāo)簽的維度為999。

(c2)根據(jù)訓(xùn)練圖片的類別，生成訓(xùn)練圖片的真實(shí)類別標(biāo)簽；

由于訓(xùn)練圖片的類別是已知的，可以根據(jù)訓(xùn)練圖片的類別，生成該訓(xùn)練圖片的類別的真實(shí)類別標(biāo)簽。同理，該訓(xùn)練圖片的真實(shí)類別標(biāo)簽也為向量的形式，該向量中，僅該訓(xùn)練圖片的類別對應(yīng)的位置的元素的數(shù)值為1，其余位置均為0。

(c3)根據(jù)訓(xùn)練圖片的預(yù)測類別標(biāo)簽和訓(xùn)練圖片的真實(shí)類別標(biāo)簽，生成訓(xùn)練圖片的損失函數(shù)；

根據(jù)(c1)得到的訓(xùn)練圖片的預(yù)測類別標(biāo)簽和(c2)得到的訓(xùn)練圖片的真實(shí)類別標(biāo)簽，可以知道訓(xùn)練圖片的預(yù)測類別標(biāo)簽與訓(xùn)練圖片的真實(shí)類別標(biāo)簽的差距，并根據(jù)該差距生成訓(xùn)練圖片的損失函數(shù)。本實(shí)施例在訓(xùn)練圖片識別模型的過程中，要將該損失函數(shù)的值逐漸變小，從而使得訓(xùn)練的圖片識別模型越準(zhǔn)確。

(c4)計(jì)算訓(xùn)練圖片的損失函數(shù)對圖片識別模型中各參數(shù)的導(dǎo)數(shù)；

(c5)根據(jù)圖片識別模型中的各參數(shù)以及訓(xùn)練圖片的損失函數(shù)對各參數(shù)的導(dǎo)數(shù)，更新圖片識別模型中的各參數(shù)，從而確定本次訓(xùn)練后的圖片識別模型；

(c6)重復(fù)執(zhí)行上述步驟(c1)-(c5)，直至數(shù)張訓(xùn)練圖片都對所述圖片識別模型進(jìn)行訓(xùn)練，確定本輪訓(xùn)練后的圖片識別模型。

具體地，由于圖片識別模型中是包括多個參數(shù)，當(dāng)輸入的訓(xùn)練圖片確定時，也可以將損失函數(shù)看作是關(guān)于圖片識別模型中的參數(shù)的函數(shù)，此時可以計(jì)算訓(xùn)練圖片的損失函數(shù)對圖片識別模型中各參數(shù)的導(dǎo)數(shù)；對于圖片識別模型中的每一個參數(shù)，在更新時，可以將圖片識別模型中該參數(shù)更新為該參數(shù)減去損失函數(shù)對該參數(shù)的導(dǎo)數(shù)，即每一次訓(xùn)練都對圖片識別模型進(jìn)行更新。更新完圖片識別模型之后，然后返回到步驟(c1)開始使用下一張訓(xùn)練圖片對圖片識別模型進(jìn)行訓(xùn)練，直到步驟(c5)，完成下一張訓(xùn)練圖片數(shù)據(jù)對圖片識別模型的訓(xùn)練，并再次更新圖片識別模型中的各參數(shù)，從而更新圖片識別模型；依次類推，直至訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片都對圖片識別模型進(jìn)行訓(xùn)練，確定本輪訓(xùn)練后的圖片識別模型。此時得到的圖片識別模型也可以應(yīng)用于圖片識別中。

因?yàn)閾p失函數(shù)表征的是一個向梯度方向下降的值，損失函數(shù)值越大，表示圖片識別模型的對輸入的圖片進(jìn)行處理后輸出的預(yù)測類別標(biāo)簽越不準(zhǔn)確，本實(shí)施例中通過不斷地調(diào)整損失函數(shù)，使得損失函數(shù)的最終點(diǎn)的梯度為0。損失函數(shù)的值越小，表示圖片識別模型的處理結(jié)果越準(zhǔn)確。上述實(shí)施例的技術(shù)方案，在更新圖片識別模型的時候，具體是在朝著損失函數(shù)逐漸降低的方向更新。因此，通過不斷的訓(xùn)練，不斷地優(yōu)化損失函數(shù)，不斷地更新圖片識別模型的參數(shù)，從而不斷的更新圖片識別模型，使得最終得到的圖片識別模型能夠非常準(zhǔn)確地對圖片進(jìn)行處理，得到更加準(zhǔn)確地預(yù)測類別標(biāo)簽。

