本公開涉及機(jī)器視覺技術(shù)，尤其涉及一種識(shí)別模型確定方法及裝置。

背景技術(shù)：

隨著計(jì)算機(jī)技術(shù)的發(fā)展，可以通過機(jī)器學(xué)習(xí)的方法確定識(shí)別模型，再采用該識(shí)別模型對(duì)圖像中的目標(biāo)物體或文字進(jìn)行識(shí)別。

相關(guān)技術(shù)中，采用以下方法確定識(shí)別模型：對(duì)樣本集進(jìn)行標(biāo)定，確定標(biāo)定結(jié)果，確定一個(gè)初始的識(shí)別模型，再將樣本集中的每個(gè)樣本輸入該初始的識(shí)別模型，確定識(shí)別結(jié)果，根據(jù)標(biāo)定結(jié)果及識(shí)別結(jié)果確定損失函數(shù)，再根據(jù)損失函數(shù)對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的模型，重復(fù)上述步驟，直至損失函數(shù)收斂，最終會(huì)確定一個(gè)識(shí)別模型。

技術(shù)實(shí)現(xiàn)要素：

為克服相關(guān)技術(shù)中存在的問題，本公開提供一種識(shí)別模型確定方法及裝置。

根據(jù)本公開實(shí)施例的第一方面，提供一種識(shí)別模型確定方法，包括：

將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果；

根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值；

根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定所述N個(gè)樣本的損失函數(shù)；

根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法對(duì)所述初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從所述樣本集中再次選擇任意N個(gè)樣本輸入所述更新后的識(shí)別模型，確定所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂；

采用收斂的損失函數(shù)確定最終的識(shí)別模型。

結(jié)合第一方面，在第一方面的第一種可能的實(shí)現(xiàn)方式中，所述根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值，包括：

若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定所述樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值；

若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定所述樣本的權(quán)重值為所述預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)；其中，所述預(yù)設(shè)參數(shù)為大于1的數(shù)。

結(jié)合第一方面，在第一方面的第二種可能的實(shí)現(xiàn)方式中，所述根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值，包括：

若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定所述樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)；其中，所述第二預(yù)設(shè)參數(shù)為小于1的數(shù)；

若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定所述樣本的權(quán)重值為所述預(yù)設(shè)權(quán)重初始值除以所述第二預(yù)設(shè)參數(shù)。

結(jié)合第一方面或第一方面的第一種可能的實(shí)現(xiàn)方式或第一方面的第二種可能的實(shí)現(xiàn)方式，在第一方面的第三種可能的實(shí)現(xiàn)方式中，所述根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定所述N個(gè)樣本的損失函數(shù)，包括：

根據(jù)樣本的標(biāo)定結(jié)果及樣本的識(shí)別結(jié)果確定所述樣本的初始損失函數(shù)；

根據(jù)所述樣本的初始損失函數(shù)及所述樣本的權(quán)重值確定所述樣本的最終損失函數(shù)；

將每個(gè)樣本的最終損失函數(shù)進(jìn)行相加，確定所述N個(gè)樣本的損失函數(shù)。

結(jié)合第一方面的第三種可能的實(shí)現(xiàn)方式，在第一方面的第四種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述樣本的初始損失函數(shù)及所述樣本的權(quán)重值確定所述樣本的最終損失函數(shù)，包括：

將所述樣本的初始損失函數(shù)乘以所述樣本的權(quán)重值獲取所述樣本的最終損失函數(shù)。

結(jié)合第一方面，在第一方面的第五種可能的實(shí)現(xiàn)方式中，所述根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法對(duì)所述初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，包括：

根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法確定所述初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值；

根據(jù)所述初始的識(shí)別模型中的各所述初始參數(shù)的學(xué)習(xí)力及各所述初始參數(shù)對(duì)應(yīng)的梯度值確定所述初始的識(shí)別模型中各更新后的參數(shù)；

用各所述更新后的參數(shù)替換各所述初始參數(shù)獲取所述更新后的識(shí)別模型。

結(jié)合第一方面的第一種可能的實(shí)現(xiàn)方式，在第一方面的第六種可能的實(shí)現(xiàn)方式中，所述根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，包括：

若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值；

若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以所述第一預(yù)設(shè)參數(shù)。

結(jié)合第一方面的第二種可能的實(shí)現(xiàn)方式，在第一方面的第七種可能的實(shí)現(xiàn)方式中，所述根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，包括：

若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以所述第二預(yù)設(shè)參數(shù)；

若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值除以所述第二預(yù)設(shè)參數(shù)。

根據(jù)本公開實(shí)施例的第二方面，提供一種識(shí)別模型確定裝置，包括：

獲取模塊，被配置為將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果；

第一確定模塊，被配置為根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及根據(jù)所述獲取模塊獲取的每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值；

第二確定模塊，被配置為根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、根據(jù)所述獲取模塊獲取的識(shí)別結(jié)果及根據(jù)所述第一確定模塊確定的權(quán)重值確定所述N個(gè)樣本的損失函數(shù)；

第三確定模塊，被配置為根據(jù)所述第二確定模塊確定的損失函數(shù)及隨機(jī)梯度下降方法對(duì)所述初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從所述樣本集中再次選擇任意N個(gè)樣本輸入所述更新后的識(shí)別模型，確定所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂；

第四確定模塊，被配置為采用收斂的損失函數(shù)確定最終的識(shí)別模型。

結(jié)合第二方面，在第二方面的第一種可能的實(shí)現(xiàn)方式中，所述第一確定模塊包括：

第一確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定所述樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值；

第二確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定所述樣本的權(quán)重值為所述預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)；其中，所述預(yù)設(shè)參數(shù)為大于1的數(shù)。

結(jié)合第二方面，在第二方面的第二種可能的實(shí)現(xiàn)方式中，所述第一確定模塊包括：

第三確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定所述樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)；其中，所述第二預(yù)設(shè)參數(shù)為小于1的數(shù)；

