深度学习工作流验证与整合控制方法和系统

技术领域

本发明涉及数据处理的领域，尤其涉及深度学习工作流验证与整合控制方法和系统。

背景技术

深度学习涉及大量数据的学习处理，其对深度学习运算端的硬件性能提出较高的要求。为了保证深度学习任务的处理连贯性，深度学习任务通常都是在一个运算端来处理，这不仅增加运算端的工作量，还增大深度学习任务的运算耗时，不能在短时间内快速准确完成深度学习任务的处理。此外，为了保证深度学习任务的运算准确性，还需要对深度学习任务的运算结果进行验证，现有的运算结果验证是针对整个深度学习任务的整体运算结果来执行的，其并未对运算结果进行分块并行验证，无法提高验证的准确性和效率。

发明内容

本发明的目的在于提供深度学习工作流验证与整合控制方法和系统，其基于深度学习任务的待学习数据属性信息，将深度学习任务分为若干深度学习子任务，继而生成若干深度学习子任务集合，为后续进行深度学习任务的分块处理提供便利；还将深度学习子任务集合分配至深度学习网络内部处于空闲状态的下层节点，实现对深度学习子任务集合的并行处理得到相应的处理数据结果，提高深度学习任务的处理效率；还将处理数据结果转换成数据流后发送至深度学习网络内部的上层节点进行验证，再将所有有效处理数据结果整合为深度学习任务的最终处理数据结果，提高深度学习任务的运算准确性和可靠性。

本发明是通过以下技术方案实现：

深度学习工作流验证与整合控制方法，包括：

基于深度学习任务的待学习数据属性信息，将所述深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合；

获取深度学习网络的工作日志，对所述工作日志进行分析，得到所述深度学习网络的运算负荷状态信息；基于所述运算负荷状态信息，确定所述深度学习网络内部处于空闲状态的所有下层节点；

基于处于空闲状态的所有下层节点在所述深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取所述下层节点对相应深度学习子任务集合的处理数据结果；

将所述处理数据结果转换成数据流后发送至所述深度学习网络内部的上层节点进行验证，判断所述处理数据结果是否属于有效处理数据结果；对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果。

可选地，基于深度学习任务的待学习数据属性信息，将所述深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合，包括：

获取深度学习任务包含的所有待学习数据项的数据类型信息，基于所述数据类型信息，将所述深度学习任务分为若干深度学习子任务；其中，每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息；

基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合。

可选地，获取深度学习网络的工作日志，对所述工作日志进行分析，得到所述深度学习网络的运算负荷状态信息；基于所述运算负荷状态信息，确定所述深度学习网络内部处于空闲状态的所有下层节点，包括：

获取深度学习网络在预设时间区间生成的工作日志，对所述工作日志进行分析，得到所述深度学习网络下属所有下层节点各自的实时内存占用率；

将所述实时内存占用率与预设占用率阈值进行对比，若所述实时内存占率大于预设占用率阈值，则确定相应的下层节点处于繁忙状态；否则，确定相应的下层节点处于空闲状态。

可选地，基于处于空闲状态的所有下层节点在所述深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取所述下层节点对相应深度学习子任务集合的处理数据结果，包括：

获取处于空闲状态的所有下层节点在所述深度学习网络内部的网关位置地址信息，基于所述网关位置地址信息，确定任意两个处于空闲状态的下层节点之间的网络距离；基于所述网络距离，将处于空闲状态的若干下层节点确定为可用下层节点集群，再将相应深度学习子任务集合分配至所述可用下层节点集群，并获取所述可用下层节点集群对相应深度学习子任务集合的处理数据结果。

可选地，将所述处理数据结果转换成数据流后发送至所述深度学习网络内部的上层节点进行验证，判断所述处理数据结果是否属于有效处理数据结果；对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果，包括：

将所述处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至所述深度学习网络内部的上层节点进行可信度验证；将验证所述数据流得到的可信度与预设可信度阈值进行对比，若所述可信度大于预设可信度阈值，则判断所述处理数据结果属于有效处理数据结果；否则，判断所述处理数据结果不属于有效处理数据结果；

