基于多工业模型的模型训练方法、装置、设备和存储介质

技术领域

本申请属于工业模型训练领域，具体涉及一种基于多工业模型的模型训练方法、装置、设备和存储介质。

背景技术

随着人工智能技术的飞速发展，越来越多的开源可商用的通用大模型逐渐出现在人们的视野中。与传统的模型相比，通用大模型具有更大的灵活性和可扩展性，可以更快地适应新的任务和领域。

然而，尽管这些开源大模型的出现带来了许多机遇，但它们并未在所有任务类型和任务领域中都展现出卓越的性能。例如，在工业领域构建的测试集中，baichuan和bloomchat等模型对关系抽取类任务的处理方式更加出色，GLM模型对开放域问答的处理方式更加出色。

因此，如何在多个工业教师模型的基础上注入工业知识，以得到具有工业领域处理特点的工业模型，从而确保工业模型可以在多个任务类型和任务领域中都展现出卓越的性能，是目前亟待解决的问题。

发明内容

本申请提供了一种基于多工业模型的模型训练方法、装置、设备和存储介质，用于解决无法在多个工业教师模型的基础上注入工业知识的缺陷。

第一方面，本申请提供一种基于多工业教师模型的模型训练方法，包括：

获取多个候选工业教师模型，不同的候选工业教师模型对应的工业任务类型和工业任务领域不同；

对所述多个候选工业教师模型进行评估处理，得到每个候选工业教师模型对应的评估结果，并根据所述评估结果，确定工业学生模型，所述评估结果是根据多个候选工业教师模型的性能参数确定的；

获取与所述多个候选工业教师模型对应的工业训练数据集；

根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，所述获取多个候选工业教师模型，包括：

从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域；

根据所述多个工业任务类型以及所述多个工业任务领域，确定与每个工业任务类型和/或每个工业任务领域对应的目标开源数据指令；

根据所述目标开源数据指令，对多个工业开源模型进行指令调整处理，得到与所述多个工业任务类型以及所述多个工业任务领域对应的多个候选工业教师模型。

可选的，所述对所述多个候选工业教师模型进行评估处理，得到每个候选工业教师模型对应的评估结果，包括：

采用与候选工业教师模型的工业任务类型对应的评估指标，对多个候选工业教师模型进行评估处理，得到每个候选工业教师模型的性能评估参数，所述性能参数包括：整体性能、错误分析能力以及单一样本处理能力；

根据每个候选工业教师模型的整体性能、错误分析能力以及单一样本处理能力，确定所述候选工业教师模型的评估结果。

可选的，所述获取与所述多个候选工业教师模型对应的工业训练数据集，包括：

从数据库中获取种子训练集，所述种子训练集包括：多个种子问题以及每个种子问题对应的种子答案；

将多个种子问题分别输入至所述多个候选工业教师模型，得到每个候选工业教师模型输出的候选答案；

采用质量评估处理模型对所述每个候选工业教师模型输出的候选答案进行质量评估处理，得到指令评估结果；

根据所述指令评估结果，生成与所述多个候选工业教师模型对应的工业训练数据集。

可选的，所述根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型之前，所述方法还包括：

根据所述工业训练数据集，确定所述工业训练数据集的数据来源；

根据所述数据来源，确定训练参数指标，所述训练参数指标用于指示工业学生模型的性能水平；

根据所述训练参数指标和所述工业训练数据集，确定目标训练函数，所述目标训练函数是指用于训练工业学生模型的函数。

可选的，所述方法还包括：

根据目标判别模型和所述工业训练数据集，得到所述工业训练数据集的排序处理结果，所述目标判别模型用于评估每个候选工业教师模型的数据处理能力；

根据所述排序处理结果，确定所述每个候选工业教师模型的目标权重损失以及与目标权重损失对应的加权平均数；

根据所述目标权重损失和所述加权平均数，确定所述工业学生模型的目标损失数值，所述目标损失数值；

所述根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型，包括：

根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，采用第一训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第一训练方式用于对所述工业训练数据集进行统一更新处理；

和/或；

采用第二训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第二训练方式用于对所述工业训练数据集进行结构更新处理；

和/或；

采用第三训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第三训练方式用于对所述工业训练数据集进行层级更新处理。

第二方面，本申请提供一种基于多工业教师模型的模型训练装置，包括：

获取模块，用于获取多个候选工业教师模型，不同的候选工业教师模型对应的工业任务类型和工业任务领域不同；

处理模块，用于对所述多个候选工业教师模型进行评估处理，得到每个候选工业教师模型对应的评估结果，所述评估结果是根据多个候选工业教师模型的性能参数确定的；

确定模块，用于根据所述评估结果，确定工业学生模型；

所述获取模块，还用于获取与所述多个候选工业教师模型对应的工业训练数据集；

所述处理模块，还用于根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，所述获取模块，还用于从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域；

所述确定模块，还用于根据所述多个工业任务类型以及所述多个工业任务领域，确定与每个工业任务类型和/或每个工业任务领域对应的目标开源数据指令；

所述处理模块，具体用于根据所述目标开源数据指令，对多个工业开源模型进行指令调整处理，得到与所述多个工业任务类型以及所述多个工业任务领域对应的多个候选工业教师模型。

可选的，所述处理模块，还用于采用与候选工业教师模型的工业任务类型对应的评估指标，对多个候选工业教师模型进行评估处理，得到每个候选工业教师模型的性能评估参数，所述性能参数包括：整体性能、错误分析能力以及单一样本处理能力；

