一种跨域的模型训练方法、装置以及设备与流程

计算;推算;计数设备的制造及其应用技术1.本说明书涉及互联网技术领域，尤其涉及一种跨域的模型训练方法、装置以及设备。背景技术：2.在风险控制领域中，训练得到的风控模型在部署时会遇到多种表征差异迥异的场景，这就会遇到一种场景下比较成熟的模型，对未知的新场景部署时会出现不适配的情况。即训练得到的模型对于跨域的攻击不能很好的进行分类，跨域鲁棒性不强。3.基于此，需要一种更加稳定的跨域的模型训练方案。技术实现要素：4.本说明书实施例提供一种跨域的模型训练方法、装置、设备以及存储介质，用以解决如下技术问题：需要一种更加稳定的跨域的模型训练方案。5.为解决上述技术问题，本说明书一个或多个实施例是这样实现的：6.在第一方面，本说明书实施例提供一种跨域的模型训练方法，包括：获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n为大于1的自然数；提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同；根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支；分别确定所述多个分支的损失值，融合多个损失值确定目标损失值；根据所述目标损失训练生成目标模型。7.在第二方面，本说明书实施例提供一种跨域的模型训练装置，包括：获取模块，获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n为大于1的自然数；生成模块，提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同；分类模块，根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支；损失计算模块，分别确定所述多个分支的损失值，融合多个损失值确定目标损失值；训练模块，根据所述目标损失训练生成目标模型。8.在第三方面，本说明书实施例提供一种电子设备，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如第一方面所述的方法。12.在第四方面，本说明书实施例提供一种非易失性计算机存储介质存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。13.本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n为大于1的自然数；提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同；根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支；分别确定所述多个分支的损失值，融合多个损失值确定目标损失值；根据所述目标损失训练生成目标模型。通过结合来自不同域的训练样本进行多个分支的对抗性分类，实现在无需未知场景的数据时的模型训练，生成可适应于多场景的目标模型，提高了模型训练中的跨域鲁棒性，更为稳定。附图说明14.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。15.图1为本说明书实施例所提供的一种跨域的模型训练方法的流程示意图；16.图2为本说明书实施例所提供的一种模型的目标损失值的计算示意图；17.图3为本说明书实施例所提供的一种活体攻击检测模型的分类框架示意图；18.图4为本说明书实施例所提供的一种跨域的模型训练装置的结构示意图；19.图5为本说明书实施例所提供的一种电子设备的结构示意图。具体实施方式20.本说明书实施例提供一种跨域的模型训练方法、装置、设备以及存储介质。21.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。22.在第一方面，如图1所示，图1为本说明书实施例所提供的一种跨域的模型训练方法的流程示意图，可以包括以下步骤：23.s101：获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n为大于1 的自然数。24.在本说明书实施例中，不同的域即为包括不同的训练样本的集合。同一个数据集里的样本，其来源一般是相同。25.在不同的应用场景，训练样本的所涉及的n个域可能会有所不同。例如，当模型为面部识别的模型是，涉及到的域可以是来自商场的面部支付场景下第一数据集，或者，可以是来自于移动设备支付时所产生的第二数据集，或者，可以是用户在工作地点刷脸考勤时所产生的第三数据集等等。26.又例如，当模型为识别农作物的疾病模型时，涉及到的域可以是来自于卫星所收集的卫星图像的集合，或者，可以是来自于实拍的带有农作物疾病的病理图像，或者，还可以诸如基于放射光线(包括诸如紫外或者红外射线)所得到的放射学图像等等。27.在本说明书一个或多个实施例中，每一个训练样本中包括第一标签和第二标签，所述第一标签用于表征正负样本，所述第二标签即为域标签，用于表征训练样本所属的数据集。当存在n个域时，显然，在训练样本中将会存在n个不同的域标签。28.例如，对于一个应用于人脸识别的活体攻击检测模型而言，其训练样本所包含的标签可能是诸如(活体样本，训练集合1)、(活体样本，训练集合2)、(攻击样本，训练集合2) 等形式。29.s103，提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同。30.由于训练样本来自不同的域，因此，可以来用预设的特征提取模块来获取训练样本的样本特征。在实际应用中，可以对不同域的训练样本采用不同的特征提取方式，也可以采用同一个特征提取模块来提取得到各训练样本的样本特征。31.例如，当训练样本是图像时，可以采用一个或者多个卷积核去扫描这张图，通过卷积核来来提取原图特征。以及，还可以通过池化层(包括一般池化，重叠池化或者金字塔池化等等)来降低提取得到的特征的维度，提升模型的稳定性等等。32.进而，基于所述提取得到的特征采用一个或者全连接层，并使用逻辑回归生成训练样本，从而可以使用分类器来对训练样本进行分类，即确定该预测样本是正样本还是负样本 (显然，预测样本并不一定是正确的，其与输入的训练样本总是存在一些差异)，预测样本和训练样本样本之间的差异即用于确定损失值。