一种调整模型参数的装置、方法及智能车辆

技术领域

本申请涉及软件技术领域，尤其涉及一种调整模型参数的装置、方法及智能车辆。

背景技术

当前，随着自动驾驶技术的不断发展，各种自动驾驶系统也应运而生，现有的智能驾驶系统主要是基于规则实现，该系统将自动驾驶任务分解为一系列独立的模块，即：感知模块、定位模块、建图模块、路径规划模块和控制模块，每个模块都由专门设计的算法和规则进行控制，实现对自动驾驶车辆的控制和决策。

上述的方案可以精确的控制各个模块的性能和可靠性，并且灵活度也较高。但是需要感知、定位、建图等上游模块的输出精度高，并且面对复杂交通场景需要庞大的规则库来支撑。

为了解决上述的问题，目前已经开始研究基于神经网络的端到端方案，也就是使用自动学习负责的特征和决策规律，减少手动设计规划和算法的工作量，通过增加训练数据和网络深度提升自动驾驶系统的性能和泛化能力。

由于端到端的深度学习只能对最终输出结果进行监督训练，神经网络中间层输出不可控，这样就导致自动驾驶系统的可靠性以及安全性都较低。

发明内容

本发申请提供了一种调整模型参数的装置、方法及智能车辆，用以提升自动驾驶系统输出的规划路径的可靠性以及安全性。

第一方面，本申请提供了一种调整模型参数的装置，包括处理器和存储器，所述存储器用于存储所述处理器可执行的程序，所述处理器用于读取所述存储器中的程序并执行如下步骤：

将获取到的导航数据以及历史轨迹数据输入指定网络模型，得到设定距离内的M条预测规划行驶路径，其中，所述设定距离为车辆行驶方向的前方设定距离；

调取出所述设定距离内的实际行驶路径，并在所述M条预测规划行驶路径中确定出目标规划行驶路径；

根据所述实际行驶路径与所述目标规划行驶路径，得到路径规划损失值；

基于所述路径规划损失值以及各个参考损失值调整所述指定网络模型的模型参数，其中，所述各个参考损失值基于图像采集设备采集到的图像得到。

通过该装置能够对端到端输出路径规划的网络模型进行实时调整，从而可以提升自动驾驶系统的运行效率以及泛化能力，进而提升了自动驾驶系统的可靠性以及安全性。

在一种可选的实施例中，所述处理器具体被配置为执行：

根据采集到的当前帧图像，得到当前鸟瞰视图BEV特征；

将所述当前BEV特征与历史BEV特征进行融合，得到融合BEV特征；

将所述融合BEV特征输入到所述环境状态网络模型，得到地图估计结果、运动障碍物估计结果以及信号灯估计结果；

将所述地图估计结果、所述运动障碍物估计结果、信号灯估计结果以及所述融合BEV特征输入所述指定网络模型，得到设定距离内的所述M条预测规划行驶路径。

通过上述的方式，能够通过融合BEV特征准确的计算出预测规划行驶路径。

在一种可选的实施例中，所述处理器具体被配置为执行：

调取实际地图结果、实际运动障碍物结果以及实际信号灯结果；

分别计算出所述地图估计结果与所述实际地图结果的第一损失值，所述运动障碍物估计结果与所述实际运动障碍物结果的第二损失值，所述信号灯估计结果与所述实际信号灯结果的第三损失值；