所述确定模块，具体用于根据每个候选工业教师模型的整体性能、错误分析能力以及单一样本处理能力，确定所述候选工业教师模型的评估结果。

可选的，所述获取模块，还用于从数据库中获取种子训练集，所述种子训练集包括：多个种子问题以及每个种子问题对应的种子答案；

所述装置还包括：输入模块；

所述输入模块，用于将多个种子问题分别输入至所述多个候选工业教师模型，得到每个候选工业教师模型输出的候选答案；

所述处理模块，还用于采用质量评估处理模型对所述每个候选工业教师模型输出的候选答案进行质量评估处理，得到指令评估结果；

所述确定模块，具体用于根据所述指令评估结果，生成与所述多个候选工业教师模型对应的工业训练数据集。

可选的，所述确定模块，还用于根据所述工业训练数据集，确定所述工业训练数据集的数据来源；

所述确定模块，还用于根据所述数据来源，确定训练参数指标，所述训练参数指标用于指示工业学生模型的性能水平；

所述确定模块，还用于根据所述训练参数指标和所述工业训练数据集，确定目标训练函数，所述目标训练函数是指用于训练工业学生模型的函数。

可选的，所述确定模块，还用于根据目标判别模型和所述工业训练数据集，得到所述工业训练数据集的排序处理结果，所述目标判别模型用于评估每个候选工业教师模型的数据处理能力；

所述确定模块，还用于根据所述排序处理结果，确定所述每个候选工业教师模型的目标权重损失以及与目标权重损失对应的加权平均数；

所述确定模块，还用于根据所述目标权重损失和所述加权平均数，确定所述工业学生模型的目标损失数值，所述目标损失数值；

所述根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型，包括：

所述处理模块，还用于根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，所述处理模块，还用于采用第一训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第一训练方式用于对所述工业训练数据集进行统一更新处理；

和/或；

所述处理模块，还用于采用第二训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第二训练方式用于对所述工业训练数据集进行结构更新处理；

和/或；

所述处理模块，还用于采用第三训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第三训练方式用于对所述工业训练数据集进行层级更新处理。

第三方面，本申请提供一种基于多工业教师模型的模型训练设备，包括：

存储器；

处理器；

其中，所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如上述第一方面及第一方面各种可能的实现方式所述的基于多工业教师模型的模型训练方法。

第四方面，本申请提供一种计算机存储介质，其上存储有计算机执行指令，所述计算机执行指令被处理器执行以实现如上述第一方面及第一方面各种可能的实现方式所述的基于多工业教师模型的模型训练方法。

本申请提供的基于多工业教师模型的模型训练方法，在获取到多个候选工业教师模型后，可以从中确定出具有工业领域处理特点的工业学生模型和相应的工业训练数据集。通过使用该工业训练数据集对工业学生模型进行训练处理，可以得到目标工业模型。该方法不仅解决了在多个工业教师模型基础上注入工业知识的难题，还可以使最终确定的工业模型更好地适应工业生产的各种场景，快速适应新的待处理任务和领域，从而提高生产效率，降低生产成本，并整体提升企业的效益。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请提供的基于多工业教师模型的模型训练方法的流程图一；

图2是本申请提供的基于多工业教师模型的模型训练方法的流程图二；

图3是本申请提供的基于多工业教师模型的模型训练方法的流程图三；

图4是本申请提供的基于多工业教师模型的模型训练装置的结构示意图；

图5是本申请提供的基于多工业教师模型的模型训练设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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他实施例，都属于本申请保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

随着人工智能领域的飞速发展，越来越多的开源且可商用的大规模通用模型进入公众视野。这些新兴的模型与传统的模型相比，表现出更大的优势。传统模型在灵活性和可扩展性方面存在较大的局限性，无法快速适应并应对新的任务和更广泛的领域。而新兴的大模型则具有更高的灵活性和可扩展性，能够更快地适应新的任务和领域，从而更好地满足不断变化的应用需求。

然而，尽管这些开源大模型提供了许多创新机遇，但它们并未在所有任务类型和领域中都展现出理想性能。例如，在特定的工业领域中，不同的模型可能表现出不同的优势。具体来说，在工业领域特定的测试集中，baichuan和bloomchat等模型在处理关系抽取类任务时表现出更为优异的性能，而在开放域问答任务中，GLM模型则展现出更胜一筹的能力。

因此，如何在多个工业教师模型的基础上注入工业知识，以得到具有工业领域处理特点的工业模型，进而使工业模型能够更好地适应工业生产的各种场景，快速适应新的待处理任务和待处理领域，从而提高生产效率，降低生产成本，并整体提升企业的效益，是目前亟待解决的问题。

针对上述问题，本申请提供一种基于多工业教师模型的模型训练方法。在获取到多个候选工业教师模型后，可以从中确定出具有工业领域处理特点的工业学生模型和相应的工业训练数据集。通过使用该工业训练数据集对工业学生模型进行训练处理，可以得到目标工业模型。该方法不仅解决了在多个工业教师模型基础上注入工业知识的难题，还可以使最终确定的工业模型更好地适应工业生产的各种场景，快速适应新的待处理任务和领域，从而提高生产效率，降低生产成本，并整体提升企业的效益。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例提供的基于多工业教师模型的模型训练方法的流程图一。如图1所示，本实施例提供的基于多工业教师模型的模型训练方法，包括：

S101：获取多个候选工业教师模型，不同的候选工业教师模型对应的工业任务类型和工业任务领域不同。

其中，通过获取多个候选工业教师模型，就可以得到每个候选工业模型各自擅长的工业任务类型和工业任务领域。

可以理解的，不同的候选工业教师模型在不同的工业任务类型和工业任务领域中具有各自的优势和适用性。例如，候选工业教师模型A在对工业生产过程中的故障检测和处理方面表现出色，而候选工业教师模型B在预测性维护或者生产流程优化等任务领域表现出色。因此，需要通过获取多个候选工业教师模型，以便实现对工业领域问题的全方位处理。