第四確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定所述樣本的權(quán)重值為所述預(yù)設(shè)權(quán)重初始值除以所述第二預(yù)設(shè)參數(shù)。

結(jié)合第二方面或第二方面的第一種可能的實(shí)現(xiàn)方式或第二方面的第二種可能的實(shí)現(xiàn)方式，在第二方面的第三種可能的實(shí)現(xiàn)方式中，所述第二確定模塊包括：

第五確定子模塊，被配置為根據(jù)樣本的標(biāo)定結(jié)果及樣本的識(shí)別結(jié)果確定所述樣本的初始損失函數(shù)；

第六確定子模塊，被配置為根據(jù)所述第五確定子模塊確定的樣本的初始損失函數(shù)及所述樣本的權(quán)重值確定所述樣本的最終損失函數(shù)；

第七確定子模塊，被配置為將所述第六確定子模塊確定的每個(gè)樣本的最終損失函數(shù)進(jìn)行相加，確定所述N個(gè)樣本的損失函數(shù)。

結(jié)合第二方面的第三種可能的實(shí)現(xiàn)方式，在第二方面的第四種可能的實(shí)現(xiàn)方式中，所述第六確定子模塊包括：

獲取單元，被配置為將所述樣本的初始損失函數(shù)乘以所述樣本的權(quán)重值獲取所述樣本的最終損失函數(shù)。

結(jié)合第二方面，在第二方面的第五種可能的實(shí)現(xiàn)方式中，所述第三確定模塊包括：

第八確定子模塊，被配置為根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法確定所述初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值；

第九確定子模塊，被配置為根據(jù)所述初始的識(shí)別模型中的各所述初始參數(shù)的學(xué)習(xí)力及所述第八確定子模塊確定的各所述初始參數(shù)對(duì)應(yīng)的梯度值確定所述初始的識(shí)別模型中各更新后的參數(shù)；

獲取子模塊，被配置為用根據(jù)所述第九確定子模塊確定的各所述更新后的參數(shù)替換各所述初始參數(shù)獲取所述更新后的識(shí)別模型。

結(jié)合第二方面的第一種可能的實(shí)現(xiàn)方式，在第二方面的第六種可能的實(shí)現(xiàn)方式中，所述第三確定模塊包括：

第十確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值；

第十一確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以所述第一預(yù)設(shè)參數(shù)。

結(jié)合第二方面的第二種可能的實(shí)現(xiàn)方式，在第二方面的第七種可能的實(shí)現(xiàn)方式中，所述第三確定模塊包括：

第十二確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以所述第二預(yù)設(shè)參數(shù)；

第十三確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定所述樣本的更新后的權(quán)重值為上一次確定的權(quán)重值除以所述第二預(yù)設(shè)參數(shù)。

根據(jù)本公開實(shí)施例的第三方面，提供一種識(shí)別模型確定裝置，包括：

處理器；

用于存儲(chǔ)所述處理器可執(zhí)行指令的存儲(chǔ)器；

其中，所述處理器被配置為：

將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果；

根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值；

根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定所述N個(gè)樣本的損失函數(shù)；

根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法對(duì)所述初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從所述樣本集中再次選擇任意N個(gè)樣本輸入所述更新后的識(shí)別模型，確定所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂；

采用收斂的損失函數(shù)確定最終的識(shí)別模型。

本公開的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

一個(gè)實(shí)施例中，通過將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定N個(gè)樣本的損失函數(shù)，根據(jù)損失函數(shù)及隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從樣本集中再次選擇任意N個(gè)樣本輸入更新后的識(shí)別模型，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂，采用收斂的損失函數(shù)確定最終的識(shí)別模型，實(shí)現(xiàn)了在確定最終的識(shí)別模型的過程中，可以根據(jù)識(shí)別結(jié)果和標(biāo)定結(jié)果確定樣本的權(quán)重值，在確定損失函數(shù)時(shí)，考慮到樣本的權(quán)重值，使得在根據(jù)損失函數(shù)和隨機(jī)梯度下降算法更新識(shí)別模型時(shí)，會(huì)往正確的方向更新，從而會(huì)使損失函數(shù)收斂得更快，提高了確定識(shí)別模型的效率。另外，由于在識(shí)別模型確定的過程中，損失函數(shù)與樣本的權(quán)重值有關(guān)，從而，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實(shí)施例，并與說明書一起用于解釋本公開的原理。

圖1是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定方法的流程圖；

圖2是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖3是根據(jù)另一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖4是根據(jù)又一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖5是根據(jù)再一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖6是根據(jù)另一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖7是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖8是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖；

圖9是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。

通過上述附圖，已示出本公開明確的實(shí)施例，后文中將有更詳細(xì)的描述。這些附圖和文字描述并不是為了通過任何方式限制本公開構(gòu)思的范圍，而是通過參考特定實(shí)施例為本領(lǐng)域技術(shù)人員說明本公開的概念。

具體實(shí)施方式

這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本公開相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。

圖1是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定方法的流程圖。如圖1所示，本公開實(shí)施例提供的識(shí)別模型確定方法包括以下步驟：

在步驟101中，將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果。

本公開實(shí)施例中的識(shí)別模型確定方法可以由具有計(jì)算能力的計(jì)算設(shè)備執(zhí)行，例如，計(jì)算機(jī)、終端設(shè)備及個(gè)人數(shù)字助理等。本公開實(shí)施例中可以采用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network；簡稱：CNN)訓(xùn)練方法確定出識(shí)別模型。在采用改進(jìn)后的CNN訓(xùn)練方法確定識(shí)別模型的過程中，可以采用深度學(xué)習(xí)算法中的過程，輸入樣本集，進(jìn)行模型訓(xùn)練。最終確定出一個(gè)通過對(duì)海量樣本進(jìn)行學(xué)習(xí)、訓(xùn)練而獲得的識(shí)別模型。

