推理库的部署方法、装置和电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种推理库的部署方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，推理引擎用于将模型部署到硬件环境上，利用硬件环境的计算能力，通过推理库对模型进行前向计算以获取模型的推理结果。然而，相关技术中，需要进行源码编译以获取推理库，源码编译对硬件要求较高，且耗时较长，另外，获取的推理库还可能存在与硬件环境不兼容的问题。

发明内容

提供了一种推理库的部署方法、装置、电子设备、存储介质和计算机程序产品。

根据第一方面，提供了一种推理库的部署方法，包括：获取推理引擎所在硬件环境的配置信息，并基于所述配置信息，生成推理库请求命令；执行所述请求命令生成推理库请求并发送给服务器；接收所述服务器反馈的与所述硬件环境匹配的目标推理库的数据包；根据所述数据包在所述硬件环境上部署所述目标推理库。

根据第二方面，提供了一种推理库的部署装置，包括：获取模块，用于获取推理引擎所在硬件环境的配置信息，并基于所述配置信息，生成推理库请求命令；请求模块，用于执行所述请求命令生成推理库请求并发送给服务器；接收模块，用于接收所述服务器反馈的与所述硬件环境匹配的目标推理库的数据包；部署模块，用于根据所述数据包在所述硬件环境上部署所述目标推理库。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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本公开第一方面所述的推理库的部署方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开第一方面所述的推理库的部署方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开第一方面所述的推理库的部署方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的推理库的部署方法的流程示意图；

图2是根据本公开第二实施例的推理库的部署方法中对深度学习模型的格式进行转换的流程示意图；

图3是根据本公开第三实施例的推理库的部署方法中对深度学习模型的格式进行转换的流程示意图；

图4是根据本公开第四实施例的推理库的部署方法中对深度学习模型的格式进行转换的流程示意图；

图5是根据本公开第一实施例的推理库的部署装置的框图；

图6是根据本公开第二实施例的推理库的部署装置的框图；

图7是用来实现本公开实施例的推理库的部署方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

DL(Deep Learning，深度学习)是ML(Machine Learning，机器学习)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。

图1是根据本公开第一实施例的推理库的部署方法的流程示意图。

如图1所示，本公开第一实施例的推理库的部署方法包括：

S101，获取推理引擎所在硬件环境的配置信息，并基于配置信息，生成推理库请求命令。

需要说明的是，本公开实施例的推理库的部署方法的执行主体可为推理引擎。可选的，推理引擎可为APP(Application，应用程序)的形式。

本公开的实施例中，推理引擎可预先部署在硬件环境上。可选的，推理引擎的安装包可为pip软件包，例如，若推理引擎的名称为infer_engine，用户可使用命令pip installinfer_engine安装该推理引擎。

进一步地，可获取推理引擎所在硬件环境的配置信息，并基于配置信息，生成推理库请求命令。

可以理解的是，不同的推理引擎所在硬件环境的配置信息可能不同，例如，推理引擎A所在硬件环境的操作系统的位数为32位，内存为2G，推理引擎B所在硬件环境的操作系统的位数为64位，内存为8G。

可以理解的是，不同的硬件环境的配置信息，所需的推理库可能不同。本公开的实施例中，可基于配置信息，生成推理库请求命令，从而不同的配置信息可对应不同的推理库请求命令，灵活性较高。

可选的，基于配置信息，生成推理库请求命令，可包括预先建立配置信息和推理库请求命令之间的映射关系或者映射表，在获取到配置信息之后，查询映射关系或者映射表，能够获取到对应的推理库请求命令。应说明的是，上述映射关系或者映射表均可根据实际情况进行设置，这里不做过多限定。

S102，执行请求命令生成推理库请求并发送给服务器。

本公开的实施例中，推理引擎可执行推理库请求命令生成推理库请求，并将推理库请求发送给服务器。可以理解的是，推理库请求中携带推理引擎所在硬件环境的配置信息。

本公开的实施例中，推理引擎可和服务器建立网络连接，以和服务器进行数据传输，可选的，网络连接可为移动网络，例如3G、4G、5G等。

可选的，服务器可为云服务器。

S103，接收服务器反馈的与硬件环境匹配的目标推理库的数据包。

本公开的实施例中，服务器可预先存储多个推理库的数据包，不同的推理库可对应不同的数据包。服务器接收推理库请求之后，可根据推理库请求中的推理引擎所在硬件环境的配置信息，从存储的多个推理库的数据包中获取与硬件环境匹配的目标推理库的数据包并反馈给推理引擎。相应的，推理引擎可接收服务器反馈的与硬件环境匹配的目标推理库的数据包。