進(jìn)一步可選地，還可以按照上述步驟(c1)-(c6)所示的每一輪訓(xùn)練中訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片對圖片識別模型的訓(xùn)練，使用訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片重復(fù)對圖片識別模型訓(xùn)練n輪，得到最終的圖片識別模型。例如當(dāng)圖片訓(xùn)練數(shù)據(jù)庫中包括20萬張訓(xùn)練圖片時，按照順序依次使用圖片訓(xùn)練數(shù)據(jù)庫中的20萬張訓(xùn)練圖片對圖片識別模型進(jìn)行訓(xùn)練后，可以認(rèn)為完成一輪對圖片識別模型的訓(xùn)練；然后按照每一輪對圖片識別模型的訓(xùn)練，再使用圖片訓(xùn)練數(shù)據(jù)庫中的20萬張訓(xùn)練圖片對圖片識別模型進(jìn)行n-1輪訓(xùn)練，可以得到最終的圖片識別模型。本實(shí)施例中，經(jīng)過多輪訓(xùn)練，可以進(jìn)一步提高訓(xùn)練得到的圖片識別模型在對圖片識別時，輸出的預(yù)測類別標(biāo)簽的準(zhǔn)確性，進(jìn)而進(jìn)一步提高基于圖片識別模型進(jìn)行圖片識別的效率。本實(shí)施例中的n可以根據(jù)實(shí)際經(jīng)驗(yàn)選取一個正整數(shù)，例如該n可以為5、6或者8、10之類的正整數(shù)。

本實(shí)施例的圖片識別方法，通過采用上述帶有核池化層的圖片識別模型，對待識別圖片進(jìn)行識別時，能夠?qū)崿F(xiàn)更加精細(xì)粒度的圖片類別的識別，有效地提高圖片識別的準(zhǔn)確性和圖片識別的效率。

圖3為本發(fā)明的圖片識別裝置實(shí)施例一的結(jié)構(gòu)圖。如圖3所示，本實(shí)施例的圖片識別裝置，具體包括：獲取模塊10、預(yù)測類別標(biāo)簽獲取模塊11和識別模塊12。

其中獲取模塊10用于獲取待識別的圖片；

預(yù)測類別標(biāo)簽獲取模塊11用于根據(jù)獲取模塊10獲取的待識別的圖片和預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽；預(yù)先訓(xùn)練的圖片識別模型采用卷積神經(jīng)網(wǎng)絡(luò)模型，且卷積神經(jīng)網(wǎng)絡(luò)模型中包括至少一層將通道維度由一維升階為多維的核池化層；

識別模塊12用于根據(jù)預(yù)測類別標(biāo)簽獲取模塊11獲取的待識別的圖片的預(yù)測類別標(biāo)簽，識別待識別的圖片的類別。

本實(shí)施例的圖片識別裝置，通過采用上述模塊實(shí)現(xiàn)圖片識別的實(shí)現(xiàn)原理以及技術(shù)效果與上述相關(guān)方法實(shí)施例的實(shí)現(xiàn)相同，詳細(xì)可以參考上述相關(guān)方法實(shí)施例的記載，在此不再贅述。

圖4為本發(fā)明的圖片識別裝置實(shí)施例二的結(jié)構(gòu)圖。如圖4所示，本實(shí)施例的圖片識別裝置，在上述圖3所示實(shí)施例的技術(shù)方案的基礎(chǔ)上，進(jìn)一步更加詳細(xì)地介紹本發(fā)明的技術(shù)方案。

如圖4所示，本實(shí)施例的圖片識別裝置，還包括：采集模塊13和訓(xùn)練模塊14。

采集模塊13用于采集數(shù)個已經(jīng)確定類別的訓(xùn)練圖片，生成訓(xùn)練圖片數(shù)據(jù)庫；

訓(xùn)練模塊14用于根據(jù)訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片以及各訓(xùn)練圖片的類別，訓(xùn)練圖片識別模型。

對應(yīng)地，預(yù)測類別標(biāo)簽獲取模塊11用于根據(jù)獲取模塊10獲取的待識別的圖片和訓(xùn)練模塊14預(yù)先訓(xùn)練的圖片識別模型，獲取待識別的圖片的預(yù)測類別標(biāo)簽。

進(jìn)一步可選地，本實(shí)施例的圖片識別裝置中，訓(xùn)練模塊14具體用于：

將采集模塊13采集的訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片中的各訓(xùn)練圖片依次輸入至圖片識別模型中，得到對應(yīng)的訓(xùn)練圖片的預(yù)測類別標(biāo)簽；