可選的，本公開實(shí)施例中的樣本為圖像。樣本集由多個(gè)樣本組成。

初始的識(shí)別模型為參數(shù)是隨機(jī)配置的識(shí)別模型?？蓪⑦@些隨機(jī)配置的參數(shù)稱為初始參數(shù)。將樣本集中的任意N個(gè)樣本均輸入初始化后的識(shí)別模型中，N即為批量大小(batchsize)。N為大于1的整數(shù)。同時(shí)，還可以配置各參數(shù)對(duì)應(yīng)的學(xué)習(xí)力。學(xué)習(xí)力即為各參數(shù)在后續(xù)訓(xùn)練過程中的調(diào)整步長。在將樣本集中的樣本輸入初始的識(shí)別模型后，會(huì)輸出識(shí)別結(jié)果，則可獲取N個(gè)樣本中每個(gè)樣本的識(shí)別結(jié)果。該識(shí)別結(jié)果即為該初始的識(shí)別模型對(duì)該樣本學(xué)習(xí)后的結(jié)果。該過程也可以稱為第一次迭代的過程。

在一種實(shí)現(xiàn)方式中，初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果可以是一個(gè)介于0-1之間的值。舉例來說，N個(gè)樣本中有些樣本中有人像，有些樣本中沒有人像，需要確定出的最終的識(shí)別模型用于識(shí)別圖像中的人像，則在該第一次迭代過程中，對(duì)于某個(gè)樣本，該初始的識(shí)別模型的識(shí)別結(jié)果可以是0.8，其代表初始的識(shí)別模型認(rèn)為該樣本中，有人像的概率為0.8，對(duì)于另外一個(gè)樣本，該初始的識(shí)別模型的識(shí)別結(jié)果可以是0.2，其代表初始的識(shí)別模型認(rèn)為該樣本中，有人像的概率為0.2。

在另一種實(shí)現(xiàn)方式中，初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果可以是0或1。0代表初始的識(shí)別模型認(rèn)為該樣本中沒有目標(biāo)物體；1代表初始的識(shí)別模型認(rèn)為該樣本中具有目標(biāo)物體。這里的目標(biāo)物體可以是人像或其他需要識(shí)別的物體。

在步驟102中，根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值。

該每個(gè)樣本的標(biāo)定結(jié)果是預(yù)先獲取的。在步驟102之前，首先對(duì)樣本集中的每個(gè)樣本進(jìn)行標(biāo)定，獲取標(biāo)定結(jié)果。對(duì)每個(gè)樣本進(jìn)行標(biāo)定的意思是可以采用一段程序確定樣本集中的每個(gè)樣本的真值。舉例來說，如果需要訓(xùn)練識(shí)別模型識(shí)別人像，則樣本集中的樣本中有的是有人像的，有的是沒有人像的，可以采用程序?qū)颖居袩o人像確定出來，當(dāng)然，也可以人工進(jìn)行確定，確定樣本中有無人像的結(jié)果即為標(biāo)定結(jié)果。

根據(jù)步驟101和步驟102，初始的識(shí)別模型對(duì)N個(gè)樣本中的每個(gè)樣本有一個(gè)識(shí)別結(jié)果，每個(gè)樣本有一個(gè)標(biāo)定結(jié)果，此時(shí)，可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值。在本公開實(shí)施例中，每個(gè)樣本的權(quán)重值表示的是在后續(xù)步驟中計(jì)算損失函數(shù)時(shí)，識(shí)別模型對(duì)該樣本的識(shí)別結(jié)果產(chǎn)生的誤差在損失函數(shù)中所占的比例。

可以采用以下兩種可能的實(shí)現(xiàn)方式確定每個(gè)樣本的權(quán)重值：

在第一種可能的實(shí)現(xiàn)方式中，若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值；若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)；其中，預(yù)設(shè)參數(shù)為大于1的數(shù)。

當(dāng)初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果是介于0-1之間的值時(shí)，可以預(yù)先確定一個(gè)閾值。如果識(shí)別結(jié)果大于該閾值，則認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果一致；如果識(shí)別結(jié)果小于或等于該閾值，則認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果不一致。當(dāng)初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果是0或1時(shí)，當(dāng)樣本的識(shí)別結(jié)果是1時(shí)，認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果一致；當(dāng)樣本的識(shí)別結(jié)果是0時(shí)，認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果不一致。樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，代表該初始的識(shí)別模型對(duì)該樣本的識(shí)別是正確的，該樣本是一個(gè)比較容易識(shí)別的樣本；樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，代表該初始的識(shí)別模型對(duì)該樣本的識(shí)別是錯(cuò)誤的，該樣本是一個(gè)較難識(shí)別的樣本。

在本實(shí)現(xiàn)方式中，如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，即該樣本是一個(gè)比較容易識(shí)別的樣本，則確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值。如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，即該樣本是一個(gè)較難識(shí)別的樣本，則確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)，該預(yù)設(shè)參數(shù)為大于1的數(shù)，即在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變大。需要說明的是，樣本集中所有樣本的預(yù)設(shè)權(quán)重初始值都是一樣的?？蛇x的，該預(yù)設(shè)權(quán)重初始值可以是1。當(dāng)然，預(yù)設(shè)權(quán)重初始值也可以為其他的數(shù)值，本實(shí)施例對(duì)此不做限制。

在第二種可能的實(shí)現(xiàn)方式中，若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)；其中，第二預(yù)設(shè)參數(shù)為小于1的數(shù)；若樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值除以第二預(yù)設(shè)參數(shù)。該實(shí)現(xiàn)方式與第一種可能的實(shí)現(xiàn)方式的區(qū)別在于，在第一種實(shí)現(xiàn)方式中，如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值，而在此種實(shí)現(xiàn)方式中，如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)，其中，第二預(yù)設(shè)參數(shù)為小于1的數(shù)。即，當(dāng)樣本是一個(gè)容易識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變??；當(dāng)樣本是一個(gè)較難識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變大。

在步驟103中，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定N個(gè)樣本的損失函數(shù)。

