本发明涉及显示设备技术领域，特别涉及一种显示设备的控制方法、系统及计算机可读存储介质。
背景技术：
随着科技的进步，在图像识别和ai技术的加持下，显示设备的功能越来越丰富多样，比如，ai(ai，artificialintelligenc，人工智能)智能电视，不仅可以订酒店，机票，而且通过ai图像识别可帮助我们下单购买电视剧中喜欢的未知商品。ai图像识别技术背后是一个深度神经网络，通过大量的数据，计算平台训练出来的神经网络能够提供准确的识别结果。但在显示设备上通过神经网络模型得到数据结果时，需要占据的计算资源较多，而显示设备的计算资源和计算能力有限，导致显示设备在利用神经网络模型得到数据结果时计算效率低、响应速率慢。
技术实现要素：
本发明的主要目的是提供一种显示设备的控制方法、系统及计算机可读存储介质，解决显示设备在利用神经网络模型得到数据结果时计算效率低、响应速率慢的问题。
为实现上述目的，本发明提供一种显示设备的控制方法，所述显示设备的控制方法应用于移动终端，所述显示设备的控制方法包括：
接收显示设备发送的指令，解析所述指令得到输入参数；
通过神经网络模型确定所述输入参数对应的输出参数；
将所述输出参数发送至所述显示设备，以使所述显示设备执行所述输出参数对应的操作。
可选地，所述指令包括所述输入参数以及所述显示设备的目标应用程序的身份标识，所述通过神经网络模型确定所述输入参数对应的输出参数的步骤包括：
将所述输入参数输入至所述身份标识对应的神经网络模型，以得到所述输入参数对应的输出参数，其中，所述身份标识和所述输入参数为通过解析所述指令得到的。
可选地，所述通过神经网络模型确定所述输入参数对应的输出参数的步骤之前，还包括：
接收服务器发送的初始模型；
获取一个或多个智能设备的用户使用信息；
根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型。
可选地，所述根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型的步骤包括：
根据所述用户使用信息确定梯度，并将所述梯度发送至服务器，以使所述服务器根据各个移动终端发送的梯度确定累积梯度；
接收所述服务器反馈的累积梯度，并根据所述累积梯度设置所述初始模型的训练参数得到训练模型；
根据所述用户使用信息对所述训练模型进行训练得到所述神经网络模型。
为实现上述目的，本发明还提供一种显示设备的控制方法，所述显示设备的控制方法应用于显示设备，所述显示设备的控制方法包括：
获取输入参数；
根据所述输入参数生成指令，并将所述指令发送至移动终端，以使所述移动终端根据所述指令获取所述输入参数，并通过所述输入参数以及神经网络模型得到所述输入参数对应的输出参数；
接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作。
可选地，所述获取输入参数的步骤包括：
获取待运算的初始参数以及所述显示设备空闲的计算资源；
根据所述计算资源在所述初始参数中确定所述输入参数，其中，所述计算资源与显示设备运算所述输入参数占据的计算资源成反比。
可选地，所述执行所述输出参数对应的操作包括：
对其他参数进行运行得到目标参数，其中，所述其他参数与所述输入参数构成所述初始参数；
根据所述目标参数以及所述输出参数确定所述显示设备待执行的操作，并执行所述操作。
可选地，所述根据所述输入参数生成指令的步骤包括：
确定当前运行的应用程序；
确定所述应用程序对应的身份标识，并根据所述身份标识以及所述输入参数生成指令。
可选地，所述接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作的步骤包括：
根据每个所述移动终端反馈的输出参数，确定所述显示设备待执行的操作，并执行所述操作。
为实现上述目的，本发明还提供一种显示设备的控制方法，所述显示设备的控制方法应用于服务器，所述显示设备的控制方法包括：
向各个移动终端发送初始模型；
接收各个移动终端发送的梯度；
根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，其中，所述移动终端基于所述累积梯度、所述初始模型得到神经网络模型，并基于所述神经网络模型确定显示设备发送的输入参数对应的输出参数，以使所述显示设备执行所述输出参数对应的操作。
可选地，所述向各个移动终端发送初始模型的步骤包括：
获取预设模型，并将所述预设模型进行格式转换得到初始模型；
将所述初始模型发送至各个所述移动终端。
此外，为实现上述目的，本发明还提出一种移动终端，所述移动终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如以上所述的显示设备的控制方法的步骤。
此外，为实现上述目的，本发明还提出一种显示设备，所述显示设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如以上所述的显示设备的控制方法的步骤。