33.此外，需要说明的是，在本说明书实施例中，无论是提取特征的过程还是生成预测样本的过程，域标签不会受到影响，即对于一个训练样本而言，其域标签与输入模型时的训练样本的域标签相同。34.s105，根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支。35.如前所述，已经确定了预测样本是正样本还是负样本，并且预测样本也同时具有域标签，此时，在本说明书实施例对预测样本进行分类时，将采用多个并列的分支进行同时分类。包括一个不依赖域标签的主分支，以及，还包括至少一个依赖于域标签的子分支对训练样本进行同步的分类。36.换言之，在本说明书实施例中，对于一个预测样本而言，在每一个分支中都会被分类一次，并且，在各分支中的分类相互独立。37.其中，主分支的目的是将输出的预测样本划分成两类。例如，对于人脸识别中活体攻击风险模型而言，主分支即为将输出的预测样本划分成活体样本或者攻击样本，即主分支在分类时不依赖于域标签；而对于疾病检测模型而言，主分支即为将输出的预测样本划分成健康样本或者不健康样本。38.而子分支则可以基于实际应用的需要进行不同域上的划分。例如，子分支可以是将输出的预测样本基于域标签划分为与所述n个域对应的n个负样本类别，或者，可以是将输出的预测样本基于域标签划分为与所述n个域对应的正个负样本类别。39.或者，还可以是将预先指定的域标签的负样本或者正样本划分为一个类别。例如，子分支可以是将第二数据集或者第三数据集中的负样本划分至一个类别。40.需要说明的是，在这个过程中，所述的负样本或者正样本指的是对已经进行了分类的预测样本而言。41.s107，分别确定所述多个分支的损失值，融合多个损失值确定目标损失值。42.在本说明书实施例中，对于每一个分支(包括主分支和子分支)而言，由于实际上是互相独立的多个分类方式，因此，对于每一个分类也会产生相应的损失值，从而，可以分别确定所述多个分支的损失值，并融合多个损失值确定目标损失值。如图2所示，图2为本说明书实施例所提供的一种模型的目标损失值的计算示意图。43.s109，根据所述目标损失训练生成目标模型。44.目标损失值即表征了模型在训练过程中所得到的预测样本和训练样本的差异。从而可以基于目标损失值进行诸如正向传播或者反向传播来训练模型中的参数(例如，训练卷积核中的参数等等)。当达到一定的收敛条件(例如，收敛条件可以是：目标损失值小于预定义的阈值，或者，在每个分支中的预测准确率均达到一定预设值时)，即认为模型训练成功，此时的模型即为目标模型。45.本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n为大于1的自然数；提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同；根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支；分别确定所述多个分支的损失值，融合多个损失值确定目标损失值；根据所述目标损失训练生成目标模型。通过结合来自不同域的训练样本进行多个分支的对抗性分类，实现在无需未知场景的数据时的模型训练，生成可适应于多场景的目标模型，提高了模型训练中的跨域鲁棒性，更为稳定。46.在一种实施例中，在计算多个分支的损失值时，可以采用相同的损失函数来计算。例如，均采用交叉熵损失函数(crossentropy loss)来计算每个分支相对于训练样本的损失值。通过采用相同的损失函数来计算各计算各分支的损失值，可以直观的显示模型在各分支上的实际上的相对分类效果，便于后续的调整。47.在一种实施例中，在计算目标损失值时，可以获取所述多个分支的损失函数权重分布，根据所述损失函数权重分布融合所述多个损失值确定目标损失值。例如，基于损失函数权重分布，对各分支的损失值进行加权求和而得到目标损失值，损失函数权重分布可以基于实际经验预先确定，通过该方式，可以基于实际经验调整各分支的权重分布，从而加速模型的训练。48.在一种实施例中，子分支可以为包含多个类别的第一子分支，所述多个类别包括：与所述n个域对应的n个负样本类别，和，一个正样本类别。例如，假设在训练样本中存在 3个域，分别为domain1、domain2和domain3，则第一子分支中包含的类别即包括如下四个类别：domain1中的负样本类别、domain2中的负样本类别、domain3中的负样本类别和正样本类别。49.换言之，在第一子分支的分类方式下，当一个训练样本被确定为负样本时，其就可以根据其域标签划分至对应的负样本类别中，进而通过损失函数进行反馈。通过该方式，可以加强模型在跨域训练过程中对于各域中的负样本的区分度，提高模型的适应性。50.在一种实施例中，子分支可以为包含多个类别的第二子分支，所述多个类别包括：与所述n个域对应的n个正样本类别。例如，假设在训练样本中存在3个域，分别为domain1、 domain2和domain3，则第二子分支中包含的类别即包括如下三个类别：domain1中的正样本类别、domain2中的正样本类别和domain3中的正样本类别。51.换言之，在第二子分支的分类方式下，当一个训练样本被确定为正样本时，其就可以根据其域标签划分至对应的正样本类别中，进而通过损失函数进行反馈。而当一个训练样本被确定为负样本时，在该分类方式下将会被忽略，不进行任何的分类。通过该方式，可以加强模型在跨域训练过程中对于各域中的正样本的区分度，提高模型的适应性。52.在训练得到目标模型之后，所述方法还包括：获取待识别数据，根据所述目标模型确定所述待识别数据为正样本或者负样本。在这个过程中，目标模型不再需要子分支中的分类，仅需要通过主分支对待识别数据进行二分类即可。通过前述方式训练得到的模型，可以广泛的应用于各类场景下。53.为使前述方案更为清晰，本说明书实施例还提供一种具体的应用场景中的实施方式。如图3所示，图3为本说明书实施例所提供的一种活体攻击检测模型的分类框架示意图。活体攻击检测模型用于判断用户刷脸过程中的脸部图像是真人还是攻击，攻击类型主要包括如照片、手机、屏幕、面具等攻击的技术。54.在该场景中，训练样本包括正常人脸样本(或者称为活体样本或者正样本)和异常人脸样本(或者称为攻击样本或者负样本)。在该示意图中，每个训练样本在区分为活体样本或者攻击样本时，还会携带有域标签。55.