在確定出每個(gè)樣本的權(quán)重值之后，可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、每個(gè)樣本的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定N個(gè)樣本的損失函數(shù)。在本公開實(shí)施例中，損失函數(shù)表示的是N個(gè)樣本中標(biāo)定結(jié)果和識(shí)別結(jié)果之間誤差的程度、可以減小誤差的方向以及每個(gè)樣本的識(shí)別結(jié)果產(chǎn)生的誤差在損失函數(shù)中所占的比例。在一種可能的實(shí)現(xiàn)方式中，可以采用softmax網(wǎng)絡(luò)計(jì)算損失函數(shù)。

可選的，可以采用以下方式確定N個(gè)樣本的損失函數(shù)：根據(jù)樣本的標(biāo)定結(jié)果及樣本的識(shí)別結(jié)果確定樣本的初始損失函數(shù)；根據(jù)樣本的初始損失函數(shù)及樣本的權(quán)重值確定樣本的最終損失函數(shù)；將每個(gè)樣本的最終損失函數(shù)進(jìn)行相加，確定N個(gè)樣本的損失函數(shù)。N個(gè)樣本的損失函數(shù)時(shí)每個(gè)樣本的最終損失函數(shù)進(jìn)行相加的結(jié)果。在根據(jù)樣本的初始損失函數(shù)及樣本的權(quán)重值確定樣本的最終損失函數(shù)時(shí)，可以是將樣本的初始損失函數(shù)乘以樣本的權(quán)重值獲取該樣本的最終損失函數(shù)。即，在本公開實(shí)施例中，在確定損失函數(shù)時(shí)，相較于相關(guān)技術(shù)中，根據(jù)識(shí)別結(jié)果和標(biāo)定結(jié)果確定N個(gè)樣本的損失函數(shù)的方式，考慮到了樣本的權(quán)重值。

在步驟104中，根據(jù)損失函數(shù)及隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從樣本集中再次選擇任意N個(gè)樣本輸入更新后的識(shí)別模型，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂。

在確定出損失函數(shù)后，可以對(duì)損失函數(shù)采用隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型的參數(shù)進(jìn)行調(diào)整，即對(duì)初始的識(shí)別模型進(jìn)行更新，得到更新后的識(shí)別模型。

在獲取更新后的識(shí)別模型中，一種可選的實(shí)現(xiàn)方式為：首先根據(jù)損失函數(shù)及隨機(jī)梯度下降方法確定初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值；根據(jù)初始的識(shí)別模型中的各初始參數(shù)的學(xué)習(xí)力及各初始參數(shù)對(duì)應(yīng)的梯度值確定初始的識(shí)別模型中各更新后的參數(shù)，例如，可以采用學(xué)習(xí)力與梯度值相乘的方式，確定更新后的參數(shù)；用各更新后的參數(shù)替換各初始參數(shù)獲取更新后的識(shí)別模型。

在獲取到更新后的識(shí)別模型后，再將樣本集中的任意N個(gè)樣本輸入該更新后的識(shí)別模型中，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果。該獲取識(shí)別結(jié)果的步驟與步驟101除了一個(gè)為更新后的識(shí)別模型、一個(gè)為初始的識(shí)別模型之外，其他的實(shí)現(xiàn)過程和技術(shù)原理類似。

需要說明的是，本步驟中的N個(gè)樣本可以是和步驟101中的N個(gè)樣本相同的N個(gè)樣本，也可以是和步驟101中的N個(gè)樣本中的部分樣本相同的N個(gè)樣本，也可以是和步驟101中的N個(gè)樣本中每個(gè)樣本都不同的N個(gè)樣本。本實(shí)施例對(duì)此不做限制。

更新后的識(shí)別模型對(duì)N個(gè)樣本中的每個(gè)樣本有一個(gè)識(shí)別結(jié)果，此時(shí)，可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、每個(gè)樣本采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定每個(gè)樣本更新后的權(quán)重值。

可以采用以下兩種可能的實(shí)現(xiàn)方式確定每個(gè)樣本更新后的權(quán)重值：

在第一種可能的實(shí)現(xiàn)方式中，其與步驟102中的第一種可能的實(shí)現(xiàn)方式對(duì)應(yīng)。若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值；若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第一預(yù)設(shè)參數(shù)。

在第二種可能的實(shí)現(xiàn)方式中，其與步驟102中的第二種可能的實(shí)現(xiàn)方式對(duì)應(yīng)。若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第二預(yù)設(shè)參數(shù)；若樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值除以第二預(yù)設(shè)參數(shù)。

需要說明的是，在第二次迭代中，上一次確定的權(quán)重值即為在第一次迭代中確定的樣本的權(quán)重值。在第M次迭代中，上一次確定的權(quán)重值即為在第M-1次迭代中確定的樣本的權(quán)重值。舉例來說，假設(shè)樣本的權(quán)重初始值均為1，對(duì)于某個(gè)樣本來說，在采用第一種可能的實(shí)現(xiàn)方式時(shí)，在第一次迭代中，初始的識(shí)別模型對(duì)該樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，則該樣本的權(quán)重值還是1；在第二次迭代中，更新后的識(shí)別模型對(duì)該樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，則該樣本的權(quán)重值為上一次確定的權(quán)重值乘以預(yù)設(shè)的第一參數(shù)，即第一次迭代中確定的權(quán)重值乘以預(yù)設(shè)的第一參數(shù)。

本步驟中確定更新后的損失函數(shù)的過程與步驟103的實(shí)現(xiàn)過程和技術(shù)原理類似，區(qū)別在于在本步驟的該過程中，每個(gè)樣本的識(shí)別結(jié)果為采用更新后的識(shí)別模型得到的識(shí)別結(jié)果，每個(gè)樣本的權(quán)重值為更新后的權(quán)重值。