此外，为实现上述目的，本发明还提出一种服务器，所述服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如以上所述的显示设备的控制方法的步骤。
此外，为实现上述目的，本发明还提出一种显示设备的控制系统，所述显示设备的控制系统包括：
显示设备，用于获取输入参数；根据所述输入参数生成指令，并将所述指令发送至移动终端；接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作；
移动终端，用于接收显示设备发送的指令，解析所述指令得到输入参数；通过神经网络模型确定所述输入参数对应的输出参数；将所述输出参数发送至所述显示设备；
服务器，用于向各个移动终端发送初始模型；接收各个移动终端发送的梯度；根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，以使所述移动终端根据所述累积梯度以及所述初始模型得到神经网络模型。
此外，为实现上述目的，本发明还提出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显示设备的控制程序，所述显示设备的控制程序被处理器执行时实现如以上所述的显示设备的控制方法的步骤。
本发明提出了一种显示设备的控制方法、系统及计算机可读存储介质，移动终端通过接收显示设备发送的指令，解析指令得到输入参数，通过神经网络模型确定输入参数对应的输出参数，将输出参数发送至显示设备，以使显示设备执行所述输出参数对应的操作。本方案中显示设备将输入参数以指令的形式发送给移动终端，通过移动终端中的神经网络模型确定输入参数对应的输出参数，显示设备本身不执行输出参数的确定过程，显示设备仅根据移动终端返回的输出参数执行对应的操作，使得显示设备的计算资源没有因确定输出参数而过度占用，加之移动终端的计算能力一般比显示设备强，提高了计算效率和准确率，进而提高了显示设备的响应速率，解决了显示设备在利用神经网络模型得到数据结果时计算效率低、响应速率慢的问题。
附图说明
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
图1为本发明实施例方案涉及的移动终端/显示设备/服务器的硬件架构示意图；
图2为本发明显示设备的控制方法实施例一的流程示意图；
图3为本发明显示设备的控制方法实施例二的流程示意图；
图4为本发明显示设备的控制方法实施例三的流程示意图；
图5为本发明显示设备的控制方法实施例四的流程示意图；
图6为本发明显示设备的控制方法实施例五的流程示意图；
图7为本发明显示设备的控制方法实施例六的流程示意图；
图8为本发明显示设备的控制方法实施例七的流程示意图；
图9为本发明显示设备的控制方法实施例八的流程示意图；
图10为本发明实施例方案涉及的移动终端和显示设备的交互示意图一；
图11为本发明实施例方案涉及的移动终端和显示设备的交互示意图二；
图12为本发明实施例方案涉及的显示设备的控制系统示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：接收显示设备发送的指令，解析指令得到输入参数，通过神经网络模型确定输入参数对应的输出参数，将输出参数发送至显示设备，以使显示设备执行所述输出参数对应的操作。本方案中显示设备将输入参数以指令的形式发送给移动终端，通过移动终端中的神经网络模型确定输入参数对应的输出参数，显示设备本身不执行输出参数的确定过程，显示设备仅根据移动终端返回的输出参数执行对应的操作，使得显示设备的计算资源没有因确定输出参数而过度占用，加之移动终端的计算能力一般比显示设备强，提高了计算效率和准确率，进而提高了显示设备的响应速率，解决了显示设备在利用神经网络模型得到数据结果时计算效率低、响应速率慢的问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，图1所示的硬件架构示意图应用于本实施例方案涉及的移动终端。
如图1所示，该移动终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatilememory))，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的移动终端的结构并不构成对移动终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统以及显示设备的控制程序。
在图1所示的移动终端中，处理器1001可以用于调用存储器1005中存储的显示设备的控制程序，并执行以下操作：
接收显示设备发送的指令，解析所述指令得到输入参数；
通过神经网络模型确定所述输入参数对应的输出参数；
将所述输出参数发送至所述显示设备，以使所述显示设备执行所述输出参数对应的操作。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
将所述输入参数输入至所述身份标识对应的神经网络模型，以得到所述输入参数对应的输出参数，其中，所述身份标识和所述输入参数为通过解析所述指令得到的。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