根據(jù)訓(xùn)練圖片的類別，生成訓(xùn)練圖片的真實(shí)類別標(biāo)簽；

根據(jù)訓(xùn)練圖片的預(yù)測類別標(biāo)簽和訓(xùn)練圖片的真實(shí)類別標(biāo)簽，生成訓(xùn)練圖片的損失函數(shù)；

計(jì)算訓(xùn)練圖片的損失函數(shù)對圖片識別模型中各參數(shù)的導(dǎo)數(shù)；

根據(jù)圖片識別模型中的各參數(shù)以及訓(xùn)練圖片的損失函數(shù)對各參數(shù)的導(dǎo)數(shù)，更新圖片識別模型中的各參數(shù)，從而確定本次訓(xùn)練后的圖片識別模型；

重復(fù)執(zhí)行上述步驟，直至數(shù)張訓(xùn)練圖片都對圖片識別模型進(jìn)行訓(xùn)練，確定本輪訓(xùn)練后的圖片識別模型。

進(jìn)一步可選地，本實(shí)施例的圖片識別裝置中，訓(xùn)練模塊14具體還用于按照上述每一輪訓(xùn)練中訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片對圖片識別模型的訓(xùn)練，使用訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片重復(fù)對圖片識別模型訓(xùn)練n輪，得到最終的圖片識別模型。

進(jìn)一步可選地，本實(shí)施例的圖片識別裝置中，識別模塊12具體用于：

根據(jù)預(yù)測類別標(biāo)簽獲取模塊11獲取的待識別的圖片的預(yù)測類別標(biāo)簽，獲取待識別的圖片對應(yīng)的概率最大的類別；

將待識別的圖片對應(yīng)的概率最大的類別作為待識別的圖片的類別。

進(jìn)一步可選地，如圖4所示，本實(shí)施例的圖片識別裝置中，還包括：

模型生成模塊15用于獲取卷積神經(jīng)網(wǎng)絡(luò)模型；將卷積神經(jīng)網(wǎng)絡(luò)模型中的至少一層池化層中的通道維度由一維升階為多維，得到圖片識別模型。

對應(yīng)地，訓(xùn)練模塊14用于根據(jù)訓(xùn)練圖片數(shù)據(jù)庫中的數(shù)張訓(xùn)練圖片以及各訓(xùn)練圖片的類別，訓(xùn)練模型生成模塊15生成的圖片識別模型。

本實(shí)施例的圖片識別裝置，通過采用上述模塊實(shí)現(xiàn)圖片識別的實(shí)現(xiàn)原理以及技術(shù)效果與上述相關(guān)方法實(shí)施例的實(shí)現(xiàn)相同，詳細(xì)可以參考上述相關(guān)方法實(shí)施例的記載，在此不再贅述。

圖5為本發(fā)明的計(jì)算機(jī)設(shè)備實(shí)施例的結(jié)構(gòu)圖。如圖5所示，本實(shí)施例的計(jì)算機(jī)設(shè)備，包括：一個或多個處理器30，以及存儲器40，存儲器40用于存儲一個或多個程序，當(dāng)存儲器40中存儲的一個或多個程序被一個或多個處理器30執(zhí)行，使得一個或多個處理器30實(shí)現(xiàn)如上圖1-圖2所示實(shí)施例的圖片識別方法。圖5所示實(shí)施例中以包括多個處理器30為例。

例如，圖6為本發(fā)明提供的一種計(jì)算機(jī)設(shè)備的示例圖。圖6示出了適于用來實(shí)現(xiàn)本發(fā)明實(shí)施方式的示例性計(jì)算機(jī)設(shè)備12a的框圖。圖6顯示的計(jì)算機(jī)設(shè)備12a僅僅是一個示例，不應(yīng)對本發(fā)明實(shí)施例的功能和使用范圍帶來任何限制。

如圖6所示，計(jì)算機(jī)設(shè)備12a以通用計(jì)算設(shè)備的形式表現(xiàn)。計(jì)算機(jī)設(shè)備12a的組件可以包括但不限于：一個或者多個處理器16a，系統(tǒng)存儲器28a，連接不同系統(tǒng)組件(包括系統(tǒng)存儲器28a和處理器16a)的總線18a。