之后，重復(fù)步驟104，直至更新后的損失函數(shù)收斂。每重復(fù)一次步驟104可以稱為一次迭代。

在步驟105中，采用收斂的損失函數(shù)確定最終的識(shí)別模型。

經(jīng)過多次迭代后，將更新后的損失函數(shù)收斂時(shí)的識(shí)別模型確定為最終的識(shí)別模型。

本公開實(shí)施例提供的識(shí)別模型確定方法中，在確定損失函數(shù)時(shí)，考慮到了樣本的權(quán)重值，將識(shí)別正確的樣本的權(quán)重值減小或保持不變，將識(shí)別錯(cuò)誤的樣本的權(quán)重值增加，即，將容易識(shí)別的樣本的權(quán)重值減小或保持不變，將較難識(shí)別的樣本的權(quán)重值增加，使得在根據(jù)損失函數(shù)和隨機(jī)梯度下降算法更新識(shí)別模型時(shí)，會(huì)往正確的方向更新，從而會(huì)使損失函數(shù)收斂得更快，提高了確定識(shí)別模型的效率。另外，由于在識(shí)別模型確定的過程中，更關(guān)注較難識(shí)別的樣本，最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

可選的，在確定出識(shí)別模型后，即可以根據(jù)該識(shí)別模型對(duì)輸入的圖像中的目標(biāo)物體進(jìn)行識(shí)別，以確定出目標(biāo)物體的信息。這里的目標(biāo)物體的信息可以是目標(biāo)物體在輸入的圖像中所處的位置、目標(biāo)物體上的子目標(biāo)物體的位置、目標(biāo)物體的放置狀態(tài)以及目標(biāo)物體上的文字等信息。本公開實(shí)施例對(duì)此不做限制。例如，在購物網(wǎng)站進(jìn)行實(shí)名制的過程中，可以采用該識(shí)別模型對(duì)用戶上傳了大量的圖像進(jìn)行識(shí)別，確定出有身份證的圖像，以獲取用戶的身份證號(hào)及身份證的有效期限。

本公開實(shí)施例提供的識(shí)別模型確定方法，通過將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定N個(gè)樣本的損失函數(shù)，根據(jù)損失函數(shù)及隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從樣本集中再次選擇任意N個(gè)樣本輸入更新后的識(shí)別模型，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂，采用收斂的損失函數(shù)確定最終的識(shí)別模型，實(shí)現(xiàn)了在確定最終的識(shí)別模型的過程中，可以根據(jù)識(shí)別結(jié)果和標(biāo)定結(jié)果確定樣本的權(quán)重值，在確定損失函數(shù)時(shí)，考慮到樣本的權(quán)重值，使得在根據(jù)損失函數(shù)和隨機(jī)梯度下降算法更新識(shí)別模型時(shí)，會(huì)往正確的方向更新，從而會(huì)使損失函數(shù)收斂得更快，提高了確定識(shí)別模型的效率。另外，由于在識(shí)別模型確定的過程中，損失函數(shù)與樣本的權(quán)重值有關(guān)，從而，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

下述為本公開裝置實(shí)施例，可以用于執(zhí)行本公開方法實(shí)施例。對(duì)于本公開裝置實(shí)施例中未披露的細(xì)節(jié)，請參照本公開方法實(shí)施例。

圖2是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。如圖2所示，本公開實(shí)施例提供的識(shí)別模型確定裝置包括如下模塊：

獲取模塊21，被配置為將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果。

本公開實(shí)施例中可以采用改進(jìn)后的CNN訓(xùn)練方法確定出識(shí)別模型。在采用改進(jìn)后的CNN訓(xùn)練方法確定識(shí)別模型的過程中，可以采用深度學(xué)習(xí)算法中的過程，輸入樣本集，進(jìn)行模型訓(xùn)練。最終確定出一個(gè)通過對(duì)海量樣本進(jìn)行學(xué)習(xí)、訓(xùn)練而獲得的識(shí)別模型。

可選的，本公開實(shí)施例中的樣本為圖像。樣本集由多個(gè)樣本組成。

初始的識(shí)別模型為參數(shù)是隨機(jī)配置的識(shí)別模型?？蓪⑦@些隨機(jī)配置的參數(shù)稱為初始參數(shù)。將樣本集中的任意N個(gè)樣本均輸入初始化后的識(shí)別模型中，N即為批量大小。N為大于1的整數(shù)。同時(shí)，還可以配置各參數(shù)對(duì)應(yīng)的學(xué)習(xí)力。學(xué)習(xí)力即為各參數(shù)在后續(xù)訓(xùn)練過程中的調(diào)整步長。在將樣本集中的樣本輸入初始的識(shí)別模型后，會(huì)輸出識(shí)別結(jié)果，則獲取模塊21可獲取N個(gè)樣本中每個(gè)樣本的識(shí)別結(jié)果。該識(shí)別結(jié)果即為該初始的識(shí)別模型對(duì)該樣本學(xué)習(xí)后的結(jié)果。該過程也可以稱為第一次迭代的過程。

第一確定模塊22，被配置為根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及根據(jù)獲取模塊21獲取的每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值。

該每個(gè)樣本的標(biāo)定結(jié)果是預(yù)先獲取的。首先對(duì)樣本集中的每個(gè)樣本進(jìn)行標(biāo)定，獲取標(biāo)定結(jié)果。對(duì)每個(gè)樣本進(jìn)行標(biāo)定的意思是可以采用一段程序確定樣本集中的每個(gè)樣本的真值。舉例來說，如果需要訓(xùn)練識(shí)別模型識(shí)別人像，則樣本集中的樣本中有的是有人像的，有的是沒有人像的，可以采用程序?qū)颖居袩o人像確定出來，當(dāng)然，也可以人工進(jìn)行確定，確定樣本中有無人像的結(jié)果即為標(biāo)定結(jié)果。

初始的識(shí)別模型對(duì)N個(gè)樣本中的每個(gè)樣本有一個(gè)識(shí)別結(jié)果，每個(gè)樣本有一個(gè)標(biāo)定結(jié)果，此時(shí)，可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值。在本公開實(shí)施例中，每個(gè)樣本的權(quán)重值表示的是在后續(xù)步驟中計(jì)算損失函數(shù)時(shí)，識(shí)別模型對(duì)該樣本的識(shí)別結(jié)果產(chǎn)生的誤差在損失函數(shù)中所占的比例。