接收服务器发送的初始模型；
获取一个或多个智能设备的用户使用信息；
根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
根据所述用户使用信息确定梯度，并将所述梯度发送至服务器，以使所述服务器根据各个移动终端发送的梯度确定累积梯度；
接收所述服务器反馈的累积梯度，并根据所述累积梯度设置所述初始模型的训练参数得到训练模型；
根据所述用户使用信息对所述训练模型进行训练得到所述神经网络模型。
如图1所示，图1所示的硬件架构示意图还可应用于本实施例方案涉及的显示设备。
如图1所示，该显示设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatilememory))，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的显示设备的结构并不构成对显示设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统以及显示设备的控制程序。
在图1所示的显示设备中，处理器1001可以用于调用存储器1005中存储的显示设备的控制程序，并执行以下操作：
获取输入参数；
根据所述输入参数生成指令，并将所述指令发送至移动终端，以使所述移动终端根据所述指令获取所述输入参数，并通过所述输入参数以及神经网络模型得到所述输入参数对应的输出参数；
接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
获取待运算的初始参数以及所述显示设备空闲的计算资源；
根据所述计算资源在所述初始参数中确定所述输入参数，其中，所述计算资源与显示设备运算所述输入参数占据的计算资源成反比。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
对其他参数进行运行得到目标参数，其中，所述其他参数与所述输入参数构成所述初始参数；
根据所述目标参数以及所述输出参数确定所述显示设备待执行的操作，并执行所述操作。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
确定当前运行的应用程序；
确定所述应用程序对应的身份标识，并根据所述身份标识以及所述输入参数生成指令。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
根据每个所述移动终端反馈的输出参数，确定所述显示设备待执行的操作，并执行所述操作。
如图1所示，图1所示的硬件架构示意图还可应用于本实施例方案涉及的服务器。
如图1所示，该服务器可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatilememory))，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的服务器的结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统以及显示设备的控制程序。
在图1所示的服务器中，处理器1001可以用于调用存储器1005中存储的显示设备的控制程序，并执行以下操作：
向各个移动终端发送初始模型；
接收各个移动终端发送的梯度；
根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，其中，所述移动终端基于所述累积梯度、所述初始模型得到神经网络模型，并基于所述神经网络模型确定显示设备发送的输入参数对应的输出参数，以使所述显示设备执行所述输出参数对应的操作。
进一步地，处理器1001可以调用存储器1005中存储的显示设备的控制程序，还执行以下操作：
获取预设模型，并将所述预设模型进行格式转换得到初始模型；
将所述初始模型发送至各个所述移动终端。
参照图2，图2为本发明显示设备的控制方法实施例一的流程示意图，所述显示设备的控制方法应用于移动终端，所述显示设备的控制方法包括以下步骤：
步骤s10，接收显示设备发送的指令，解析所述指令得到输入参数；
在本实施例中，执行主体是移动终端，移动终端也叫移动通信终端，是一种具有计算机基础架构，并且可以在移动中使用的硬件设备，计算机基础架构可以采用冯诺依曼结构描述，即包括算术逻辑单元、控制电路、存储器及输入输出设备；显示设备也叫显示器，是一种可输出图像或感触信息的设备；指令为显示设备发送的计算机控制信息，用于控制移动终端的运行状态；输入参数为指令包含的控制参数，作为控制移动终端运行状态的输入，指令中包含输入参数。