總線18a表示幾類總線結(jié)構(gòu)中的一種或多種，包括存儲器總線或者存儲器控制器，外圍總線，圖形加速端口，處理器或者使用多種總線結(jié)構(gòu)中的任意總線結(jié)構(gòu)的局域總線。舉例來說，這些體系結(jié)構(gòu)包括但不限于工業(yè)標(biāo)準(zhǔn)體系結(jié)構(gòu)(isa)總線，微通道體系結(jié)構(gòu)(mac)總線，增強(qiáng)型isa總線、視頻電子標(biāo)準(zhǔn)協(xié)會(vesa)局域總線以及外圍組件互連(pci)總線。

計(jì)算機(jī)設(shè)備12a典型地包括多種計(jì)算機(jī)系統(tǒng)可讀介質(zhì)。這些介質(zhì)可以是任何能夠被計(jì)算機(jī)設(shè)備12a訪問的可用介質(zhì)，包括易失性和非易失性介質(zhì)，可移動的和不可移動的介質(zhì)。

系統(tǒng)存儲器28a可以包括易失性存儲器形式的計(jì)算機(jī)系統(tǒng)可讀介質(zhì)，例如隨機(jī)存取存儲器(ram)30a和/或高速緩存存儲器32a。計(jì)算機(jī)設(shè)備12a可以進(jìn)一步包括其它可移動/不可移動的、易失性/非易失性計(jì)算機(jī)系統(tǒng)存儲介質(zhì)。僅作為舉例，存儲系統(tǒng)34a可以用于讀寫不可移動的、非易失性磁介質(zhì)(圖6未顯示，通常稱為“硬盤驅(qū)動器”)。盡管圖6中未示出，可以提供用于對可移動非易失性磁盤(例如“軟盤”)讀寫的磁盤驅(qū)動器，以及對可移動非易失性光盤(例如cd-rom,dvd-rom或者其它光介質(zhì))讀寫的光盤驅(qū)動器。在這些情況下，每個驅(qū)動器可以通過一個或者多個數(shù)據(jù)介質(zhì)接口與總線18a相連。系統(tǒng)存儲器28a可以包括至少一個程序產(chǎn)品，該程序產(chǎn)品具有一組(例如至少一個)程序模塊，這些程序模塊被配置以執(zhí)行本發(fā)明上述圖1-圖4各實(shí)施例的功能。

具有一組(至少一個)程序模塊42a的程序/實(shí)用工具40a，可以存儲在例如系統(tǒng)存儲器28a中，這樣的程序模塊42a包括——但不限于——操作系統(tǒng)、一個或者多個應(yīng)用程序、其它程序模塊以及程序數(shù)據(jù)，這些示例中的每一個或某種組合中可能包括網(wǎng)絡(luò)環(huán)境的實(shí)現(xiàn)。程序模塊42a通常執(zhí)行本發(fā)明所描述的上述圖1-圖4各實(shí)施例中的功能和/或方法。

計(jì)算機(jī)設(shè)備12a也可以與一個或多個外部設(shè)備14a(例如鍵盤、指向設(shè)備、顯示器24a等)通信，還可與一個或者多個使得用戶能與該計(jì)算機(jī)設(shè)備12a交互的設(shè)備通信，和/或與使得該計(jì)算機(jī)設(shè)備12a能與一個或多個其它計(jì)算設(shè)備進(jìn)行通信的任何設(shè)備(例如網(wǎng)卡，調(diào)制解調(diào)器等等)通信。這種通信可以通過輸入/輸出(i/o)接口22a進(jìn)行。并且，計(jì)算機(jī)設(shè)備12a還可以通過網(wǎng)絡(luò)適配器20a與一個或者多個網(wǎng)絡(luò)(例如局域網(wǎng)(lan)，廣域網(wǎng)(wan)和/或公共網(wǎng)絡(luò)，例如因特網(wǎng))通信。如圖所示，網(wǎng)絡(luò)適配器20a通過總線18a與計(jì)算機(jī)設(shè)備12a的其它模塊通信。應(yīng)當(dāng)明白，盡管圖中未示出，可以結(jié)合計(jì)算機(jī)設(shè)備12a使用其它硬件和/或軟件模塊，包括但不限于：微代碼、設(shè)備驅(qū)動器、冗余處理器、外部磁盤驅(qū)動陣列、raid系統(tǒng)、磁帶驅(qū)動器以及數(shù)據(jù)備份存儲系統(tǒng)等。

處理器16a通過運(yùn)行存儲在系統(tǒng)存儲器28a中的程序，從而執(zhí)行各種功能應(yīng)用以及數(shù)據(jù)處理，例如實(shí)現(xiàn)上述實(shí)施例所示的圖片識別方法。