基于所述路径规划损失值、第一损失值、第二损失值、第三损失值调整所述指定网络模型以及所述环境状态网络模型。

通过上述的方式，能够通过各个损失值队环境状态网络模型中的各个模块的参数进行及时调整，从而保证了各个模块的输出结果的准确性。

在一种可选的实施例中，所述处理器具体被配置为执行：

根据所述路径规划损失值以及所述第三损失值，调整所述环境状态网络模型中的动态障碍物预测子模型；

根据所述路径规划损失值、所述第二损失值以及所述第三损失值，调整所述环境状态网络模型中的信号灯预测子模型；

根据所述路径规划损失值、所述第一损失值、所述第二损失值以及所述第三损失值调整所述环境状态网络中的地图预测子模型。

在一种可选的实施例中，所述处理器具体被配置为执行：

根据所述目标规划行驶路径，得到环境交互损失值；

根据所述目标规划行驶路径以及其他车辆的行驶路径，得到动态交互损失值；

根据所述目标规划行驶路径与历史行驶路径之间的差异，得到舒适性损失值；

根据所述路径规划损失值、所述环境交互损失值、所述动态交互损失值、所述舒适性损失值调整所述指定网络模型。

在获取到上述的环境交互损失值、动态交互损失值、舒适性损失值之后，将这些损失值一并用于对路径规划网络模型的参数调整，从而保证路径规划网络模型最终的输出结果更加的接近车辆的实际行驶路径，进而提升了路径规划的准确性。

在一种可选的实施例中，所述处理器具体被配置为执行：

计算所述M条预测规划行驶路径中每条预测规划行驶路径与所述实际行驶路径之间差异值，得到M个路径差异值；

在所述M个路径差异值中将最小路径差异值对应的预测规划行驶路径作为所述目标规划行驶路径。

第二方面，本申请提供了一种调整模型参数的方法，所述方法包括：

将获取到的导航数据以及历史轨迹数据输入指定网络模型，得到设定距离内的M条预测规划行驶路径，其中，所述设定距离为车辆行驶方向的前方设定距离；

调取出所述设定距离内的实际行驶路径，并在所述M条预测规划行驶路径中确定出目标规划行驶路径；

根据所述实际行驶路径与所述目标规划行驶路径，得到路径规划损失值；

基于所述路径规划损失值以及各个参考损失值调整所述指定网络模型的模型参数，其中，所述各个参考损失值基于图像采集设备采集到的图像得到。

在一种可选的实施例中，在所述M条预测规划行驶路径中确定出目标规划行驶路径，包括：

计算所述M条预测规划行驶路径中每条预测规划行驶路径与所述实际行驶路径之间差异值，得到M个路径差异值；

在所述M个路径差异值中将最小差异值对应的预测规划行驶路径作为所述目标规划行驶路径。

第三方面，本申请提供了一种智能车辆，所述智能车辆包括上述的调整模型参数的装置。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述的调整模型参数方法。

附图说明

图1为本申请提供的一种调整模型参数的装置结构示意图；

图2为本申请提供的环境状态网络模型的结构示意图；

图3为本申请提供的指定网络模型的输出示意图；

图4为本申请提供的对各个网络模块导入损失值的示意图；

图5为本申请提供的奖励模型的示意图；

图6为本申请提供的一种调整模型参数的方法流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

当前，随着自动驾驶技术的不断发展，各种自动驾驶系统也应运而生，现有的智能驾驶系统主要是基于规则实现，该系统将自动驾驶任务分解为一系列独立的模块，即：感知模块、定位模块、建图模块、路径规划模块和控制模块，每个模块都由专门设计的算法和规则进行控制，实现对自动驾驶车辆的控制和决策。

上述的方案可以精确的控制各个模块的性能和可靠性，并且灵活度也较高。但是需要感知、定位、建图等上游模块的输出精度高，并且面对复杂交通场景需要庞大的规则库来支撑。

目前已经开始研究基于神经网络的端到端方案，也就是使用自动学习负责的特征和决策规律，减少手动设计规划和算法的工作量，通过增加训练数据和网络深度提升自动驾驶系统的性能和泛化能力。由于端到端的深度学习只能对最终输出结果进行监督训练，神经网络中间层输出不可控，这样就导致自动驾驶系统的可靠性以及安全性都较低。

为了解决当前自动驾驶系统的可靠性以及安全性的问题，本申请提供了一种调整模型参数的装置，在该装置中首先将获取到的导航数据以及历史轨迹数据输入指定网络模型，得到的设定距离内的M条预测规划行驶路径，调取出设定距离内的实际行驶路径，并在M条预测规划行驶路径中确定出目标规划行驶路径，根据实际行驶路径与目标规划行驶路径，得到路径规划损失值，最后基于路径规划损失值以及各个参考损失值调整指定网络模型的模型参数。通过该装置能够对端到端输出路径规划的网络模型进行实时调整，从而可以提升自动驾驶系统的运行效率以及泛化能力，进而提升了自动驾驶系统的可靠性以及安全性。