在实际的应用场景中，本实施例中的显示设备的控制方法可以应用于移动终端中，该移动终端为具有较强计算能力的终端设备，例如智能手机、笔记本电脑等；显示设备包括用于显示内容的显示装置，例如，具有显示面板的智能电视，电脑、智能冰箱等。移动终端和显示设备之间可以进行交互，即移动终端和显示设备之间可以进行有线通信或者无线通信，显示设备通过发送指令的形式控制移动终端运行对应的功能，移动终端可以根据接收到的指令生成对应的输出结果，并向显示设备反馈输出结果。更进一步地，显示设备可通过发送指令的形式让移动终端协助显示设备工作，例如，让移动终端协助显示设备作复杂度高的运算，或者让移动终端协助显示设备进行神经网络模型的推理等，显示设备也可以让移动终端充当摄像头进行拍照或录像，显示设备让移动终端承担一部分显示设备的工作，在移动终端中生成对应的输出结果，将生成的输出结果反馈至显示设备，显示设备根据该输出结果执行对应的后处理操作，例如，根据移动终端反馈的输出结果执行图像渲染显示的操作等。需要说明的是，移动终端协助显示设备所做的工作也可以直接在显示设备上完成，通常情况下，当某一工作完全由显示设备执行，需要占据的资源较多，计算能力要求较高，而显示设备的计算资源和计算能力有限时，显示设备可让移动终端协助处理一部分工作，这样可以节省显示设备的计算资源，提高计算效率和响应速率，例如，显示设备需要利用神经网络模型执行ai功能时，由于神经网络模型的推理过程计算复杂度高，占据的计算资源较多，这时便可让移动终端协助显示设备执行神经网络模型的推理，在移动终端上生成推理结果并反馈至显示设备，显示设备仅执行根据推理结果的后处理操作，移动终端的协助节省了显示设备的计算资源，提高了计算效率和响应速率。或者，显示设备需要利用移动终端的摄像头时，也可以让移动终端充当摄像头，例如，在视频通话中或者需要拍摄图像的神经网络模型的推理中。
在本实施例中，显示设备向移动终端发送指令，移动终端接收显示设备发送的指令，移动终端解析接收到的指令得到输入参数。具体地，参照图10，图10为本发明实施例方案涉及的移动终端和显示设备的交互示意图一，如图10所示，显示设备01中的应用程序向移动终端02发送指令，移动终端02接收显示设备01发送的指令后，解析该指令，得到指令中包含的输入参数，解析指令即从指令中分析和提取出其所包含的输入参数，其中指令可选为ai功能指令，例如，人脸识别指令、目标检测指令或者3d建模指令等，输入参数相应可以为ai功能指令对应的输入参数，例如，人脸识别功能的输入参数、目标检测功能的输入参数或者3d建模功能的输入参数。
步骤s20，通过神经网络模型确定所述输入参数对应的输出参数；
在本实施例中，神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，神经网络模型即为通过神经网络搭建并训练好的模型，神经网络模型可以对输入参数推理，生成推理结果；输出参数即为输入参数经过神经网络模型推理后得到的推理结果，输出参数用于控制显示设备的运行状态。
在实际的应用场景中，移动终端02可以协助显示设备01进行神经网络模型的推理，移动终端02中存储有训练好的神经网络模型，移动终端02在接收到显示设备01发送的指令，并解析该指令得到输入参数后，将输入参数输入神经网络模型推理，得到输入参数对应的输出参数。
在实际的应用场景中，显示设备01发送的指令包括输入参数以及显示设备的目标应用程序的身份标识，移动终端02通过解析显示设备01发送的指令得到输入参数和目标应用程序的身份标识，将输入参数输入至身份标识对应的神经网络模型，以得到输入参数对应的输出参数，其中，应用程序为显示设备01完成某项或多项特定工作的计算机程序，显示设备01中包含有各类应用程序，显示设备01中的每一个应用程序对应完成一项功能，目标应用程序为显示设备01当前运行的应用程序，例如，若显示设备01执行人脸识别功能，显示设备01当前运行的应用程序为人脸识别应用程序，则目标应用程序即为人脸识别应用程序；若显示设备01执行目标检测功能，显示设备01当前运行的应用程序为目标检测应用程序，则目标应用程序即为目标检测应用程序；若显示设备01执行3d建模功能，显示设备01当前运行的应用程序为3d建模应用程序，则目标应用程序即为3d建模应用程序。显示设备01中的每一个应用程序对应有一个身份标识，身份标识即区分不同应用程序的标识信息，通常表现为字符串代码。显示设备01中的每一个应用程序对应有输入参数，移动终端02包括多个神经网络模型，不同的神经网络模型对应显示设备01中不同的应用程序，也即不同的神经网络模型对应不同应用程序的身份标识，显示设备01根据需要执行的功能确定需要运行的目标应用程序，同时获取到该目标应用程序的身份标识以及该目标应用程序对应的输入参数，显示设备01根据目标应用程序的身份标识和输入参数生成指令，并发送至移动终端02，移动终端02解析指令得到输入参数以及目标应用程序的身份标识，进而可以根据目标应用程序的身份标识查找对应的神经网络模型，将输入参数输入该身份标识对应的神经网络模型推理，得到该输入参数对应的输出参数。本实施例中的输出参数可选为ai功能指令对应的输出参数，例如，人脸识别信息、目标检测信息或者3d图像信息等。具体地，若输入参数为人脸识别应用程序对应的输入参数，将输入参数输入人脸识别应用程序的身份标识对应的神经网络模型推理，得到人脸识别信息；若输入参数为目标检测应用程序对应的输入参数，则拍摄检测图像，将输入参数以及检测图像输入目标检测应用程序的身份标识对应的神经网络模型推理得到目标检测信息；若输入参数为3d建模应用程序对应的输入参数，则拍摄3d图像，将3输入参数以及3d图像输入3d建模应用程序的身份标识对应的神经网络模型推理，得到3d图像信息。