获取多个候选工业教师模型的方式例如可以是从数据网络平台中获取到的，也可以是从开源社区平台获取到的，还可以是从公开可用的数据集中获取到的。本申请对此不做特殊限制，此处以从数据网络平台中获取进行解释说明。

首先，确定使用需求：明确需要获取的候选工业教师模型的类型、适用任务领域和适用任务类型等需求；其次，搜索平台：选择一个可靠的数据网络平台，并在平台上搜索可用的工业教师模型；然后，筛选模型：根据需求和平台推荐，筛选出符合要求的候选工业教师模型。最后，确定模型：根据筛选出符合要求的候选工业教师模型，确定出多个候选工业教师模型。

例如，由于关系抽取类任务是自然语言处理中的一种常见任务，主要是从文本中抽取出实体之间的关系或者从给定的实体关系中提取出文本中描述的关系。而在工业领域中，关系抽取类任务不仅会影响不同实体之间的关系以及不同实体直接之间的关系，还会影响工业处理系统的型定性，又因为baichuan和bloomchat等模型由于其具有特定的结构和算法，因此，baichuan和bloomchat等模型在处理关系抽取类任务时表现出更为优异的性能。

S102：对所述多个候选工业教师模型进行评估处理，得到每个候选工业教师模型对应的评估结果，并根据所述评估结果，确定工业学生模型，所述评估结果是根据多个候选工业教师模型的性能参数确定的。

其中，通过评估多个候选工业教师模型，就可以得到每个候选工业教师模型在不同工业任务类型和不同工业任务领域中的性能参数，例如模型的整体性能、模型的错误分析能力以及模型对于单一样本处理能力等。而这些性能参数通常可以反映多个候选工业教师模型在特定任务上的表现，因此，在获取到多个候选工业教师模型时，需要对多个候选工业教师模型进行评估处理，以便从评估处理结果中确定出性能参数最优的候选工业教师模型。

可以理解的，例如在工业故障检测任务中，通常会有多个候选工业教师模型，每个候选工业教师模型都有各自的优势和劣势。而通过评估每个候选工业教师在故障检测任务上的性能，就可以得到每个候选工业教师模型各自的整体性能、错误分析能力以及单一样本处理能力等参数，进而可以得到每个候选工业教师模型的评估结果，从而根据评估结果，确定出在故障检测任务上性能最好的候选工业教师模型，并将该模型应用于工业故障检测系统中。

在该步骤中，例如可以先确定每个候选工业教师模型的性能参数，然后根据每个候选工业教师模型的性能参数，确定出多个候选工业教师模型的评估结果，从而根据评估结果，确定出性能参数最优的候选工业教师模型，并将该候选工业教师模型作为工业学生模型。

S103：获取与所述多个候选工业教师模型对应的工业训练数据集。

其中，获取工业训练数据集的目的是为了训练工业学生模型。通过使用这些数据集，可以对工业学生模型进行训练和优化，以使工业学生模型能够更好地适应实际应用场景的需求。

可以理解的，由于工业训练数据集通常反映了工业生产的实际数据情况，并且该数据集还涵盖了不同规模的工业生产的特征，所以通过获取多个候选工业教师模型对应的工业训练数据集，不仅可以提高工业学生模型对数据处理的准确性和完整性，还可以使得工业学生模型能够适应不同的应用场景，从而提高工业学生模型的泛化能力。

获取与多个候选工业教师模型对应的工业训练数据集的方式例如可以是从数据网络平台中获取到的，也可以是从企业的数据管理平台中获取到的。本申请对此不做特殊限制。

S104：根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型。

其中，为了优化工业学生模型的性能，使其能够更好地应用于工业领域中的各种任务和需求，需要利用获取到的工业训练数据集对工业学生模型进行训练，直至得到能够使用适用于不同工业领域的目标工业模型。

可以理解的，通过训练工业学生模型，不仅可以提高目标工业模型对于类似任务的准确性和精度，并使其更好地适应不同的工业领域和工业制造任务，还可以增强目标工业模型对于不同任务的泛化能力，并使其能够更好地适应新的任务和场景。

在确定了目标工业模型后，就意味着工业学生模型已经达到了预期的性能指标，可以较为准确地识别和预测工业领域中的各种情况和需求，还可以较为稳定和准确地处理工业领域中的各种数据和情况。

本实施例提供的基于多工业教师模型的模型训练方法，首先获取具有不同工业任务类型和工业任务领域的多个候选教师模型，然后从多个候选工业教师模型中确定出具有工业领域处理特点的工业学生模型和相应的工业训练数据集，最后，最后使用该工业训练数据集对工业学生模型进行训练处理，可以得到目标工业模型。该方法不仅成功解决了在多个工业教师模型中注入工业知识的难题，而且所确定的工业模型能更好地适应工业生产的各种环境，快速适应新的待处理任务并进一步拓展至新的领域，从而有效提升生产效率，减少生产成本，全面增强企业的盈利能力。

图2为本申请实施例提供的基于多工业教师模型的模型训练方法的流程图二。如图2所示，本实施例是在图1实施例的基础上，对基于多工业教师模型的模型训练方法进行详细说明，本实施例提供的基于多工业教师模型的模型训练方法，包括：

S201：从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域。

其中，工业制造全生命周期通常指的是从产品设计、生产计划、制造执行到产品报废或回收再利用的整个过程。这个过程涉及到多个阶段和环节，包括科技研发、产品设计、生产制造、物流配送、消费者体验、销售反馈、产品回收等多个环节。