基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果。

深度学习工作流验证与整合控制系统，包括：

深度学习任务预处理模块，用于基于深度学习任务的待学习数据属性信息，将所述深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合；

下层节点筛选模块，用于获取深度学习网络的工作日志，对所述工作日志进行分析，得到所述深度学习网络的运算负荷状态信息；基于所述运算负荷状态信息，确定所述深度学习网络内部处于空闲状态的所有下层节点；

深度学习任务分配模块，用于基于处于空闲状态的所有下层节点在所述深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取所述下层节点对相应深度学习子任务集合的处理数据结果；

数据验证模块，用于将所述处理数据结果转换成数据流后发送至所述深度学习网络内部的上层节点进行验证，判断所述处理数据结果是否属于有效处理数据结果；

数据整合模块，用于对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果。

可选地，所述深度学习任务预处理模块用于基于深度学习任务的待学习数据属性信息，将所述深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合，包括：

获取深度学习任务包含的所有待学习数据项的数据类型信息，基于所述数据类型信息，将所述深度学习任务分为若干深度学习子任务；其中，每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息；

基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合。

可选地，所述下层节点筛选模块用于获取深度学习网络的工作日志，对所述工作日志进行分析，得到所述深度学习网络的运算负荷状态信息；基于所述运算负荷状态信息，确定所述深度学习网络内部处于空闲状态的所有下层节点，包括：

获取深度学习网络在预设时间区间生成的工作日志，对所述工作日志进行分析，得到所述深度学习网络下属所有下层节点各自的实时内存占用率；

将所述实时内存占用率与预设占用率阈值进行对比，若所述实时内存占率大于预设占用率阈值，则确定相应的下层节点处于繁忙状态；否则，确定相应的下层节点处于空闲状态。

可选地，所述深度学习任务分配模块用于基于处于空闲状态的所有下层节点在所述深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取所述下层节点对相应深度学习子任务集合的处理数据结果，包括：

获取处于空闲状态的所有下层节点在所述深度学习网络内部的网关位置地址信息，基于所述网关位置地址信息，确定任意两个处于空闲状态的下层节点之间的网络距离；基于所述网络距离，将处于空闲状态的若干下层节点确定为可用下层节点集群，再将相应深度学习子任务集合分配至所述可用下层节点集群，并获取所述可用下层节点集群对相应深度学习子任务集合的处理数据结果。

可选地，所述数据验证模块用于将所述处理数据结果转换成数据流后发送至所述深度学习网络内部的上层节点进行验证，判断所述处理数据结果是否属于有效处理数据结果，包括：

将所述处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至所述深度学习网络内部的上层节点进行可信度验证；将验证所述数据流得到的可信度与预设可信度阈值进行对比，若所述可信度大于预设可信度阈值，则判断所述处理数据结果属于有效处理数据结果；否则，判断所述处理数据结果不属于有效处理数据结果；

所述数据整合模块用于对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果，包括：

基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到所述深度学习任务的最终处理数据结果。

与现有技术相比，本发明具有如下有益效果：

本申请提供的深度学习工作流验证与整合控制方法和系统基于深度学习任务的待学习数据属性信息，将深度学习任务分为若干深度学习子任务，继而生成若干深度学习子任务集合，为后续进行深度学习任务的分块处理提供便利；还将深度学习子任务集合分配至深度学习网络内部处于空闲状态的下层节点，实现对深度学习子任务集合的并行处理得到相应的处理数据结果，提高深度学习任务的处理效率；还将处理数据结果转换成数据流后发送至深度学习网络内部的上层节点进行验证，再将所有有效处理数据结果整合为深度学习任务的最终处理数据结果，提高深度学习任务的运算准确性和可靠性。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1为本发明提供的深度学习工作流验证与整合控制方法的流程示意图。