步骤s30，将所述输出参数发送至所述显示设备，以使所述显示设备执行所述输出参数对应的操作。
在本实施例中，输出参数对应的操作为显示设备根据输出参数执行的操作，移动终端在得到输出参数后，将输出参数发送至显示设备，使显示设备执行输出参数对应的操作。
在实际的应用场景中，移动终端02在得到输出参数后，将输出参数发送至显示设备01，显示设备01根据输出参数执行对应的操作。例如，在输出参数为人脸识别信息时，移动终端02将人脸识别信息发送至显示设备01，以使显示设备01根据人脸识别信息执行人脸识别操作；在输出参数为目标检测信息时，移动终端02将目标检测信息发送至显示设备01，以使显示设备01根据目标检测信息执行目标检测操作；在输出参数为3d图像信息时，移动终端02将3d图像信息发送至显示设备01，以使显示设备01根据3d图像信息执行3d建模操作。需要说明的是，当显示设备01只需要移动终端02充当摄像头时，移动终端02可以直接将拍摄到的图像发送至显示设备01，例如，在视频通话中，移动终端02实时将拍摄的图像发送至显示设备01显示，以发挥显示设备的大屏作用。
更进一步地，在实际的应用场景中，可以用多个移动终端协助显示设备推理多个神经网络模型，若显示设备需要同时推理多个神经网络模型，显示设备可以和多个移动终端交互，具体地，参照图11，图11为本发明实施例方案涉及的移动终端和显示设备的交互示意图二，如图11所示，显示设备01与移动终端02交互，同时，显示设备01与移动终端03交互，显示设备01向移动终端02以及移动终端03发送不同的指令，移动终端02和移动终端03各自解析指令得到身份标识和输入参数，移动终端02和移动终端03各自将输入参数输入身份标识对应的神经网络模型进行推理，各自生成输入参数对应的输出参数并反馈至显示设备01。例如，移动终端02协助显示设备01进行人脸识别神经网络模型推理，生成人脸识别信息，移动终端03协助显示设备01进行目标检测神经网络模型的推理，生成目标检测信息，对于单个交互过程，具体可参考上述内容，在此不再赘述。当然，若显示设备01有多余的计算资源，显示设备01也可以自行推理轻量级的神经网络模型，以达到速率和效率的最大化。可以理解的是，移动终端的个数可根据具体需要确定，本实施例对此不作限定。
本实施例提供的技术方案中，移动终端02通过接收显示设备01发送的指令，解析指令得到输入参数，通过神经网络模型确定输入参数对应的输出参数，将输出参数发送至显示设备01，以使显示设备01执行所述输出参数对应的操作。本方案中显示设备01将输入参数以指令的形式发送给移动终端02，通过移动终端02中的神经网络模型确定输入参数对应的输出参数，显示设备01本身不执行输出参数的确定过程，显示设备01仅根据移动终端02返回的输出参数执行对应的操作，使得显示设备01的计算资源没有因确定输出参数而过度占用，加之移动终端02的计算能力一般比显示设备强，提高了计算效率和准确率，进而提高了显示设备01的响应速率，解决了显示设备在利用神经网络模型得到数据结果时计算效率低、响应速率慢的问题。
参照图3，图3为本发明显示设备的控制方法实施例二的流程示意图，基于实施例一，上述s20的步骤之前，还包括：
步骤s40，接收服务器发送的初始模型；
在本实施例中，服务器是一种具有高速的cpu运算能力、长时间的可靠运行、强大的i/o外部数据吞吐能力以及更好的扩展性的计算机设备，初始模型是尚未训练的网络模型，初始模型不能直接用于神经网络模型推理。
在实际的应用场景中，服务器与移动终端交互，即服务器与移动终端通信连接，服务器向移动终端发送初始模型，移动终端接收服务器发送的初始模型。具体地，参照图12，图12为本发明实施例方案涉及的显示设备的控制系统示意图，如图12所示，显示设备的控制系统包括显示设备01、移动终端02以及服务器04，服务器04中存储有初始模型，服务器04将初始模型发送至移动终端02，移动终端02接收服务器04发送的初始模型，其中，显示设备01可选为智能电视，当然，也可以为其他lot设备，lot设备即物联网设备，例如，智能冰箱、智能门锁等。服务器04可选为边缘服务器或者云服务器。移动终端02接收的初始模型可以为一个，也可以为多个。
步骤s50，获取一个或多个智能设备的用户使用信息；
在本实施例中，智能设备为高度自动化的设备，智能设备包括但不限于上述显示设备01，智能设备与移动终端02交互；用户使用信息为用户使用智能设备产生的使用记录，用于反映用户对智能设备的使用情况，例如，用户的使用时长、用户的浏览记录以及用户的偏好信息等。
在实际的应用场景中，移动终端02在获取到服务器04发送的初始模型后，移动终端获取一个或者多个智能设备的用户使用信息，具体地，用户在使用智能设备时，智能设备产生用户的使用信息，并将用户的使用信息存储在智能设备的存储器中，由于智能设备与移动终端02通信连接，智能设备定时将用户的使用信息发送至移动终端02，移动终端02可以定时获取到智能设备的用户使用信息。可以理解的是，智能设备可以定时更新其存储的用户使用信息。