通过获取不同的工业任务类型和工业任务领域，可以针对性地对模型进行训练，并使其能够适应不同的工业制造任务。

可以理解的，由于工业制造是一个复杂且涉及多种工业任务和工业领域的领域，从产品设计、原料采购、生产计划、制造执行到质量检测等各个阶段，都需要不同类型的专业知识和技能，因此，通过获取不同的工业任务类型和工业任务领域，就可以明确出不同工业任务的特定需求，进而针对性地对模型进行模型，从而提高该模型的适应性和泛化能力。

通过获取不同的工业任务类型和工业任务领域，还可以得到不同任务之间的联系和规律，进而将多个任务进行融合和优化。例如，将工艺优化和质量检测两个任务进行融合，训练一个多任务优化模型，可以在优化工艺的同时进行质量检测和控制，从而提高工业制造的效率和产品的质量。

从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域的方式包括但不限于如下方式：从数据网络平台中获取。

在该步骤中，例如可以先获取工业制造全生命周期，然后从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域。

S202：根据所述多个工业任务类型以及所述多个工业任务领域，确定与每个工业任务类型和/或每个工业任务领域对应的目标开源数据指令。

其中，目标开源数据指令是用于获取和处理与特定工业任务类型和领域相关的开源数据的指令，旨在满足模型训练和应用的需求，提高工业制造的效率和竞争力。

由于不同的工业任务类型和工业任务领域需要不同的数据来进行模型训练和应用，因此需要根据不同的目标开源数据来确定与之对应的目标开源数据指令。其中，这些目标开源数据指令是从开源数据源中获取到的，以确保获取的数据与模型训练和应用的需求相匹配。

可以理解的，为了满足不同工业任务类型和工业任务领域的需求，需要根据不同的目标开源数据制定相应的数据指令。这些指令可以是针对特定的数据源、特定的数据集或特定的数据类型而制定的，用于收集与特定任务相关的数据。例如，针对工艺优化任务，可以制定数据收集指令，从公开的工艺优化数据集中获取相关数据，以便训练一个工艺优化模型；针对质量检测任务，可以制定数据获取指令，从在线数据库中下载与质量检测相关的数据，以便训练一个质量检测模型。

通过使用目标开源数据指令，可以确保获取的数据与模型训练和应用的需求相匹配，并且可以有效地利用开源数据进行模型训练、测试和验证，从而支持工业制造全生命周期中不同任务的自动化和智能化。

S203：根据所述目标开源数据指令，对多个工业开源模型进行指令调整处理，得到与所述多个工业任务类型以及所述多个工业任务领域对应的多个候选工业教师模型。

其中，指令调整处理指的是根据目标开源数据指令的要求，对工业开源模型进行调整和优化，以使其能够适用于特定的工业任务类型和领域的过程。

指令调整处理的目的是为了根据目标开源数据指令对工业开源模型进行优化和调整，以得到与多个工业任务类型以及多个工业任务领域对应的多个候选工业教师模型，进而提高每个候选工业教师模型的适应性和泛化能力、可靠性，减少目标训练模型的训练时间和成本，并更好地满足工业制造的需求。

可以理解的，通过获取与多个工业任务类型和多个工业任务领域对应的多个候选工业教师模型，可以使得目标训练模型获得丰富的专业知识和技能，从而提高其对不同工业任务类型和领域的适应性和处理能力。

在该步骤中，例如可以先获取多个工业开源模型，然后根据目标开源数据指令，对多个工业开源模型继续指令调整处理，得到与多个工业任务类型以及多个工业任务领域对应的多个候选工业教师模型。

S204：采用与候选工业教师模型的工业任务类型对应的评估指标，对多个候选工业教师模型进行评估处理，得到每个候选工业教师模型的性能评估参数，所述性能参数包括：整体性能、错误分析能力以及单一样本处理能力。

其中，评估指标是用于衡量和评估每个候选工业教师模型性能的指标。整体性能用于指示每个候选工业教师模型在处理整个数据集或任务时的表现；错误分析能力用于分析每个候选工业教师模型的出错情况；单一样本处理能力用于指示每个候选工业教师模型对单个样本的处理能力。

不同的候选工业教师模型具有不同的评估指标。例如，对于分类工业教师模型，常用的评估指标包括准确率、精确率、召回率、F1分数等；而对于回归工业教师模型，常用的评估指标包括均方误差、绝对平均误差、相对平均误差等。

采用与候选工业教师模型的工业任务类型对应的评估指标进行评估处理，可以更准确地衡量每个候选模型的性能评估参数，以便实现针对不同的工业任务选择出不同的候选工业教师模型，从而提高工业学生模型的适应性和泛化能力。

可以理解的，通过采用与候选工业教师模型的工业任务类型相应的评估指标进行评估处理，则可以更准确地得到每个候选模型的整体性能评估参数、错误分析能力评估参数以及单一样本处理能力参数，以便根据每个候选工业教师模型的性能评估参数，选择出最适合特定工业任务的候选工业教师模型。

S205：根据每个候选工业教师模型的整体性能、错误分析能力以及单一样本处理能力，确定所述每个候选工业教师模型的评估结果。

其中，在确定了每个候选工业教师模型的整体性能、错误分析能力以及单一样本处理能力时，还应该对每个候选工业教师模型的性能评估参数进行分析处理，以便确定出每个候选工业教师模型的评估结果。

可以理解的，由于不同的候选工业模型具有不同数据的性能评估参数，因此通过评估每个候选工业教师模型的三个方面的能力，不仅可以全面了解每个候选工业教师模型的整体表现，以及在处理数据集和解决特定工业任务时的优点和不足，还可以确定出特定工业任务中表现最佳的模型，以便选择出合适的指导模型并用于指导后续的工业学生模型。