参照图1所示为本申请实施例提供的一种调整模型参数的装置结构示意图，该装置包括处理器10以及存储器11，存储器11用于存储处理器10可执行程序，处理器10用于读取存储器11中的程序并执行如下步骤：

将获取到的导航数据以及历史轨迹数据输入指定网络模型，得到设定距离内的M条预测规划行驶路径；

调取出设定距离内的实际行驶路径，并在M条预测规划行驶路径中确定出目标规划行驶路径；

根据实际行驶路径与所述目标规划行驶路径，得到路径规划损失值；

基于路径规划损失值以及各个参考损失值调整指定网络模型的模型参数。

具体来讲，在本申请实施例中，在将导航数据以及历史轨迹数据输入到指定网络模型之前，通过摄像头采集车辆不同视角下的图像，该不同视角包括但不限于前视、后视、左前、左后、右前、右后，在获取到不同视角下的图像之后，将不同视角下的图像提取出图像特征，并将图像特征通过BEV编码器转换到BEV视图。

在得到各个视角下的BEV视图之后的，在BEV空间中将各个视角下的当前BEV特征，然后将当前BEV特征与历史BEV特征进行融合，得到融合BEV特征。这里需要说明是，该历史BEV特征为设定时间内保存的车辆的BEV特征。

这里需要说明的是，在自动驾驶系统中设置了一个动态的历史BEV特征序列，当最新帧的数据导入到历史BEV特征序列之后，将保存时间最长的BEV特征从序列中移除。

进一步，在得到融合BEV特征之后，将融合BEV特征输入到环境状态网络模型中，得到地图估计结果、运动障碍物估计以及信号灯估计结果。

举例来说，参照图2所示，在本申请实施例中得到该融合BEV特征之后，在融合BEV特征导入到环境状态网络模型中的地图transfomer模块中，从而通过地图transfomer模块得到地图估计结果；该地图transfomer模块从融合BEV特征中提取地图要素，该地图要素包含车道线、道路边界、斑马线、车道拓扑等传统意义上的地图要素，以及锥桶、水马甚至掉落的树枝等异形静态障碍物。为降低算力开销、提升通用性，所有地图要素采用矢量polyline的方式进行表达。

将地图transfomer模块中提取出的地图特征以及融合BEV特征导入到信号灯transfomer模块中，从而通过信号灯transfomer模块得到信号灯估计结果；该信号灯transfomer模块主要学习红绿灯提取、状态识别及其与车道之间的关联绑定，除了地图transfomer模块提供的车道信息，还设计了一条融合BEV特征到红绿灯模块的数据链路，构成残差结构，从而提高环境状态网络模型的稳定性。

将地图transfomer模块中提取出的地图特征、信号灯transfomer模块中提取出的信号灯特征以及融合BEV特征导入到运动障碍物transfomer模块中，从而通过运动障碍物transfomer模块得到运动障碍物估计结果。该运动障碍物transfomer模块学习其他道路参与者(机动车、非机动车、行人)的运动信息，即：在综合融合BEV特征、地图特征、信号灯特征的情况下，确定道路参与者的运动情况。

在得到地图估计结果、信号灯估计结果以及运动障碍物估计结果之后，调取出实际地图结果、实际运动障碍物结果以及实际信号灯结果，分别计算出地图估计结果与实际地图结果的第一损失值，运动障碍物估计结果与实际运动障碍物结果的第二损失值，信号灯估计结果与实际信号灯结果的第三损失值。

进一步，在得到地图估计结果、信号灯估计结果以及运动障碍物估计结果之后，首先通过地图引擎模块调取出导航信息，从而根据导航信息能够确定未来一定时间内车辆经过的目标位置，然后通过导航编码器将目标位置转换到特征空间，得到目标位置空间特征。

同理，通过组合导航算法输出的定位信息能够确定出车辆已经行驶的历史轨迹，将历史轨迹转换到特征空间，得到历史轨迹空间特征。

将融合BEV特征、地图估计结果、信号灯估计结果、运动障碍物估计结果、目标位置空间特征以及历史轨迹空间特征输入到指定网络模型(参照图3所示)，该指定网络模型为路径规划网络模型，通过该路径规划网络模型输出设定距离内的M条预测规划行驶路径，该设定距离是车辆即将经过的路段的距离。