S104，根据数据包在硬件环境上部署目标推理库。

可以理解的是，推理引擎可根据数据包在硬件环境上部署目标推理库，例如，可将数据包存储到硬件的存储空间中，然后根据硬件的存储空间中的数据包进行目标推理库的安装，以实现目标推理库在硬件环境上的部署。

综上，根据本公开实施例的推理库的部署方法，可基于推理引擎所在硬件环境的配置信息生成推理库请求命令，执行请求命令生成推理库请求并发送给服务器，接收服务器反馈的与硬件环境匹配的目标推理库的数据包，根据数据包在硬件环境上部署目标推理库。由此，可获取与推理引擎所在硬件环境的配置信息匹配的目标推理库的数据包，并根据数据包在硬件环境上部署目标推理库，可保证目标推理库与推理引擎所在硬件环境的兼容性，提高了目标推理库部署的可靠性，而且目标推理库的获取不需要进行源码编译，耗时较短。

在上述任一实施例的基础上，步骤S104中根据数据包在硬件环境上部署目标推理库之后，还包括响应于推理引擎的格式与深度学习模型的格式不匹配，对深度学习模型的格式进行转换。

需要说明的是，本公开的实施例中，深度学习模型的格式可根据实际情况设置，这里不做过多限定。

可以理解的是，还可将深度学习模型部署在硬件环境上，而推理引擎的格式与深度学习模型的格式可能不匹配，则可响应于推理引擎的格式与深度学习模型的格式不匹配，对深度学习模型的格式进行转换，以将深度学习模型的格式转换为与推理引擎的格式匹配的格式，即转换后的推理引擎的格式与深度学习模型的格式匹配，可保证转换后的深度学习模型与推理引擎所在硬件环境的兼容性，提高了深度学习模型部署的可靠性。

可选的，如图2所示，对深度学习模型的格式进行转换，可包括：

S201，基于推理引擎的第一格式信息和深度学习模型的第二格式信息，生成模型转换程序。

本公开的实施例中，可基于推理引擎的第一格式信息和深度学习模型的第二格式信息，生成模型转换程序，可综合考虑到推理引擎的第一格式信息和深度学习模型的第二格式信息对模型转换程序的影响，使得模型转换程序更加准确。

需要说明的是，本公开的实施例中，对模型转换程序的内容、类型等均不做限定。例如，模型转换程序可采用Java、Python等编程语言。

可选的，基于推理引擎的第一格式信息和深度学习模型的第二格式信息，生成模型转换程序，可包括如下两种可能的实施方式。

方式1、从配置文件中读取第一格式信息和第二格式信息，将第一格式信息和第二格式信息写入模型转换程序模板内，以生成模型转换程序。

本公开的实施例中，可预先设置配置文件，配置文件中包括推理引擎的第一格式信息和深度学习模型的第二格式信息。可以理解的是，用户可根据实际情况自行设置配置文件。

进一步地，可从配置文件中读取第一格式信息和第二格式信息，并将第一格式信息和第二格式信息写入模型转换程序模板内，以生成模型转换程序。其中，模型转换程序模板用于根据第一格式信息和第二格式信息生成模型转换程序，模型转换程序模板可根据实际情况预先设置。

由此，该方法可根读取配置文件中的第一格式信息和第二格式信息，并将第一格式信息和第二格式信息写入模型转换程序模板内，以获取模型转换程序。

方式2、从配置文件中读取第一格式信息和第二格式信息的存储位置，将存储位置写入模型转换程序模板内，以生成模型转换程序。

本公开的实施例中，可预先设置配置文件，配置文件中包括推理引擎的第一格式信息和深度学习模型的第二格式信息的存储位置。可以理解的是，用户可根据实际情况自行设置配置文件。

进一步地，可从配置文件中读取第一格式信息和第二格式信息的存储位置，并将存储位置写入模型转换程序模板内，以生成模型转换程序。其中，其中，模型转换程序模板用于根据第一格式信息和第二格式信息的存储位置生成模型转换程序，模型转换程序模板可根据实际情况预先设置。