S206：根据所述评估结果，确定工业学生模型。

其中，在确定了多个候选工业教师模型的评估结果后，可以通过分析这些结果，筛选出在特定工业任务中性能表现最优的工业教师模型，并将该性能表现最优的模型作为工业学生模型的指导模型。

可以理解的，性能表现最优的候选工业教师模型通常是针对特定工业任务进行了最好的优化和适应，因此它具有最好的适应性和泛化能力。使用它作为指导模型，可以使得工业学生模型更好的适应和应对类似的工业任务和场景。

S207：从数据库中获取种子训练集，所述种子训练集包括：多个种子问题以及每个种子问题对应的种子答案。

其中，数据库用于指示人工预先存储的种子问题和与种子问题对应的种子答案。

人工预先存储的种子问题和答案是指在数据库中存储的一组问题和答案，这些问题和答案由专业人员或有知识的人手动输入和验证，而不是通过程序自动生成的。这些种子问题和答案可以作为模型训练的基础数据集，用于初始化模型并训练其进行特定任务。

由于在模型训练过程中，需要通过大量的训练数据集进行训练，以提高模型对数据处理的准确性和完整性，因此可以从数据库中获取与不同工业任务类型和不同工业任务领域对应的种子训练集，以提高模型的针对性和准确性，并减少训练时间和成本。

可以理解的，由于数据库中储存了多个针对不同工业任务类型和领域的种子训练集，这些训练集已经预先经过处理和标注，可以直接用于模型训练，因此在模型训练时，可以根据实际需要从数据库中选择相应的种子训练集进行训练，从而提高模型对特定任务和领域的处理准确性和能力。

208：将多个种子问题分别输入至所述多个候选工业教师模型，得到每个候选工业教师模型输出的候选答案。

其中，从数据库中获取到的多个种子问题和答案是由人工输入的，为了避免出现冗余数据和避免对模型的训练结果造成影响，需要将每个种子问题分别输入到多个候选工业教师模型中，从而得到与不同工业任务类型和不同工业任务领域对应的多个候选答案。

可以理解的，将多个种子问题分别输入到多个候选工业教师模型中，不仅可以有效地避免冗余数据和数据的不一致性，还可以得到与不同工业任务类型和不同工业任务领域对应的多个候选答案，从而提高模型训练的准确性和完整性。

S209：采用质量评估处理模型对所述每个候选工业教师模型输出的候选答案进行质量评估处理，得到指令评估结果。

其中，质量评估处理模型用于评估每个候选工业教师模型输出的候选答案的准确度。

在到了每个候选工业教师模型输出的候选答案时，为了确保模型的训练数据可以更加准确，需要采用质量评估处理模型对每个候选工业教师模型输出的候选答案进行质量评估处理，得到每个候选工业教师模型输出的候选答案的准确度，也即得到指令评估结果。

可以理解的，每个候选工业教师模型都会输出一个或多个候选答案，这些答案可能是针对同一问题的不同理解和解决方案。而通过质量评估处理模型的评估，就可以得到具有质量顺序的候选答案，进而可以对这些候选答案进行特定处理，从而确定候选答案的有效性和可靠性，以便根据候选答案确定出可以用于工业训练的数据集。

S210：根据所述指令评估结果，生成与所述多个候选工业教师模型对应的工业训练数据集。

其中，根据具有质量顺序的指令评估结果，生成与多个候选工业教师模型对应的工业训练数据集，就可以得到具有质量顺序的工业训练数据集，以便对工业学生模型进行训练和优化。

可以理解的，根据指令评估结果，将每个候选工业教师模型的答案按照评估结果的质量进行排序。就可以得到评估结果质量较高的模型和评估结果质量较低的模型，并且评估结果质量较高的模型输出的候选答案排在前面，评估结果质量较低的模型输出的候选答案排在后面，并以此作为基准，就能够对工业学生模型进行调整和优化。

具体的，根据指令评估结果，生成与多个候选工业教师模型对应的工业训练数据集的方式例如可以是：根据指令评估结果，对多个种子问题、与每个种子问题对应的种子答案以及每个候选工业教师模型输出的候选答案进行拼接处理，生成与多个候选工业教师模型对印的工业训练数据集。

其中，拼接处理可以包括将多个种子问题、种子答案和候选答案进行组合和整理，生成与每个候选工业教师模型对应的个性化训练数据集。这些数据集不仅包括原始问题、标准答案和教师答案，还包括经过拼接处理的其他相关数据。

可以理解的，当模型训练数据量不足时，容易出现过拟合现象，即工业学生模型在训练数据上表现很好，但在测试数据上表现不佳。因此，将多个种子问题、与每个种子问题对应的种子答案以及每个候选工业教师模型输出的候选答案进行拼接处理，就可以得到充足的模型训练数据量，以便降低过拟合风险，并提高模型的自适应能力，使其能够更好地应对多样化的工业制造任务。

S211：根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型。

步骤S211的步骤和上述步骤S104类似，在此不再赘述。

可选的，根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型的具体实现过程例如可以为：采用第一训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型；和/或；采用第二训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型；和/或；采用第三训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型。

其中，第一训练方式用于对工业训练数据集进行统一更新处理；第二训练方式用于对工业训练数据集进行结构更新处理；第三训练方式用于对工业训练数据集进行层级更新处理。

在模型训练过程中，工业训练数据集是训练模型的基础。因为这些数据集包含了大量的样本数据，所以通过使用这些样本数据，可以使工业学生模型学习到工业领域的特征和规律，进而能够使工业学生模型更好地理解工业制造的需求，从而为目标工业模型的建立提供有力依据。