本發(fā)明還提供一種計(jì)算機(jī)可讀介質(zhì)，其上存儲有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時實(shí)現(xiàn)如上述實(shí)施例所示的圖片識別方法。

本實(shí)施例的計(jì)算機(jī)可讀介質(zhì)可以包括上述圖6所示實(shí)施例中的系統(tǒng)存儲器28a中的ram30a、和/或高速緩存存儲器32a、和/或存儲系統(tǒng)34a。

隨著科技的發(fā)展，計(jì)算機(jī)程序的傳播途徑不再受限于有形介質(zhì)，還可以直接從網(wǎng)絡(luò)下載，或者采用其他方式獲取。因此，本實(shí)施例中的計(jì)算機(jī)可讀介質(zhì)不僅可以包括有形的介質(zhì)，還可以包括無形的介質(zhì)。

本實(shí)施例的計(jì)算機(jī)可讀介質(zhì)可以采用一個或多個計(jì)算機(jī)可讀的介質(zhì)的任意組合。計(jì)算機(jī)可讀介質(zhì)可以是計(jì)算機(jī)可讀信號介質(zhì)或者計(jì)算機(jī)可讀存儲介質(zhì)。計(jì)算機(jī)可讀存儲介質(zhì)例如可以是——但不限于——電、磁、光、電磁、紅外線、或半導(dǎo)體的系統(tǒng)、裝置或器件，或者任意以上的組合。計(jì)算機(jī)可讀存儲介質(zhì)的更具體的例子(非窮舉的列表)包括：具有一個或多個導(dǎo)線的電連接、便攜式計(jì)算機(jī)磁盤、硬盤、隨機(jī)存取存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、光纖、便攜式緊湊磁盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。在本文件中，計(jì)算機(jī)可讀存儲介質(zhì)可以是任何包含或存儲程序的有形介質(zhì)，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用。

計(jì)算機(jī)可讀的信號介質(zhì)可以包括在基帶中或者作為載波一部分傳播的數(shù)據(jù)信號，其中承載了計(jì)算機(jī)可讀的程序代碼。這種傳播的數(shù)據(jù)信號可以采用多種形式，包括——但不限于——電磁信號、光信號或上述的任意合適的組合。計(jì)算機(jī)可讀的信號介質(zhì)還可以是計(jì)算機(jī)可讀存儲介質(zhì)以外的任何計(jì)算機(jī)可讀介質(zhì)，該計(jì)算機(jī)可讀介質(zhì)可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用的程序。

計(jì)算機(jī)可讀介質(zhì)上包含的程序代碼可以用任何適當(dāng)?shù)慕橘|(zhì)傳輸，包括——但不限于——無線、電線、光纜、rf等等，或者上述的任意合適的組合。

可以以一種或多種程序設(shè)計(jì)語言或其組合來編寫用于執(zhí)行本發(fā)明操作的計(jì)算機(jī)程序代碼，所述程序設(shè)計(jì)語言包括面向?qū)ο蟮某绦蛟O(shè)計(jì)語言—諸如java、smalltalk、c++，還包括常規(guī)的過程式程序設(shè)計(jì)語言—諸如”c”語言或類似的程序設(shè)計(jì)語言。程序代碼可以完全地在用戶計(jì)算機(jī)上執(zhí)行、部分地在用戶計(jì)算機(jī)上執(zhí)行、作為一個獨(dú)立的軟件包執(zhí)行、部分在用戶計(jì)算機(jī)上部分在遠(yuǎn)程計(jì)算機(jī)上執(zhí)行、或者完全在遠(yuǎn)程計(jì)算機(jī)或服務(wù)器上執(zhí)行。在涉及遠(yuǎn)程計(jì)算機(jī)的情形中，遠(yuǎn)程計(jì)算機(jī)可以通過任意種類的網(wǎng)絡(luò)——包括局域網(wǎng)(lan)或廣域網(wǎng)(wan)—連接到用戶計(jì)算機(jī)，或者，可以連接到外部計(jì)算機(jī)(例如利用因特網(wǎng)服務(wù)提供商來通過因特網(wǎng)連接)。

在本發(fā)明所提供的幾個實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時可以有另外的劃分方式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個實(shí)施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨(dú)物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用硬件加軟件功能單元的形式實(shí)現(xiàn)。

上述以軟件功能單元的形式實(shí)現(xiàn)的集成的單元，可以存儲在一個計(jì)算機(jī)可讀取存儲介質(zhì)中。上述軟件功能單元存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個實(shí)施例所述方法的部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(read-onlymemory，rom)、隨機(jī)存取存儲器(randomaccessmemory，ram)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。