在得到M条预测规划行驶路径之后，计算M条预测规划行驶路径中每条预测规划行驶路径与实际行驶路径之间差异值，得到M个路径差异值，在M个路径差异值中将最小路径差异值对应的预测规划行驶路径作为目标规划行驶路径。

然后调取出设定距离内的实际行驶路径，并将实际行驶路径与目标规划行驶路径进行匹配计算，得到路径规划损失值。通过上述的方式就能够准确的确定出自动驾驶系统在路径规划上的损失。

进一步，在得到路径规划损失值、第一损失值、第二损失值以及第三损失值之后，首先根据路径规划损失值调整路径规划网络模型中的参数，从而使路径规划网络模型的输出结果逐渐的收敛。

然后通过路径规划损失值以及第三损失值调整动态障碍物预测子模型中的参数，从而使动态障碍物预测子模型的输出结果逐渐的收敛。

通过路径规划损失值、第三损失值、第二损失值调整信号灯预测子模型中的参数，从而使信号灯预测子模型的输出结果逐渐的收敛。

通过路径规划损失值、第三损失值、第二损失值以及第一损失值调整地图预测子模型中的参数，从而使地图预测子模型的输出结果逐渐的收敛。

举例来讲，参照图4所示，最后得到的路径规划损失值被用于对路径规划网络模型中的参数进行调整，然后将第三损失值以及路径规划损失值一并用于对运动障碍物transfomer模块的参数调整；将第二损失值、第三损失值以及路径规划损失值用于对信号灯transfomer模块的参数调整；最后将第一损失值、第二损失值、第三损失值以及路径规划损失值用于对地图transfomer模块的参数调整。通过该方式可以完成对各个网络模型的参数进行及时的调整，从而提升各个网络模型的输出结果的收敛性，进而保证了最终预测结果的准确性。

进一步，在本申请实施例中，除了通过上述的损失值来路径规划网络模型的参数之外，还可以通过其他损失值来调整路径规划网络模型的参数，其他损失值可以通过奖励模型来得到，参照图5所示，该奖励模型最终输出结果是用于对路径规划网络模型的参数调整，该奖励模型的输出包括但不限于以下参数：

1、环境交互损失值：

根据目标规划行驶路径直接得到环境交互损失值。具体来讲，若规划的目标规划路径有压实线、压盖路沿、压盖异性障碍物、超速、闯红灯等违规或不安全操作，则将设置该环境交互损失值。因此可以根据目标规划行驶路径直接得到该环境交互损失值。

2、动态交互损失值：

根据目标规划行驶路径以及其他车辆的行驶路径，得到动态交互损失。具体来讲，若目标规划行驶路径与其他车辆的运动估计存在碰撞、车距过近等不安全行为时，则将设置该动态交互损失值。

3、舒适性损失值：

根据目标规划行驶路径与历史行驶路径之间的差异，得到舒适性损失值。具体来讲，若当前帧规划的目标规划行驶路径与上一帧的规划行驶路径的差异较大，因此引起车辆急刹车、急加速或者大幅度转向，影响车内人员的舒适性，则将设置该舒适性损失值。

在获取到上述的环境交互损失值、动态交互损失值、舒适性损失值之后，将这些损失值一并用于对路径规划网络模型的参数调整，从而保证路径规划网络模型最终的输出结果更加的接近车辆的实际行驶路径，进而提升了路径规划的准确性。

综上来讲，在本申请实施例中，通过该装置能够对端到端输出路径规划的网络模型进行实时调整，从而可以提升自动驾驶系统的运行效率以及泛化能力，进而提升了自动驾驶系统的可靠性以及安全性。

基于同一发明构思，在本申请实施例中还提供了的调整模型参数的方法，参照图6所示，该方法包括：

S61，将获取到的导航数据以及历史轨迹数据输入指定网络模型，得到设定距离内的M条预测规划行驶路径；

S62，调取出所述设定距离内的实际行驶路径，并在M条预测规划行驶路径中确定出目标规划行驶路径；

S63，根据实际行驶路径与所述目标规划行驶路径，得到路径规划损失值；

S64，基于路径规划损失值以及各个参考损失值调整指定网络模型的模型参数。

具体来讲，在本申请实施例中，在将导航数据以及历史轨迹数据输入到指定网络模型之前，通过摄像头采集车辆不同视角下的图像，该不同视角包括但不限于前视、后视、左前、左后、右前、右后，在获取到不同视角下的图像之后，将不同视角下的图像提取出图像特征，并将图像特征通过BEV编码器转换到BEV视图。