目标训练函数是实现模型优化的关键。因为目标训练函数的作用是根据训练数据集和预设的目标损失数值来调整模型的参数和结构，以达到优化模型性能的目的。所以通过使用目标训练函数，对工业学生模型进行训练，就可以得到适用于不同的工业领域和任务的目标工业模型。

目标损失数值是评估模型性能的标准。因为目标损失数值是用来评估模型性能的标准，并且目标损失数值通常表示工业学生模型在训练数据集上的误差或损失。所以在模型训练过程中，目标损失数值会随着训练的进行而逐渐减小，直到达到一个可接受的范围。这样可以保证目标工业模型的性能满足一定的要求。

在对工业学生模型进行训练时，为了提高目标工业模型的复杂性和适应性，需要采用多种训练处理方式，对工业学生模型进行训练处理，直至得到目标工业模型。

如果使用第一训练方式对工业学生模型进行训练，就意味着使用多个候选工业教师模型来指导工业学生模型的学习和参数更新，以使工业学生模型能够学习到更多的知识，进而降低工业学生模型出错的可能性，从而扩大工业学生模型的事业，从而提高目标工业模型的泛化能力。

如果使用第二训练方式对工业学生模型进行训练，就意味着采用多头学习策略，每个头部由一个候选工业教师模型来更新，这样可以使工业学生模型从多个教师模型中学习到不同的知识和技能，提高其适应性和泛化能力。同时，还需要将多头学习的数目和多个候选工业教师模型的数量保持一致，即一个网络头只学习一个教师模型的知识，这可以避免模型在训练过程中出现数据和知识的冗余和冲突，从而提高目标工业模型在处理复杂的工业制造任务时具有更好地适应性和鲁棒性。

如果使用第三训练方式对工业学生模型进行训练，就意味着采用特征的工业教师模型来更新工业学生模型的某些层，以使训练过程变得更加高效和更具有针对性。因此，根据不同的工业任务类型和工业任务领域，可以选择相应的工业教师模型来负责更新工业学生模型的特征层。

本实施例提供的基于多工业教师模型的模型训练方法，该方法首先从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域，然后识别出与每个工业任务类型和领域对应的目标开源数据指令，并据此调整多个工业开源模型的指令，得到候选工业教师模型。接着，通过评估指标对这些模型进行评估，得到每个模型的性能参数。然后，从数据库获取种子训练集，并利用每个候选模型生成与多个种子问题对应的候选答案，再通过质量评估处理模型进行评估，生成与每个候选模型对应的工业训练数据集。最后，利用这些训练数据集对工业学生模型进行训练处理，得到目标工业模型。该方法不仅解决了在多个工业教师模型基础上注入工业知识的难题，还可以使最终确定的工业模型更好地适应工业生产的各种场景，快速适应新的待处理任务和领域，从而提高生产效率，降低生产成本，并整体提升企业的效益。

图3为本申请实施例提供的基于多工业教师模型的模型训练方法的流程图二。如图2所示，本实施例是在图2实施例的基础上，对基于多工业教师模型的模型训练方法的补充说明，本实施例提供的基于多工业教师模型的模型训练方法，包括：

S301：根据所述工业训练数据集，确定所述工业训练数据集的数据来源。

其中，由于工业训练数据集的数据规模较大，数据来源范围较广以及数据质量的参差不齐，因此，在训练多个候选工业教师模型是，如果按照工业训练数据集直接进行训练，不仅会增加对工业学生模型训练的难度，还会影响工业学生模型的训练结果，因此为了降低工业学生模型训练的难度和提高工业学生模型对输入内容的准确判断，从而提高工业学生模型的预测结果的准确度，需要根据工业训练数据集，确定出工业训练数据集的数据来源。

可以理解的，通过确定工业训练数据集的数据来源，就可以更好地理解数据的特性和分布，并针对这些特性选择合适的预处理方法或模型参数调整策略，从而可以降低模型训练的难度，并提高模型对输入内容的准确判断能力。

S302：根据所述数据来源，确定训练参数指标，所述训练参数指标用于指示工业学生模型的性能水平。

其中，由于训练参数指标是用来衡量工业学生模型性能水平的重要依据，如果训练参数指标不合理或不符合实际情况，那么模型训练的结果可能不准确、不稳定或不可靠。因此，需要根据数据来源来确定合适的训练参数指标，以保证工业学生模型能够达到最佳的训练效果。

可以理解的，不同数据来源的数据质量可能有所不同，例如有些来源的数据可能存在噪声或异常值，而有些来源的数据可能更加纯净和准确。因此，根据数据来源确定合适的训练参数指标，可以提高模型训练的准确性和稳定性。

不同数据来源的数据分布可能也会有所不同，例如有些来源的数据可能更加偏向某些类别或者某些特征，而有些来源的数据可能更加均衡和多样化。因此，根据数据来源确定合适的训练参数指标，可以帮助更好地处理数据不平衡和多样性的问题，从而提高模型的泛化能力和鲁棒性。

因此，在模型训练过程中，需要根据数据来源，确定训练参数指标以确保模型能够达到最优的训练效果。

S303：根据所述训练参数指标和所述工业训练数据集，确定目标训练函数，所述目标训练函数是指用于训练工业学生模型的函数。

其中，由于训练参数指标是评估模型性能的重要依据，它们会影响工业学生模型在工业训练数据上的表现性能。而工业训练数据集作为工业学生模型训练的基础和重要输入，其质量和规模都会直接影响到工业学生模型训练的效果和性能，因此，通过根据训练参数指标和工业训练数据集，不仅可以更好地了解模型的性能水平，选择出合适的模型参数和优化算法，还可以提高模型的泛化能力和鲁棒性。