图2为本发明提供的深度学习工作流验证与整合控制系统的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

本申请中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1所示，本申请一实施例提供的深度学习工作流验证与整合控制方法包括：

基于深度学习任务的待学习数据属性信息，将该深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合；

获取深度学习网络的工作日志，对该工作日志进行分析，得到该深度学习网络的运算负荷状态信息；基于该运算负荷状态信息，确定该深度学习网络内部处于空闲状态的所有下层节点；

基于处于空闲状态的所有下层节点在该深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取该下层节点对相应深度学习子任务集合的处理数据结果；

将该处理数据结果转换成数据流后发送至该深度学习网络内部的上层节点进行验证，判断该处理数据结果是否属于有效处理数据结果；对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果。

上述实施例的有益效果，该深度学习工作流验证与整合控制方法基于深度学习任务的待学习数据属性信息，将深度学习任务分为若干深度学习子任务，继而生成若干深度学习子任务集合，为后续进行深度学习任务的分块处理提供便利；还将深度学习子任务集合分配至深度学习网络内部处于空闲状态的下层节点，实现对深度学习子任务集合的并行处理得到相应的处理数据结果，提高深度学习任务的处理效率；还将处理数据结果转换成数据流后发送至深度学习网络内部的上层节点进行验证，再将所有有效处理数据结果整合为深度学习任务的最终处理数据结果，提高深度学习任务的运算准确性和可靠性。

在另一实施例中，基于深度学习任务的待学习数据属性信息，将该深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合，包括：

获取深度学习任务包含的所有待学习数据项的数据类型信息，基于该数据类型信息，将该深度学习任务分为若干深度学习子任务；其中，每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息；

基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合。

上述实施例的有益效果，对深度学习任务包含的所有待学习数据项进行数据类型识别，确定每个待学习数据项的数据类型信息，以此将深度学习任务分为若干深度学习子任务，保证每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息，这样能够减少对同一深度学习子任务的待学习数据处理工作量。此外，还基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合，保证每个深度学习子任务集合的数据关联性。

在另一实施例中，获取深度学习网络的工作日志，对该工作日志进行分析，得到该深度学习网络的运算负荷状态信息；基于该运算负荷状态信息，确定该深度学习网络内部处于空闲状态的所有下层节点，包括：

获取深度学习网络在预设时间区间生成的工作日志，对该工作日志进行分析，得到该深度学习网络下属所有下层节点各自的实时内存占用率；

将该实时内存占用率与预设占用率阈值进行对比，若该实时内存占率大于预设占用率阈值，则确定相应的下层节点处于繁忙状态；否则，确定相应的下层节点处于空闲状态。

上述实施例的有益效果，获取深度学习网络在预设时间区间生成的工作日志，对该工作日志进行分析，得到该深度学习网络下属所有下层节点各自的实时内存占用率，再对该实数内存占用率进行阈值对比，准确确定下层节点处于繁忙状态还是空闲状态，保证后续能够将深度学习子任务集合准确分配至处于空闲状态的下层节点，确保对深度学习子任务集合的处理效率。

在另一实施例中，基于处于空闲状态的所有下层节点在该深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取该下层节点对相应深度学习子任务集合的处理数据结果，包括：

获取处于空闲状态的所有下层节点在该深度学习网络内部的网关位置地址信息，基于该网关位置地址信息，确定任意两个处于空闲状态的下层节点之间的网络距离；基于该网络距离，将处于空闲状态的若干下层节点确定为可用下层节点集群，再将相应深度学习子任务集合分配至该可用下层节点集群，并获取该可用下层节点集群对相应深度学习子任务集合的处理数据结果。

上述实施例的有益效果，获取处于空闲状态的所有下层节点在该深度学习网络内部的网关位置地址信息，以此确定任意两个处于空闲状态的下层节点之间的网络距离，这样将网络距离小于预设网络距离阈值的所有下层节点划分到可用下层节点集群，保证能够在深度学习网络内部利用关联性较高的若干下层节点共同处理深度学习子任务集合，提高深度学习子任务集合的处理效率。