步骤s60，根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型。
在本实施例中，神经网络模型为初始模型经过训练后得到的模型。
在实际的应用场景中，移动终端02在获取到智能设备的用户使用信息后，根据获取到的用户使用信息训练初始模型，得到神经网络模型。
本实施例提供的技术方案中，移动终端02通过接收服务器发送的初始模型，获取一个或多个智能设备的用户使用信息，根据用户使用信息对所述初始模型进行训练得到神经网络模型。本方案基于用户对智能设备的使用信息训练得到神经网络模型，使神经网络模型更贴合用户的实际情况，获得的神经网络模型更具实际意义。
参照图4，图4为本发明显示设备的控制方法实施例三的流程示意图，基于实施例二，上述s60的步骤包括：
步骤s61，根据所述用户使用信息确定梯度，并将所述梯度发送至服务器，以使所述服务器根据各个移动终端发送的梯度确定累积梯度；
在本实施例中，梯度为神经网络模型训练中产生的方向向量，梯度用于优化神经网络模型的网络结构，以提高神经网络模型的识别精度；累积梯度为不同梯度的聚合结果。
在实际的应用场景中，如图12所示，移动终端02在获取到用户的使用信息后，根据用户使用信息训练初始神经网络模型，得到梯度，移动终端02将梯度发送至服务器04，服务器04可以接收不同移动终端产生的梯度，服务器04在获取到各个移动终端的梯度后，采用聚合算法聚合各个移动终端的梯度得到累积梯度。
步骤s62，接收所述服务器反馈的累积梯度，并根据所述累积梯度设置所述初始模型的训练参数得到训练模型；
在本实施例中，训练参数为训练初始模型时设置的参数，例如，学习率、滑动步长等；训练模型为确定训练参数后的初始模型。
在实际的应用场景中，服务器04聚合得到累积梯度后，将累积梯度反馈至移动终端02，移动终端02接收服务器04反馈的累积梯度，根据累积梯度设置初始模型的训练参数，得到训练模型。
步骤s63，根据所述用户使用信息对所述训练模型进行训练得到所述神经网络模型。
在本实施例中，在移动终端02得到训练模型后，移动终端02根据用户使用信息训练得到的训练模型，得到神经网络模型。具体地，移动终端02将用户使用信息输入训练模型训练，并计算训练模型的损失函数，判断训练模型的损失函数是否收敛，在训练模型的损失函数收敛时，将损失函数收敛的训练模型确定为神经网络模型，在训练模型的损失函数不收敛时，更新训练模型的训练参数，用用户使用信息训练参数更新后的训练模型，直至训练模型收敛，将收敛后的训练模型确定为神经网络模型。
本实施例提供的技术方案中，利用联邦学习的边缘计算框架实现模型的参数更新和训练，既保护了用户隐私，又将模型的更新过程转移到移动终端02和服务器04，节省了显示设备01的计算资源。
参照图5，图5为本发明显示设备的控制方法实施例四的流程示意图，所述显示设备的控制方法应用于显示设备，所述显示设备的控制方法包括以下步骤：
步骤s70，获取输入参数；
在本实施例中，执行主体为显示设备，显示设备在向移动终端发送指令前，先获取输入参数。
在实际的应用场景中，如图10所示，显示设备01获取输入参数。具体地，显示设备01根据需要执行的ai功能获取对应的输入参数，例如，若显示设备01需要执行人脸识别功能，则显示设备01获取人脸识别应用程序对应的输入参数；若显示设备01需要执行目标检测功能，则显示设备01获取目标检测应用程序对应的输入参数；若显示设备01需要执行3d建模功能，则显示设备01获取3d建模应用程序对应的输入参数。
步骤s80，根据所述输入参数生成指令，并将所述指令发送至移动终端，以使所述移动终端根据所述指令获取所述输入参数，并通过所述输入参数以及神经网络模型得到所述输入参数对应的输出参数；
在本实施例中，显示设备01在获取到输入参数后，根据输入参数生成对应的指令，并将生成的指令发送至移动终端02，以使移动终端02根据该指令获取输入参数，并通过输入参数以及神经网络模型得到输入参数对应的输出参数。
在实际的应用场景中，显示设备01在获取到应用程序对应的输入参数后，进一步获取到应用程序的身份标识，对应用程序对应的输入参数和应用程序的身份标识编码生成指令。例如，若显示设备01获取的输入参数为人脸识别应用程序对应的输入参数，则进一步获取人脸识别应用程序的身份标识，对人脸识别应用程序对应的输入参数和人脸识别应用程序的身份标识编码生成人脸识别指令；若显示设备01获取的输入参数为目标检测应用程序对应的输入参数，则进一步获取目标检测应用程序的身份标识，对目标检测应用程序对应的输入参数和目标检测应用程序的身份标识编码生成目标检测指令；若显示设备01获取的输入参数为3d建模应用程序对应的输入参数，则进一步获取3d建模应用程序的身份标识，对3d建模应用程序对应的输入参数和3d建模应用程序的身份标识编码生成3d建模指令。显示设备01将生成的指令发送至移动终端02，移动终端02根据指令和神经网络模型生成输入参数对应的输出参数，输出参数的生成过程具体可参考上述实施例一的内容，在此不再赘述。