第二確定模塊23，被配置為根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、根據(jù)獲取模塊21獲取的識(shí)別結(jié)果及根據(jù)第一確定模塊22確定的權(quán)重值確定N個(gè)樣本的損失函數(shù)。

在確定出每個(gè)樣本的權(quán)重值之后，第二確定模塊23可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、每個(gè)樣本的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定N個(gè)樣本的損失函數(shù)。在本公開實(shí)施例中，損失函數(shù)表示的是N個(gè)樣本中標(biāo)定結(jié)果和識(shí)別結(jié)果之間誤差的程度、可以減小誤差的方向以及每個(gè)樣本的識(shí)別結(jié)果產(chǎn)生的誤差在損失函數(shù)中所占的比例。在一種可能的實(shí)現(xiàn)方式中，第二確定模塊23可以采用softmax網(wǎng)絡(luò)計(jì)算損失函數(shù)。

第三確定模塊24，被配置為根據(jù)第二確定模塊23確定的損失函數(shù)及隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從樣本集中再次選擇任意N個(gè)樣本輸入更新后的識(shí)別模型，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂。

在確定出損失函數(shù)后，第三確定模塊24可以對(duì)損失函數(shù)采用隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型的參數(shù)進(jìn)行調(diào)整，即對(duì)初始的識(shí)別模型進(jìn)行更新，得到更新后的識(shí)別模型。在獲取到更新后的識(shí)別模型后，再將樣本集中的任意N個(gè)樣本輸入該更新后的識(shí)別模型中，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果。

更新后的識(shí)別模型對(duì)N個(gè)樣本中的每個(gè)樣本有一個(gè)識(shí)別結(jié)果，此時(shí)，可以根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、每個(gè)樣本采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定每個(gè)樣本更新后的權(quán)重值。

第四確定模塊25，被配置為采用收斂的損失函數(shù)確定最終的識(shí)別模型。

經(jīng)過多次迭代后，將更新后的損失函數(shù)收斂時(shí)的識(shí)別模型確定為最終的識(shí)別模型。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置獲取模塊，被配置為將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，第一確定模塊，被配置為根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及根據(jù)獲取模塊獲取的每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值，第二確定模塊，被配置為根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、根據(jù)獲取模塊獲取的識(shí)別結(jié)果及根據(jù)第一確定模塊確定的權(quán)重值確定N個(gè)樣本的損失函數(shù)，第三確定模塊，被配置為根據(jù)第二確定模塊確定的損失函數(shù)及隨機(jī)梯度下降方法對(duì)初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從樣本集中再次選擇任意N個(gè)樣本輸入更新后的識(shí)別模型，確定N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂，第四確定模塊，被配置為采用收斂的損失函數(shù)確定最終的識(shí)別模型，實(shí)現(xiàn)了在確定最終的識(shí)別模型的過程中，可以根據(jù)識(shí)別結(jié)果和標(biāo)定結(jié)果確定樣本的權(quán)重值，在確定損失函數(shù)時(shí)，考慮到樣本的權(quán)重值，使得在根據(jù)損失函數(shù)和隨機(jī)梯度下降算法更新識(shí)別模型時(shí)，會(huì)往正確的方向更新，從而會(huì)使損失函數(shù)收斂得更快，提高了確定識(shí)別模型的效率。另外，由于在識(shí)別模型確定的過程中，損失函數(shù)與樣本的權(quán)重值有關(guān)，從而，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

圖3是根據(jù)另一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。本公開實(shí)施例在圖2所示實(shí)施例的基礎(chǔ)上，對(duì)第一確定模塊22的具體組成作一詳細(xì)說明。如圖3所示，本公開實(shí)施例提供的識(shí)別模型確定裝置中，第一確定模塊22包括：

第一確定子模塊221，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值。

第二確定子模塊222，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)。其中，預(yù)設(shè)參數(shù)為大于1的數(shù)。

當(dāng)初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果是介于0-1之間的值時(shí)，可以預(yù)先確定一個(gè)閾值。如果識(shí)別結(jié)果大于該閾值，則認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果一致；如果識(shí)別結(jié)果小于或等于該閾值，則認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果不一致。當(dāng)初始的識(shí)別模型對(duì)每個(gè)樣本的識(shí)別結(jié)果是0或1時(shí)，當(dāng)樣本的識(shí)別結(jié)果是1時(shí)，認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果一致；當(dāng)樣本的識(shí)別結(jié)果是0時(shí)，認(rèn)為識(shí)別結(jié)果與標(biāo)定結(jié)果不一致。樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，代表該初始的識(shí)別模型對(duì)該樣本的識(shí)別是正確的，該樣本是一個(gè)比較容易識(shí)別的樣本；樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，代表該初始的識(shí)別模型對(duì)該樣本的識(shí)別是錯(cuò)誤的，該樣本是一個(gè)較難識(shí)別的樣本。

在本實(shí)現(xiàn)方式中，如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致，即該樣本是一個(gè)比較容易識(shí)別的樣本，則確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值。如果樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致，即該樣本是一個(gè)較難識(shí)別的樣本，則確定該樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)，該預(yù)設(shè)參數(shù)為大于1的數(shù)，即在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變大。需要說明的是，樣本集中所有樣本的預(yù)設(shè)權(quán)重初始值都是一樣的?？蛇x的，該預(yù)設(shè)權(quán)重初始值可以是1。當(dāng)然，預(yù)設(shè)權(quán)重初始值也可以為其他的數(shù)值，本實(shí)施例對(duì)此不做限制。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置第一確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值，第二確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第一預(yù)設(shè)參數(shù)，其中，預(yù)設(shè)參數(shù)為大于1的數(shù)，實(shí)現(xiàn)了當(dāng)樣本為較難識(shí)別的樣本時(shí)，將樣本的權(quán)重值變大，當(dāng)樣本為容易識(shí)別的樣本時(shí)，將樣本的權(quán)重值保持不變，從而，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率提高。