可选的，将存储位置写入模型转换程序模板内之后，模型转换程序模板可根据存储位置获取推理引擎的第一格式信息和深度学习模型的第二格式信息，并根据推理引擎的第一格式信息和深度学习模型的第二格式信息，生成模型转换程序。

由此，该方法可根读取配置文件中的第一格式信息和第二格式信息的存储位置，并将存储位置写入模型转换程序模板内，以获取模型转换程序。

S202，执行模型转换程序，对深度学习模型的格式进行转换。

可选的，从配置文件中读取第一格式信息和第二格式信息的存储位置，将存储位置写入模型转换程序模板内，以生成模型转换程序时，执行模型转换程序，对深度学习模型的格式进行转换，可包括根据第一格式信息和第二格式信息的存储位置，获取推理引擎的第一格式信息和深度学习模型的第二格式信息。

由此，该方法可基于推理引擎的第一格式信息和深度学习模型的第二格式信息，生成模型转换程序，并通过执行模型转换程序，以实现对深度学习模型的格式进行转换的目的。

在上述任一实施例的基础上，如图3所示，对深度学习模型的格式进行转换，还包括：

S301，基于深度学习模型的模型参数和目标推理库的配置信息，构建验证数据。

可以理解的是，不同的深度学习模型可对应不同的模型参数，不同的目标推理库可对应不同的配置信息。

本公开的实施例中，可基于深度学习模型的模型参数和目标推理库的配置信息，构建验证数据，可综合考虑到深度学习模型的模型参数和目标推理库的配置信息对验证数据的影响，使得验证数据更加准确。

S302，基于验证数据，生成可执行文件并执行，其中，可执行文件用于验证深度学习模型在目标推理库下的推理速度。

本公开的实施例中，可基于验证数据生成可执行文件(Executable File)并执行，可执行文件可用于验证深度学习模型在目标推理库下的推理速度。应说明的是，可执行文件指的是可被操作系统加载执行的文件。

需要说明的是，本公开的实施例中，对可执行文件的类型不做限定。例如，可执行文件可为exe、sys、com等类型的文件。

由此，该方法可基于深度学习模型的模型参数和目标推理库的配置信息，构建验证数据，基于验证数据，生成可执行文件并执行，从而可基于可执行文件验证深度学习模型在目标推理库下的推理速度。

在上述任一实施例的基础上，如图4所示，对深度学习模型的格式进行转换，还包括：

S401，基于深度学习模型的模型参数和目标推理库的配置信息，获取匹配的接口程序模板。

可以理解的是，不同的深度学习模型可对应不同的模型参数，不同的目标推理库可对应不同的配置信息。

本公开的实施例中，可基于深度学习模型的模型参数和目标推理库的配置信息，获取匹配的接口程序模板，可综合考虑到深度学习模型的模型参数和目标推理库的配置信息对接口程序模板的影响，使得获取的接口程序模板的匹配度更好。

可选的，基于深度学习模型的模型参数和目标推理库的配置信息，获取匹配的接口程序模板，可包括预先建立模型参数、配置信息与接口程序模板之间的映射关系或者映射表，在获取到模型参数、配置信息之后，查询映射关系或者映射表，能够获取到匹配的接口程序模板。应说明的是，上述映射关系或者映射表均可根据实际情况进行设置，这里不做过多限定。

需要说明的是，本公开的实施例中，对接口不做限定，例如可为API(ApplicationProgramming Interface，应用程序接口)。

S402，将深度学习模型的标识信息和目标推理库的标识信息，写入匹配的接口程序模板，以生成匹配的调用接口程序。

本公开的实施例中，可预先为深度学习模型、推理库设置对应的标识信息，用于区分不同的深度学习模型和推理库。

需要说明的是，本公开的实施例中，对标识信息的形式不做限定，例如，标识信息可为文字、字符串等形式。

进一步地，可将深度学习模型的标识信息和目标推理库的标识信息，写入匹配的接口程序模板，以生成匹配的调用接口程序，可综合考虑深度学习模型的标识信息和目标推理库的标识信息对调用接口程序的影响，使得调用接口程序更加准确。

可以理解的是，生成匹配的调用接口程序之后，可执行调用接口程序，以调用接口对深度学习模型的格式进行转换。

由此，该方法可基于深度学习模型的模型参数和目标推理库的配置信息，获取匹配的接口程序模板，并将深度学习模型的标识信息和目标推理库的标识信息，写入匹配的接口程序模板，以生成匹配的调用接口程序。