可选的，在模型训练的过程中，由于解耦合损失能够反映模型预测的误差大小，所以当解耦合损失较大时，意味着模型预测的误差也相对较大，也即工业学生模型对于训练数据的拟合程度可能较高，容易出现过拟合的问题。因此，为了避免出现过拟合或者欠拟合的问题，需要获取解耦合损失的方式，以便更好地调整模型参数和选择合适的复杂度，从而达到最优的训练效果。

本申请提供一种但不限于如下一种解耦合损失公式：

其中，α和β为权重系数，T表示老师多个候选工业教师模型，S表示工业学生模型，

S304：根据目标判别模型和所述工业训练数据集，得到所述工业训练数据集的排序处理结果，所述目标判别模型用于评估每个候选工业教师模型的数据处理能力。

其中，为了优化数据处理效率和提高数据处理质量，需要通过使用目标判别模型对工业训练数据集进行排序处理，以便将数据处理任务分配给最适合处理该数据的工业教师模型，从而使得数据处理更加高效、准确。同时，使用目标判别模型也可以保证数据处理的稳定性和一致性，从而减少因数据处理不当而引起的误差和问题。

可以理解的，通过使用目标判别模型来评估多个候选工业教师模型的数据处理能力，不仅可以提高工业学生模型对不同数据类型的数据处理能力，还可以提高工业学生模型的数据处理效率和数据处理质量。

S305：根据所述排序处理结果，确定所述每个候选工业教师模型的目标权重损失以及与目标权重损失对应的加权平均数。

其中，目标权重损失用于衡量每个候选工业教师模型在处理工业训练数据集时的目标达成程度；加权平均数用于反映每个候选工业教师模型在处理工业训练数据集时的综合性能。

通过根据排序处理结果，则可以得到每个候选工业教师模型在处理工业训练数据集时的目标达成程度，进而可以得到每个候选工业教师模型在处理工业训练数据集的综合性能，从而可以通过多个候选工业教师模型的综合性能，可以确定出工业学生模型在处理工业数据时的目标达成程度，并以此作为基准，对工业学生模型进行训练，以确保训练完成的工业学生模型能够适应于多种不同的工业数据处理任务。

可以理解的，在对多个候选工业教师模型的评估时，可能存在多个评估指标，例如准确性、速度、稳定性等。因此需要根据每个候选工业教师模型的综合性能对它们进行加权处理，然后再进行平均计算，以便能够训练处最适合处理特定工业训练数据的模型。

在该步骤中，例如可以先根据排序处理结果，确定每个候选工业教师模型的目标权重损失，然后对每个候选工业教师模型的目标权重损失进行计算，得到与目标权重损失对应加权平均数。

S306：根据所述目标权重损失和所述加权平均数，确定所述工业学生模型的目标损失数值。

其中，为了提高工业学生模型的数据处理效率和数据处理质量，需要根据目标权重损失和加权平均数，共同确定出工业学生模型的目标损失数值。

可以理解的，通过参考多个候选工业教师模型的目标权重损失和综合性能，可以更全面地评估工业学生模型在不同方面的性能，以及选择出合适的处理规则来处理特定的数据集，从而提高数据处理的准确性。

在确定了工业学生模型的目标损失数值时，就可以根据该目标损失数值来进行模型的训练和优化，从而更快地达到最优数据处理效果。同时，通过目标损失数值的确定，还可以更好地应用于评估工业学生模型在处理其他类似数据集时的性能，从而更好地推广和应用模型。

具体的，根据目标权重损失和加权平均数，确定工业学生模型的目标损失数值的实现方式例如可以有：

1)第一种目标损失数值的实现方式例如为：

其中，K表示一共问题有K个答案的排序，即K个老师，

2)第二种目标损失数值的实现方式例如为：

其中，K表示一共问题有K个答案的排序，即K个老师，

可以理解的，由于折扣PRO损失因子是一种用于模型训练的损失调整因子。它主要用于优化神经网络的训练过程，特别是在序列预测或时间序列预测等任务中。因此，为了减少尾部排序结果对工业学生模型损失的影响，可以采用折扣PRO损失因子，以便提高工业学生模型的预测能力。

3)第三种目标损失数值的实现方式例如为：

λ

其中，S

可以理解的，为了更加精细地考虑排在后面的样本对损失的影响，因此，本申请提供的第三种目标损失数值考虑使用NDCG精确度量每个样本对损失的贡献，以便提高目标工业模型的预测能力。

S307：根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型。

其中，由于工业训练数据集提供了工业学生模型训练所需的数据和特征，目标训练函数定义了模型训练的方式和逻辑，而目标损失数值则是一个预设的目标值，用于评估模型在处理特定任务时的性能。因此，将这三个因素结合起来，可以对工业学生模型进行训练处理，得到目标工业模型。

可以理解的，通过使用工业训练数据集进行模型训练，可以更好地模拟实际情况，并提高工业学生模型的实用性和可靠性，而通过使用目标训练函数，则可以促使工业学生模型在训练过程中更好地收敛于目标损失数值，并提高模型的性能和准确性。因此，在确定了目标工业模型时，就意味着该目标工业模型不仅可以更好地满足工业领域中的应用需求，还可以提高工业生产的效率和效益。