圖4是根據(jù)又一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。本公開實(shí)施例在圖2所示實(shí)施例的基礎(chǔ)上，對(duì)第一確定模塊22的具體組成作一詳細(xì)說明。如圖4所示，本公開實(shí)施例提供的識(shí)別模型確定裝置中，第一確定模塊22包括：

第三確定子模塊223，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)。其中，第二預(yù)設(shè)參數(shù)為小于1的數(shù)。

第四確定子模塊224，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值除以第二預(yù)設(shè)參數(shù)。

當(dāng)樣本是一個(gè)容易識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變?。划?dāng)樣本是一個(gè)較難識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變大。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置第三確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值乘以第二預(yù)設(shè)參數(shù)。其中，第二預(yù)設(shè)參數(shù)為小于1的數(shù)，第四確定子模塊，被配置為當(dāng)樣本的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的權(quán)重值為預(yù)設(shè)權(quán)重初始值除以第二預(yù)設(shè)參數(shù)，實(shí)現(xiàn)了當(dāng)樣本是一個(gè)容易識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變小，當(dāng)樣本是一個(gè)較難識(shí)別的樣本時(shí)，在預(yù)設(shè)權(quán)重初始值的基礎(chǔ)上，將該樣本的權(quán)重值變大，從而，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率提高。

圖5是根據(jù)再一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。本公開實(shí)施例在圖2-圖4所示實(shí)施例的基礎(chǔ)上，對(duì)第二確定模塊23的具體組成作一詳細(xì)說明。如圖5所示，本公開實(shí)施例中，第二確定模塊23包括：

第五確定子模塊231，被配置為根據(jù)樣本的標(biāo)定結(jié)果及樣本的識(shí)別結(jié)果確定樣本的初始損失函數(shù)。

第六確定子模塊232，被配置為根據(jù)第五確定子模塊231確定的樣本的初始損失函數(shù)及樣本的權(quán)重值確定樣本的最終損失函數(shù)。

第七確定子模塊233，被配置為將第六確定子模塊232確定的每個(gè)樣本的最終損失函數(shù)進(jìn)行相加，確定N個(gè)樣本的損失函數(shù)。

可選的，第六確定子模塊232包括：獲取單元2321，被配置為將樣本的初始損失函數(shù)乘以樣本的權(quán)重值獲取樣本的最終損失函數(shù)。

在本公開實(shí)施例中，在確定損失函數(shù)時(shí)，相較于相關(guān)技術(shù)中，根據(jù)識(shí)別結(jié)果和標(biāo)定結(jié)果確定N個(gè)樣本的損失函數(shù)的方式，考慮到了樣本的權(quán)重值。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置第二確定模塊包括：第五確定子模塊，被配置為根據(jù)樣本的標(biāo)定結(jié)果及樣本的識(shí)別結(jié)果確定樣本的初始損失函數(shù)，第六確定子模塊，被配置為根據(jù)第五確定子模塊確定的樣本的初始損失函數(shù)及樣本的權(quán)重值確定樣本的最終損失函數(shù)，第七確定子模塊，被配置為將第六確定子模塊確定的每個(gè)樣本的最終損失函數(shù)進(jìn)行相加，確定N個(gè)樣本的損失函數(shù)，第六確定子模塊包括：獲取單元，被配置為將樣本的初始損失函數(shù)乘以樣本的權(quán)重值獲取樣本的最終損失函數(shù)，實(shí)現(xiàn)了在確定N個(gè)樣本的損失函數(shù)時(shí)考慮到樣本的權(quán)重值，使得在根據(jù)損失函數(shù)和隨機(jī)梯度下降算法更新識(shí)別模型時(shí)，會(huì)往正確的方向更新，從而會(huì)使損失函數(shù)收斂得更快，提高了確定識(shí)別模型的效率。

圖6是根據(jù)另一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。本公開實(shí)施例在圖2所示實(shí)施例的基礎(chǔ)上，對(duì)第三確定模塊24的具體組成作一詳細(xì)說明。如圖6所示，本公開實(shí)施例中第三確定模塊24包括：

第八確定子模塊241，被配置為根據(jù)損失函數(shù)及隨機(jī)梯度下降方法確定初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值。

第九確定子模塊242，被配置為根據(jù)初始的識(shí)別模型中的各初始參數(shù)的學(xué)習(xí)力及第八確定子模塊241確定的各初始參數(shù)對(duì)應(yīng)的梯度值確定初始的識(shí)別模型中各更新后的參數(shù)。

獲取子模塊243，被配置為用根據(jù)第九確定子模塊242確定的各更新后的參數(shù)替換各初始參數(shù)獲取更新后的識(shí)別模型。

第十確定子模塊244，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值。

第十一確定子模塊245，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第一預(yù)設(shè)參數(shù)。

需要說明的是，在第二次迭代中，上一次確定的權(quán)重值即為在第一次迭代中確定的樣本的權(quán)重值。在第M次迭代中，上一次確定的權(quán)重值即為在第M-1次迭代中確定的樣本的權(quán)重值。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置第三確定模塊包括：第八確定子模塊，被配置為根據(jù)損失函數(shù)及隨機(jī)梯度下降方法確定初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值，第九確定子模塊，被配置為根據(jù)初始的識(shí)別模型中的各初始參數(shù)的學(xué)習(xí)力及第八確定子模塊確定的各初始參數(shù)對(duì)應(yīng)的梯度值確定初始的識(shí)別模型中各更新后的參數(shù)，獲取子模塊，被配置為用根據(jù)第九確定子模塊確定的各更新后的參數(shù)替換各初始參數(shù)獲取更新后的識(shí)別模型，第十確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值，第十一確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第一預(yù)設(shè)參數(shù)，實(shí)現(xiàn)了高效地獲取更新后的識(shí)別模型，以及，確定樣本的更新后的權(quán)重值，從而，提高了確定識(shí)別模型的效率，以及，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

圖7是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。本公開實(shí)施例在圖2所示實(shí)施例的基礎(chǔ)上，對(duì)第三確定模塊24的具體組成作一詳細(xì)說明。如圖7所示，本公開實(shí)施例中第三確定模塊24包括：