在得到各个视角下的BEV视图之后的，在BEV空间中将各个视角下的当前BEV特征，然后将当前BEV特征与历史BEV特征进行融合，得到融合BEV特征。这里需要说明是，该历史BEV特征为设定时间内保存的车辆的BEV特征。

这里需要说明的是，在自动驾驶系统中设置了一个动态的历史BEV特征序列，当最新帧的数据导入到历史BEV特征序列之后，将保存时间最长的BEV特征从序列中移除。

进一步，在得到融合BEV特征之后，将融合BEV特征输入到环境状态网络模型中，得到地图估计结果、运动障碍物估计以及信号灯估计结果。

举例来说，参照图2所示，在本申请实施例中得到该融合BEV特征之后，在融合BEV特征导入到环境状态网络模型中的地图transfomer模块中，从而通过地图transfomer模块得到地图估计结果；该地图transfomer模块从融合BEV特征中提取地图要素，该地图要素包含车道线、道路边界、斑马线、车道拓扑等传统意义上的地图要素，以及锥桶、水马甚至掉落的树枝等异形静态障碍物。为降低算力开销、提升通用性，所有地图要素采用矢量polyline的方式进行表达。

将地图transfomer模块中提取出的地图特征以及融合BEV特征导入到信号灯transfomer模块中，从而通过信号灯transfomer模块得到信号灯估计结果；该信号灯transfomer模块主要学习红绿灯提取、状态识别及其与车道之间的关联绑定，除了地图transfomer模块提供的车道信息，还设计了一条融合BEV特征到红绿灯模块的数据链路，构成残差结构，从而提高环境状态网络模型的稳定性。

将地图transfomer模块中提取出的地图特征、信号灯transfomer模块中提取出的信号灯特征以及融合BEV特征导入到运动障碍物transfomer模块中，从而通过运动障碍物transfomer模块得到运动障碍物估计结果。该运动障碍物transfomer模块学习其他道路参与者(机动车、非机动车、行人)的运动信息，即：在综合融合BEV特征、地图特征、信号灯特征的情况下，确定道路参与者的运动情况。

在得到地图估计结果、信号灯估计结果以及运动障碍物估计结果之后，调取出实际地图结果、实际运动障碍物结果以及实际信号灯结果，分别计算出地图估计结果与实际地图结果的第一损失值，运动障碍物估计结果与实际运动障碍物结果的第二损失值，信号灯估计结果与实际信号灯结果的第三损失值。

进一步，在得到地图估计结果、信号灯估计结果以及运动障碍物估计结果之后，首先通过地图引擎模块调取出导航信息，从而根据导航信息能够确定未来一定时间内车辆经过的目标位置，然后通过导航编码器将目标位置转换到特征空间，得到目标位置空间特征。

同理，通过组合导航算法输出的定位信息能够确定出车辆已经行驶的历史轨迹，将历史轨迹转换到特征空间，得到历史轨迹空间特征。

将融合BEV特征、地图估计结果、信号灯估计结果、运动障碍物估计结果、目标位置空间特征以及历史轨迹空间特征输入到指定网络模型(参照图3所示)，该指定网络模型为路径规划网络模型，通过该路径规划网络模型输出设定距离内的M条预测规划行驶路径，该设定距离是车辆即将经过的路段的距离。

在得到M条预测规划行驶路径之后，计算M条预测规划行驶路径中每条预测规划行驶路径与实际行驶路径之间差异值，得到M个路径差异值，在M个路径差异值中将最小路径差异值对应的预测规划行驶路径作为目标规划行驶路径。

然后调取出设定距离内的实际行驶路径，并将实际行驶路径与目标规划行驶路径进行匹配计算，得到路径规划损失值。通过上述的方式就能够准确的确定出自动驾驶系统在路径规划上的损失。