在另一实施例中，将该处理数据结果转换成数据流后发送至该深度学习网络内部的上层节点进行验证，判断该处理数据结果是否属于有效处理数据结果；对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果，包括：

将该处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至该深度学习网络内部的上层节点进行可信度验证；将验证该数据流得到的可信度与预设可信度阈值进行对比，若该可信度大于预设可信度阈值，则判断该处理数据结果属于有效处理数据结果；否则，判断该处理数据结果不属于有效处理数据结果；

基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果。

上述实施例的有益效果，将该处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至该深度学习网络内部的上层节点进行可信度验证，从而对处理数据结果的正确性进行检验。将验证该数据流得到的可信度与预设可信度阈值进行对比，若该可信度大于预设可信度阈值，则判断该处理数据结果属于有效处理数据结果；否则，判断该处理数据结果不属于有效处理数据结果，此时重新对相应的深度学习子任务集合进行处理，直到其对应的处理数据结果为有效处理数据结果为止。还有，基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果，从而保证深度学习任务的处理结果完整性。

请参阅图2所示，本申请一实施例提供的深度学习工作流验证与整合控制系统包括：

深度学习任务预处理模块，用于基于深度学习任务的待学习数据属性信息，将该深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合；

下层节点筛选模块，用于获取深度学习网络的工作日志，对该工作日志进行分析，得到该深度学习网络的运算负荷状态信息；基于该运算负荷状态信息，确定该深度学习网络内部处于空闲状态的所有下层节点；

深度学习任务分配模块，用于基于处于空闲状态的所有下层节点在该深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取该下层节点对相应深度学习子任务集合的处理数据结果；

数据验证模块，用于将该处理数据结果转换成数据流后发送至该深度学习网络内部的上层节点进行验证，判断该处理数据结果是否属于有效处理数据结果；

数据整合模块，用于对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果。

上述实施例的有益效果，该深度学习工作流验证与整合控制系统基于深度学习任务的待学习数据属性信息，将深度学习任务分为若干深度学习子任务，继而生成若干深度学习子任务集合，为后续进行深度学习任务的分块处理提供便利；还将深度学习子任务集合分配至深度学习网络内部处于空闲状态的下层节点，实现对深度学习子任务集合的并行处理得到相应的处理数据结果，提高深度学习任务的处理效率；还将处理数据结果转换成数据流后发送至深度学习网络内部的上层节点进行验证，再将所有有效处理数据结果整合为深度学习任务的最终处理数据结果，提高深度学习任务的运算准确性和可靠性。

在另一实施例中，该深度学习任务预处理模块用于基于深度学习任务的待学习数据属性信息，将该深度学习任务分为若干深度学习子任务；再基于所有深度学习子任务的待学习数据关联属性信息，生成若干深度学习子任务集合，包括：

获取深度学习任务包含的所有待学习数据项的数据类型信息，基于该数据类型信息，将该深度学习任务分为若干深度学习子任务；其中，每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息；

基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合。

上述实施例的有益效果，对深度学习任务包含的所有待学习数据项进行数据类型识别，确定每个待学习数据项的数据类型信息，以此将深度学习任务分为若干深度学习子任务，保证每个深度学习子任务下属的所有待学习数据项具有相同的数据类型信息，这样能够减少对同一深度学习子任务的待学习数据处理工作量。此外，还基于所有深度学习子任务下属的待学习数据项的数据运算逻辑关系信息，将在数据运算层面上具有关联性的若干深度学习子任务整合为深度学习子任务集合，保证每个深度学习子任务集合的数据关联性。

在另一实施例中，该下层节点筛选模块用于获取深度学习网络的工作日志，对该工作日志进行分析，得到该深度学习网络的运算负荷状态信息；基于该运算负荷状态信息，确定该深度学习网络内部处于空闲状态的所有下层节点，包括：