第八確定子模塊241，被配置為根據(jù)損失函數(shù)及隨機(jī)梯度下降方法確定初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值。

第九確定子模塊242，被配置為根據(jù)初始的識(shí)別模型中的各初始參數(shù)的學(xué)習(xí)力及第八確定子模塊241確定的各初始參數(shù)對(duì)應(yīng)的梯度值確定初始的識(shí)別模型中各更新后的參數(shù)。

獲取子模塊243，被配置為用根據(jù)第九確定子模塊242確定的各更新后的參數(shù)替換各初始參數(shù)獲取更新后的識(shí)別模型。

第十二確定子模塊246，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第二預(yù)設(shè)參數(shù)。

第十三確定子模塊247，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值除以第二預(yù)設(shè)參數(shù)。

本公開實(shí)施例提供的識(shí)別模型確定裝置，通過設(shè)置第三確定模塊包括：第八確定子模塊，被配置為根據(jù)損失函數(shù)及隨機(jī)梯度下降方法確定初始的識(shí)別模型中各初始參數(shù)對(duì)應(yīng)的梯度值，第九確定子模塊，被配置為根據(jù)初始的識(shí)別模型中的各初始參數(shù)的學(xué)習(xí)力及第八確定子模塊確定的各初始參數(shù)對(duì)應(yīng)的梯度值確定初始的識(shí)別模型中各更新后的參數(shù)，獲取子模塊，被配置為用根據(jù)第九確定子模塊確定的各更新后的參數(shù)替換各初始參數(shù)獲取更新后的識(shí)別模型，第十二確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值乘以第二預(yù)設(shè)參數(shù)，第十三確定子模塊，被配置為當(dāng)樣本的采用更新后的識(shí)別模型得到的識(shí)別結(jié)果與標(biāo)定結(jié)果不一致時(shí)，確定樣本的更新后的權(quán)重值為上一次確定的權(quán)重值除以第二預(yù)設(shè)參數(shù)，實(shí)現(xiàn)了高效地獲取更新后的識(shí)別模型，以及，確定樣本的更新后的權(quán)重值，從而，提高了確定識(shí)別模型的效率，以及，使得最終確定出的識(shí)別模型的識(shí)別準(zhǔn)確率也會(huì)更高。

以上描述了識(shí)別模型確定裝置的內(nèi)部功能和結(jié)構(gòu)，圖8是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。如圖8所示，該識(shí)別模型確定裝置可實(shí)現(xiàn)為：

處理器81；

用于存儲(chǔ)處理器81可執(zhí)行指令的存儲(chǔ)器82；

其中，處理器81被配置為：

將樣本集中的任意N個(gè)樣本均輸入初始的識(shí)別模型，獲取所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果；根據(jù)預(yù)先獲取的每個(gè)樣本的標(biāo)定結(jié)果及每個(gè)樣本的識(shí)別結(jié)果，確定每個(gè)樣本的權(quán)重值；根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、識(shí)別結(jié)果及權(quán)重值確定所述N個(gè)樣本的損失函數(shù)；根據(jù)所述損失函數(shù)及隨機(jī)梯度下降方法對(duì)所述初始的識(shí)別模型進(jìn)行更新，獲取更新后的識(shí)別模型，從所述樣本集中再次選擇任意N個(gè)樣本輸入所述更新后的識(shí)別模型，確定所述N個(gè)樣本中的每個(gè)樣本的識(shí)別結(jié)果，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的權(quán)重值確定其更新后的權(quán)重值，根據(jù)每個(gè)樣本的標(biāo)定結(jié)果、采用所述更新后的識(shí)別模型得到的識(shí)別結(jié)果及每個(gè)樣本的更新后的權(quán)重值確定更新后的損失函數(shù)，重復(fù)此步驟，直至更新后的損失函數(shù)收斂；采用收斂的損失函數(shù)確定最終的識(shí)別模型。

圖9是根據(jù)一示例性實(shí)施例示出的一種識(shí)別模型確定裝置的框圖。例如，識(shí)別模型確定裝置1900可以被提供為一服務(wù)器。參照圖9，裝置1900包括處理組件1922，其進(jìn)一步包括一個(gè)或多個(gè)處理器，以及由存儲(chǔ)器1932所代表的存儲(chǔ)器資源，用于存儲(chǔ)可由處理組件1922的執(zhí)行的指令，例如應(yīng)用程序。存儲(chǔ)器1932中存儲(chǔ)的應(yīng)用程序可以包括一個(gè)或一個(gè)以上的每一個(gè)對(duì)應(yīng)于一組指令的模塊。此外，處理組件1922被配置為執(zhí)行指令，以執(zhí)行上述識(shí)別模型確定方法。

裝置1900還可以包括一個(gè)電源組件1926被配置為執(zhí)行裝置1900的電源管理，一個(gè)有線或無線網(wǎng)絡(luò)接口1950被配置為將裝置1900連接到網(wǎng)絡(luò)，和一個(gè)輸入輸出(I/O)接口1958。裝置1900可以操作基于存儲(chǔ)在存儲(chǔ)器1932的操作系統(tǒng)，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，F(xiàn)reeBSDTM或類似。

一種非臨時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，當(dāng)所述存儲(chǔ)介質(zhì)中的指令由識(shí)別模型確定裝置的處理器執(zhí)行時(shí)，使得識(shí)別模型確定裝置能夠執(zhí)行上述識(shí)別模型確定方法。

本領(lǐng)域技術(shù)人員在考慮說明書及實(shí)踐這里公開的發(fā)明后，將容易想到本公開的其它實(shí)施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開的一般性原理并包括本公開未公開的本技術(shù)領(lǐng)域中的公知常識(shí)或慣用技術(shù)手段。說明書和實(shí)施例僅被視為示例性的，本公開的真正范圍和精神由下面的權(quán)利要求書指出。

應(yīng)當(dāng)理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本公開的范圍僅由所附的權(quán)利要求書來限制。