进一步，在得到路径规划损失值、第一损失值、第二损失值以及第三损失值之后，首先根据路径规划损失值调整路径规划网络模型中的参数，从而使路径规划网络模型的输出结果逐渐的收敛。

然后通过路径规划损失值以及第三损失值调整动态障碍物预测子模型中的参数，从而使动态障碍物预测子模型的输出结果逐渐的收敛。

通过路径规划损失值、第三损失值、第二损失值调整信号灯预测子模型中的参数，从而使信号灯预测子模型的输出结果逐渐的收敛。

通过路径规划损失值、第三损失值、第二损失值以及第一损失值调整地图预测子模型中的参数，从而使地图预测子模型的输出结果逐渐的收敛。

举例来讲，参照图4所示，最后得到的路径规划损失值被用于对路径规划网络模型中的参数进行调整，然后将第三损失值以及路径规划损失值一并用于对运动障碍物transfomer模块的参数调整；将第二损失值、第三损失值以及路径规划损失值用于对信号灯transfomer模块的参数调整；最后将第一损失值、第二损失值、第三损失值以及路径规划损失值用于对地图transfomer模块的参数调整。通过该方式可以完成对各个网络模型的参数进行及时的调整，从而提升各个网络模型的输出结果的收敛性，进而保证了最终预测结果的准确性。

进一步，在本申请实施例中，除了通过上述的损失值来路径规划网络模型的参数之外，还可以通过其他损失值来调整路径规划网络模型的参数，其他损失值可以通过奖励模型来得到，参照图5所示，该奖励模型最终输出结果是用于对路径规划网络模型的参数调整，该奖励模型的输出包括但不限于以下参数：

1、环境交互损失值：

根据目标规划行驶路径直接得到环境交互损失值。具体来讲，若规划的目标规划路径有压实线、压盖路沿、压盖异性障碍物、超速、闯红灯等违规或不安全操作，则将设置该环境交互损失值。因此可以根据目标规划行驶路径直接得到该环境交互损失值。

2、动态交互损失值：

根据目标规划行驶路径以及其他车辆的行驶路径，得到动态交互损失。具体来讲，若目标规划行驶路径与其他车辆的运动估计存在碰撞、车距过近等不安全行为时，则将设置该动态交互损失值。

3、舒适性损失值：

根据目标规划行驶路径与历史行驶路径之间的差异，得到舒适性损失值。具体来讲，若当前帧规划的目标规划行驶路径与上一帧的规划行驶路径的差异较大，因此引起车辆急刹车、急加速或者大幅度转向，影响车内人员的舒适性，则将设置该舒适性损失值。

在获取到上述的环境交互损失值、动态交互损失值、舒适性损失值之后，将这些损失值一并用于对路径规划网络模型的参数调整，从而保证路径规划网络模型最终的输出结果更加的接近车辆的实际行驶路径，进而提升了路径规划的准确性。

基于同一发明构思，本申请实施例提供了一种智能车辆，该智能车辆包括上述的一种调整模型参数的装置，此处的装置在上述的实施例中已经详细说明，此处就不再赘述。

基于同一发明构思，本公开实施例提供一种计算机存储介质，计算机存储介质包括：计算机程序代码，当计算机程序代码在计算机上运行时，使得计算机执行如前文论述任一的一种调整模型参数的方法。由于上述计算机存储介质解决问题的原理与一种调整模型参数的方法相似，因此上述计算机存储介质的实施可以参见方法的实施，重复之处不再赘述。

在具体的实施过程中，计算机存储介质可以包括：通用串行总线闪存盘(USB，Universal Serial Bus Flash Drive)、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的存储介质。

基于同一发明构思，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行如前文论述任一的一种调整模型参数的方法。由于上述计算机程序产品解决问题的原理与一种调整模型参数的方法相似，因此上述计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。

计算机程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请中的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备、核心网设备、OAM或者其它可编程装置。

所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘；还可以是半导体介质，例如，固态硬盘。该计算机可读存储介质可以是易失性或非易失性存储介质，或可包括易失性和非易失性两种类型的存储介质。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、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设备。

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设备的制造品，该指令设备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。

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。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。