获取深度学习网络在预设时间区间生成的工作日志，对该工作日志进行分析，得到该深度学习网络下属所有下层节点各自的实时内存占用率；

将该实时内存占用率与预设占用率阈值进行对比，若该实时内存占率大于预设占用率阈值，则确定相应的下层节点处于繁忙状态；否则，确定相应的下层节点处于空闲状态。

上述实施例的有益效果，获取深度学习网络在预设时间区间生成的工作日志，对该工作日志进行分析，得到该深度学习网络下属所有下层节点各自的实时内存占用率，再对该实数内存占用率进行阈值对比，准确确定下层节点处于繁忙状态还是空闲状态，保证后续能够将深度学习子任务集合准确分配至处于空闲状态的下层节点，确保对深度学习子任务集合的处理效率。

在另一实施例中，该深度学习任务分配模块用于基于处于空闲状态的所有下层节点在该深度学习网络内部的位置信息，将相应深度学习子任务集合分配至相应的下层节点，以此获取该下层节点对相应深度学习子任务集合的处理数据结果，包括：

获取处于空闲状态的所有下层节点在该深度学习网络内部的网关位置地址信息，基于该网关位置地址信息，确定任意两个处于空闲状态的下层节点之间的网络距离；基于该网络距离，将处于空闲状态的若干下层节点确定为可用下层节点集群，再将相应深度学习子任务集合分配至该可用下层节点集群，并获取该可用下层节点集群对相应深度学习子任务集合的处理数据结果。

上述实施例的有益效果，获取处于空闲状态的所有下层节点在该深度学习网络内部的网关位置地址信息，以此确定任意两个处于空闲状态的下层节点之间的网络距离，这样将网络距离小于预设网络距离阈值的所有下层节点划分到可用下层节点集群，保证能够在深度学习网络内部利用关联性较高的若干下层节点共同处理深度学习子任务集合，提高深度学习子任务集合的处理效率。

在另一实施例中，该数据验证模块用于将该处理数据结果转换成数据流后发送至该深度学习网络内部的上层节点进行验证，判断该处理数据结果是否属于有效处理数据结果，包括：

将该处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至该深度学习网络内部的上层节点进行可信度验证；将验证该数据流得到的可信度与预设可信度阈值进行对比，若该可信度大于预设可信度阈值，则判断该处理数据结果属于有效处理数据结果；否则，判断该处理数据结果不属于有效处理数据结果；

该数据整合模块用于对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果，包括：

基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果。

上述实施例的有益效果，将该处理数据结果划分为若干数据包，并将所有数据包转换成数据流，以此发送至该深度学习网络内部的上层节点进行可信度验证，从而对处理数据结果的正确性进行检验。将验证该数据流得到的可信度与预设可信度阈值进行对比，若该可信度大于预设可信度阈值，则判断该处理数据结果属于有效处理数据结果；否则，判断该处理数据结果不属于有效处理数据结果，此时重新对相应的深度学习子任务集合进行处理，直到其对应的处理数据结果为有效处理数据结果为止。还有，基于所有有效处理数据结果的数据逻辑关系，对所有有效处理数据结果进行整合还原，得到该深度学习任务的最终处理数据结果，从而保证深度学习任务的处理结果完整性。

总体而言，该深度学习工作流验证与整合控制方法和系统基于深度学习任务的待学习数据属性信息，将深度学习任务分为若干深度学习子任务，继而生成若干深度学习子任务集合，为后续进行深度学习任务的分块处理提供便利；还将深度学习子任务集合分配至深度学习网络内部处于空闲状态的下层节点，实现对深度学习子任务集合的并行处理得到相应的处理数据结果，提高深度学习任务的处理效率；还将处理数据结果转换成数据流后发送至深度学习网络内部的上层节点进行验证，再将所有有效处理数据结果整合为深度学习任务的最终处理数据结果，提高深度学习任务的运算准确性和可靠性。

上述仅为本发明的一个具体实施方式，其它基于本发明构思的前提下做出的任何改进都视为本发明的保护范围。