图5是根据本公开第一实施例的推理库的部署装置的框图。

如图5所示，本公开实施例的推理库的部署装置500，包括：获取模块501、请求模块502、接收模块503、部署模块504。

获取模块501，用于获取推理引擎所在硬件环境的配置信息，并基于所述配置信息，生成推理库请求命令；

请求模块502，用于执行所述请求命令生成推理库请求并发送给服务器；

接收模块503，用于接收所述服务器反馈的与所述硬件环境匹配的目标推理库的数据包；

部署模块504，用于根据所述数据包在所述硬件环境上部署所述目标推理库。

综上，本公开实施例的推理库的部署装置，可基于推理引擎所在硬件环境的配置信息生成推理库请求命令，执行请求命令生成推理库请求并发送给服务器，接收服务器反馈的与硬件环境匹配的目标推理库的数据包，根据数据包在硬件环境上部署目标推理库。由此，可获取与推理引擎所在硬件环境的配置信息匹配的目标推理库的数据包，并根据数据包在硬件环境上部署目标推理库，可保证目标推理库与推理引擎所在硬件环境的兼容性，提高了目标推理库部署的可靠性，而且目标推理库的获取不需要进行源码编译，耗时较短。

图6是根据本公开第一实施例的推理库的部署装置的框图。

如图6所示，本公开实施例的推理库的部署装置600，包括：获取模块601、请求模块602、接收模块603、部署模块604、转换模块605、第一生成模块606、第二生成模块607。

其中，获取模块601与获取模块501具有相同功能和结构，请求模块602与请求模块502具有相同功能和结构，接收模块603与接收模块503具有相同功能和结构，部署模块604与部署模块504具有相同功能和结构。

在本公开的一个实施例中，所述推理库的部署装置600，还包括：转换模块605，用于：响应于所述推理引擎的格式与深度学习模型的格式不匹配，对所述深度学习模型的格式进行转换。

在本公开的一个实施例中，所述转换模块605，包括：生成单元6051，用于基于所述推理引擎的第一格式信息和所述深度学习模型的第二格式信息，生成模型转换程序；转换单元6052，用于执行所述模型转换程序，对所述深度学习模型的格式进行转换。

在本公开的一个实施例中，所述生成单元6051，具体用于：从配置文件中读取所述第一格式信息和所述第二格式信息；将所述第一格式信息和所述第二格式信息写入模型转换程序模板内，以生成所述模型转换程序。

在本公开的一个实施例中，所述生成单元6051，具体用于：从配置文件中读取所述第一格式信息和所述第二格式信息的存储位置；将所述存储位置写入模型转换程序模板内，以生成所述模型转换程序。

在本公开的一个实施例中，所述推理库的部署装置600，还包括：第一生成模块606，用于：基于所述深度学习模型的模型参数和所述目标推理库的配置信息，构建验证数据；基于所述验证数据，生成可执行文件并执行；其中，所述可执行文件用于验证所述深度学习模型在所述目标推理库下的推理速度。

在本公开的一个实施例中，所述推理库的部署装置600，还包括：第二生成模块607，用于：基于所述深度学习模型的模型参数和所述目标推理库的配置信息，获取匹配的接口程序模板；将所述深度学习模型的标识信息和所述目标推理库的标识信息，写入所述匹配的接口程序模板，以生成匹配的调用接口程序。

综上，本公开实施例的推理库的部署装置，可基于推理引擎所在硬件环境的配置信息生成推理库请求命令，执行请求命令生成推理库请求并发送给服务器，接收服务器反馈的与硬件环境匹配的目标推理库的数据包，根据数据包在硬件环境上部署目标推理库。由此，可获取与推理引擎所在硬件环境的配置信息匹配的目标推理库的数据包，并根据数据包在硬件环境上部署目标推理库，可保证目标推理库与推理引擎所在硬件环境的兼容性，提高了目标推理库部署的可靠性，而且目标推理库的获取不需要进行源码编译，耗时较短。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器 (ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM) 703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图1至图4所述的推理库的部署方法。例如，在一些实施例中，推理库的部署方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的推理库的部署方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行推理库的部署方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器 (ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS 服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的推理库的部署方法。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。