再改示意图中，d1、d2和d3分别代表了三个域，s1至s12代表12个不同的训练样本。通过特征提取并分类，从而得到了如图3中所示的三个分支：主分支为不依赖于域标签的标准活体攻击检测分类分支；第一子分支中将来自不同域的活体数据视为一个类别(即一个正样本类别)，而来自不同域的攻击数据为不同类别(即与所述三个域对应的三个负样本类别)；第二分支中仅对活体类数据进行约束，将来自不同域的活体数据为不同类别(即与所述三个域对应的三个正样本类别)。56.进而，通过计算各分支中的损失值并融合得到目标损失值，从而实现端到端的跨域训练。主分支的目的是将训练样本划分成活体类和攻击类，而第一子分支或者第二子分支的目的是在活体类中划分不同的域，因此在端到端的学习过程中不同的分支便相对于主分支构建起了对抗学习，助于模型收敛到更鲁棒的全局最优点，从而提高模型在未知场景中的跨域鲁棒性。57.基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置和设备，如图4、图5所示。58.在第二方面，如图4所示，图4为本说明书实施例提供的一种跨域的模型训练装置的结构示意图，所述装置包括：59.获取模块401，获取包括n个域的训练样本，其中，所述训练样本中包含域标签，n 为大于1的自然数；60.生成模块403，提取所述训练样本的样本特征，根据所述样本特征生成预测样本，其中，所述预测样本与所述训练样本的域标签相同；61.分类模块405，根据所述域标签对所述预测样本进行分类，生成多个分支，其中，所述多个分支包括不包含域标签的主分支，和，包含所述域标签的至少一个子分支；62.损失计算模块407，分别确定所述多个分支的损失值，融合多个损失值确定目标损失值；63.训练模块409，根据所述目标损失训练生成目标模型。64.可选地，所述损失计算模块407，在所述多个分支中采用相同的损失函数确定所述多个分支的损失值。65.可选地，所述损失计算模块407，获取所述多个分支的损失函数权重分布，根据所述损失函数权重分布融合所述多个损失值确定目标损失值。66.可选地，所述子分支为包含多个类别的第一子分支，所述多个类别包括：与所述n个域对应的n个负样本类别，和，一个正样本类别。67.可选地，所述子分支为包含多个类别的第二子分支，所述多个类别包括：与所述n个域对应的n个正样本类别。68.可选地，还包括识别模块411，获取待识别数据，根据所述目标模型确定所述待识别数据为正样本或者负样本。69.可选地，所述训练样本包括正常人脸样本和异常人脸样本，相应的，所述待识别数据包括待识别的面部数据。70.在第三方面，如图5所示，图5为本说明书实施例提供的一种电子设备的结构示意图，所述设备包括：71.至少一个处理器；以及，72.与所述至少一个处理器通信连接的存储器；其中，73.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如第一方面所述的方法。74.在第四方面，基于同样的思路，本说明书实施例还提供了对应于上述方法的一种非易失性计算机存储介质，存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。75.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 gatearray，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 hardwaredescription language)、lava、lola、myhdl、palasm、rhdl(ruby hardware descriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardwaredescription 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。76.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：arc625d、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。77.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。78.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。79.本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。80.本说明书是参照根据本说明书实施例的方法、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。81.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。82.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。83.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。84.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。85.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。86.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。87.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。88.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，对于装置、设备、非易失性计算机存储介质实施例而言，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。89.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。90.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!