本实施例提供的基于多工业教师模型的模型训练方法，该方法首先根据工业训练数据集，确定出与工业训练数据集的数据来源；然后根据数据来源，确定工业学生模型的参数指标；进而根据训练参数指标和工业训练数据集，确定出用于训练工业学生模型的目标训练函数；然后根据目标判别模型对工业训练数据集进行排序处理，得到与工业训练数据集的排序处理结果，并根据排序处理结果，确定出每个候选工业教师模型的目标权重损失以及与目标权重损失对应的加权平均数，然后根据目标权重损失和加权平均数，确定工业学生模型的目标损失数值，最后，利用工业训练数据集、目标训练函数和目标损失数值，对工业学生模型进行训练处理，直至得到目标工业模型。该方法不仅成功解决了在多个工业教师模型中注入工业知识的难题，而且所确定的工业模型能更好地适应工业生产的各种环境，快速适应新的待处理任务并进一步拓展至新的领域，从而有效提升生产效率，减少生产成本，全面增强企业的盈利能力。

图4为本申请提供的基于多工业教师模型的模型训练装置的结构示意图。如图4所示，本申请提供一种基于多工业教师模型的模型训练装置，该基于多工业教师模型的模型训练装置400包括：

获取模块401，用于获取多个候选工业教师模型，不同的候选工业教师模型对应的工业任务类型和工业任务领域不同；

处理模块402，用于对所述多个候选工业教师模型进行评估处理，得到每个候选工业教师模型对应的评估结果，所述评估结果是根据多个候选工业教师模型的性能参数确定的；

确定模块403，用于根据所述评估结果，确定工业学生模型；

所述获取模块401，还用于获取与所述多个候选工业教师模型对应的工业训练数据集；

所述处理模块402，还用于根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，所述获取模块401，还用于从工业制造全生命周期中获取多个工业任务类型以及多个工业任务领域；

所述确定模块403，还用于根据所述多个工业任务类型以及所述多个工业任务领域，确定与每个工业任务类型和/或每个工业任务领域对应的目标开源数据指令；

所述处理模块402，具体用于根据所述目标开源数据指令，对多个工业开源模型进行指令调整处理，得到与所述多个工业任务类型以及所述多个工业任务领域对应的多个候选工业教师模型。

可选的，所述处理模块402，还用于采用与候选工业教师模型的工业任务类型对应的评估指标，对多个候选工业教师模型进行评估处理，得到每个候选工业教师模型的性能评估参数，所述性能参数包括：整体性能、错误分析能力以及单一样本处理能力；

所述确定模块403，具体用于根据每个候选工业教师模型的整体性能、错误分析能力以及单一样本处理能力，确定所述候选工业教师模型的评估结果。

可选的，所述获取模块401，还用于从数据库中获取种子训练集，所述种子训练集包括：多个种子问题以及每个种子问题对应的种子答案；

所述装置还包括：输入模块404；

所述输入模块404，用于将多个种子问题分别输入至所述多个候选工业教师模型，得到每个候选工业教师模型输出的候选答案；

所述处理模块402，还用于采用质量评估处理模型对所述每个候选工业教师模型输出的候选答案进行质量评估处理，得到指令评估结果；

所述确定模块403，具体用于根据所述指令评估结果，生成与所述多个候选工业教师模型对应的工业训练数据集。

可选的，所述确定模块403，还用于根据所述工业训练数据集，确定所述工业训练数据集的数据来源；

所述确定模块403，还用于根据所述数据来源，确定训练参数指标，所述训练参数指标用于指示工业学生模型的性能水平；

所述确定模块403，还用于根据所述训练参数指标和所述工业训练数据集，确定目标训练函数，所述目标训练函数是指用于训练工业学生模型的函数。

可选的，所述确定模块403，还用于根据目标判别模型和所述工业训练数据集，得到所述工业训练数据集的排序处理结果，所述目标判别模型用于评估每个候选工业教师模型的数据处理能力；

所述确定模块403，还用于根据所述排序处理结果，确定所述每个候选工业教师模型的目标权重损失以及与目标权重损失对应的加权平均数；

所述确定模块403，还用于根据所述目标权重损失和所述加权平均数，确定所述工业学生模型的目标损失数值，所述目标损失数值；

所述根据所述工业训练数据集，对所述工业学生模型进行训练处理，得到目标工业模型，包括：

所述处理模块402，还用于根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型。

可选的，所述处理模块402，还用于采用第一训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第一训练方式用于对所述工业训练数据集进行统一更新处理；

和/或；

所述处理模块402，还用于采用第二训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第二训练方式用于对所述工业训练数据集进行结构更新处理；

和/或；

所述处理模块402，还用于采用第三训练方式，并根据所述工业训练数据集、所述目标训练函数和所述目标损失数值，对所述工业学生模型进行训练处理，得到目标工业模型，所述第三训练方式用于对所述工业训练数据集进行层级更新处理。

图5为本申请提供的基于多工业教师模型的模型训练设备的结构示意图。如图5所示，本申请提供一种基于多工业教师模型的模型训练设备，该基于多工业教师模型的模型训练设备500包括：接收器501、发送器502、处理器503以及存储器504。

接收器501，用于接收指令和数据；

发送器502，用于发送指令和数据；

存储器504，用于存储计算机执行指令；

处理器503，用于执行存储器504存储的计算机执行指令，以实现上述实施例中基于多工业教师模型的模型训练方法所执行的各个步骤。具体可以参见前述基于多工业教师模型的模型训练方法实施例中的相关描述。

可选的，上述存储器504既可以是独立的，也可以跟处理器503集成在一起。

当存储器504独立设置时，该电子设备还包括总线，用于连接存储器504和处理器503。

本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上述基于多工业教师模型的模型训练设备所执行的基于多工业教师模型的模型训练方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，但是，本领域技术人员容易理解的是，本申请的保护范围显然不局限于这些具体实施方式，以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。