步骤s90，接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作。
在本实施例中，显示设备01接收移动终端02反馈的输出参数，并执行输出参数对应的操作。
在实际的应用场景中，若显示设备01接收移动终端02反馈的输出参数为人脸识别信息，例如，人脸的embedding数据，显示设备01根据接收到的人脸的embedding数据在人脸数据库中查找匹配度最高的人脸图像，在显示设备01中查找到匹配度最高的人脸图像后，显示该匹配度最高的人脸图像。更进一步地，显示设备01不仅显示查找到的匹配度最高的人脸图像本身，同时还显示有具体的匹配度，并以百分数的形式表示，当然，在其他实施例中，显示形式可根据实际情况确定，在此不作限定；若显示设备01接收移动终端02反馈的输出参数为目标检测信息，目标检测信息包括目标对象的类别以及目标对象所在的位置，目标对象为需要识别的对象，可选为人、车等。显示设备01根据目标检测信息生成目标检测框和目标类别，目标检测框用以显示目标对象所在的位置，目标类别用以表明目标对象的种类。例如，检测图像中的行人，目标对象为行人，目标检测框为行人所在位置范围，目标类别为人。显示设备01根据目标检测框和目标类别生成目标检测图像，目标检测图像为含有目标检测框并显示有目标类别的图像，显示设备01在生成目标检测框和目标类别后，将目标检测框和目标类别映射到拍摄的检测图像上，生成目标检测图像。需要说明的是，移动终端02在将输出参数发送至显示设备01的同时，将拍摄的检测图像发送至显示设备01，在显示设备01生成目标检测图像后，显示该目标检测图像，其中，目标检测图像上包括有目标检测框以及目标类别；若显示设备01接收移动终端02反馈的输出参数为3d图像信息，例如，3d人脸表情信息、人体骨骼关节信息等，显示设备01根据3d图像信息构建3d模型图像，例如3d卡通人物图像，在显示设备01生成3d模型图像后，显示该3d模型图像，或者根据3d图像进行3d应用的开发。例如体感游戏。
本实施例提供的技术方案中，显示设备01通过获取输入参数、根据输入参数生成指令，将指令发送至移动终端，接收移动终端反馈的输出参数，并执行输出参数对应的操作。这样，显示设备01只根据移动终端02反馈的输出参数进行后处理的操作，节省了计算资源，提高了计算效率。
参照图6，图6为本发明显示设备的控制方法实施例五的流程示意图，基于实施例四，上述s70的步骤包括：
步骤s71，获取待运算的初始参数以及所述显示设备空闲的计算资源；
在本实施例中，初始参数为显示设备执行ai功能指令需要运行的全部参数，初始参数中包括输入参数，空闲的计算资源为显示设备01可用的计算资源。在实际的应用场景中，显示设备获取待运算的初始参数和显示设备空闲的计算资源。
步骤s72，根据所述计算资源在所述初始参数中确定所述输入参数，其中，所述计算资源与显示设备运算所述输入参数占据的计算资源成反比。
在本实施例中，在显示设备获取到待运算的初始参数和空闲的计算资源后，根据空闲的计算资源在初始参数中确定输入参数，其中，计算资源与显示设备运算输入参数占据的计算资源成反比。具体地，空闲的计算资源越多，显示设备运算输入参数占据的计算资源越少；空闲的计算资源越少，显示设备运算输入参数占据的计算资源越多。
本实施例提供的技术方案中，通过获取待运算的初始参数以及显示设备空闲的计算资源来确定输入参数，有效分配利用了显示设备的计算资源，实现了计算效率的最大化。
参照图7，图7为本发明显示设备的控制方法实施例六的流程示意图，基于实施例四，上述s90的步骤包括：
步骤s91，接收所述移动终端反馈的所述输出参数，对其他参数进行运行得到目标参数，其中，所述其他参数与所述输入参数构成所述初始参数；
在本实施例中，参照图10，其他参数为显示设备01执行ai功能时，除了让移动终端02协助处理的输入参数之外的参数；目标参数是显示设备01运行其他参数得到的参数。
在实际的应用场景中，显示设备01在执行一项ai功能时，既要运行输入参数，同时也要运行其他参数，其他参数是显示设备01承担运行的，不是移动终端02协助处理运行的，其他参数与输入参数构成初始参数，目标参数与输出参数共同决定显示设备01待执行的操作。具体地，显示设备01在接收到移动终端02的输出参数后，运行其他参数，得到目标参数。
步骤s92，根据所述目标参数以及所述输出参数确定所述显示设备待执行的操作，并执行所述操作。
在本实施例中，待执行的操作为显示设备01在接收到移动终端02的输出参数后需要执行的后处理操作，例如，人脸识别功能的后处理操作、目标检测功能的后处理操作或者3d建模功能的后处理操作，后处理操作具体可选为图像的渲染展示，图像的模型建模等。
在实际的应用场景中，在显示设备01接收到的输出参数为人脸识别信息后，显示设备01运行人脸识别功能对应的其他参数得到目标参数，根据目标参数以及人脸识别信息确定显示设备01需要执行的后处理操作为在人脸数据库中查找与人脸识别信息相匹配的人脸图像并显示，并执行该后处理操作；在显示设备01接收到的输出参数为目标检测信息后，显示设备01运行目标检测功能对应的其他参数得到目标参数，根据目标参数以及目标检测信息确定显示设备01需要执行的后处理操作为将目标检测信息映射到目标检测图像上，并显示映射后的目标检测图像，并执行该后处理操作；在显示设备01接收到的输出参数为3d图像信息后，显示设备01运行3d建模功能对应的其他参数得到目标参数，根据目标参数以及3d图像信息确定显示设备01需要执行的后处理操作为3d建模，并执行该后处理操作。
在实际的应用场景中，参照图11，显示设备01也可以和多个移动终端交互，显示设备01可以同时接收每个移动终端反馈的输出参数，并根据每个移动终端反馈的输出参数确定显示设备01待执行的操作，并执行该待执行的操作，对于单个输出参数，待执行的操作的确定过程具体参考上述内容，在此不再赘述。
本实施例提供的技术方案中，根据目标参数和输出参数确定显示设备01待执行的操作，由于输出参数是移动终端02提供的，显示设备01只需要运行其他参数得到目标参数，使得显示设备01的计算资源没有被过度占用。
参照图8，图8为本发明显示设备的控制方法实施例七的流程示意图，基于实施例四，上述s80的步骤包括：
步骤s81，确定当前运行的应用程序；
在本实施例中，应用程序为显示设备执行相应功能的计算机程序，通过运行应用程序即可执行对应的ai功能。
在实际的应用场景中，显示设备中预设有多种应用程序，例如，人脸识别功能应用程序、目标检测功能应用程序以及3d建模功能应用程序。用户可通过运行应用程序执行应用程序对应的功能。应用程序对应有应用软件，用户通过点击应用软件即可运行对应的应用程序，执行对应的功能，显示设备可以自动检测到用户点击的应用软件，从而可以确定显示设备当前运行的应用程序。
步骤s82，确定所述应用程序对应的身份标识，根据所述身份标识以及所述输入参数生成指令，并将所述指令发送至移动终端，以使所述移动终端根据所述指令获取所述输入参数，并通过所述输入参数以及神经网络模型得到所述输入参数对应的输出参数。
在本实施例中，显示设备在确定当前运行的应用程序后，进一步确定当前运行程序的身份标识，根据当前运行的应用程序和输入参数生成指令。
在实际的应用场景中，显示设备中的每一个应用程序都对应有一个身份标识，当用户点击应用软件，运行对应的应用程序后，显示设备自动获取到应用程序的身份标识，对身份标识和输入参数编码生成指令。例如，在当前运行的应用程序为人脸识别功能应用程序时，则显示设备获取人脸识别功能应用程序的身份标识，将人脸识别应用程序的身份标识与人脸识别功能的输入参数编码生成人脸识别功能指令；在当前运行的应用程序为目标检测功能应用程序时，则获取目标检测功能应用程序的身份标识，将目标检测功能应用程序的身份标识和目标检测功能的输入参数编码生成目标检测功能指令；在当前运行的应用程序为3d建模功能应用程序时，则获取3d建模功能应用程序的身份标识，将3d建模功能应用程序的身份标识和3d建模功能的输入参数编码生成3d建模功能指令。
本实施例提供的技术方案中，通过确定当前运行的应用程序，根据当前运行的应用程序的身份标识以及输入参数生成指令，身份标识、输入参数、应用程序三者是完全对应的，有利于移动终端正确的进行模型推理，防止执行错误的操作。
参照图9，图9为本发明显示设备的控制方法实施例八的流程示意图，所述显示设备的控制方法应用于服务器，所述显示设备的控制方法包括以下步骤：
步骤s100，向各个移动终端发送初始模型；
在本实施例中，执行主体为服务器，服务器可以是云服务器，也可以是边缘服务器。边缘服务器相比于其他服务器，隐私性较高，有利于保护用户的隐私安全，边缘服务器用于提供边缘计算，模型的训练和更新。
在实际的应用场景中，参照图12，服务器04中预存有初始模型，服务器04向移动终端02发送初始模型，服务器04可以向移动终端02发送一个初始模型，也可以发送多个初始模型。更进一步地，服务器04与移动终端02构造不同，存储模型的格式不同，服务器04中存储的网络模型的格式不一定适用于移动终端02的存储要求，服务器04在获取到预设的网络模型后，可以对获取到的网络模型进行格式转换，得到初始模型，以使初始模型的格式适用于移动终端02，再将格式转换后的初始模型发送至移动终端02，其中，格式转换时可以选择相应的格式转换框架，例如，tensorflowlite[2],ncnn[3],mnn[4],mace[5]等框架。
步骤s200，接收各个移动终端发送的梯度；
在本实施例中，服务器04在向移动终端02发送初始模型后，移动终端02根据初始模型得到梯度，并将梯度发送至服务器04，服务器04接收移动终端02的梯度。
步骤s300，根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，其中，所述移动终端基于所述累积梯度、所述初始模型得到神经网络模型，并基于所述神经网络模型确定显示设备发送的输入参数对应的输出参数，以使所述显示设备执行所述输出参数对应的操作。
在本实施例中，服务器04在接收到移动终端的梯度后，采用聚合算法聚合各个梯度得到累积梯度，并将累积梯度发送至移动终端02，以使移动终端02基于该累积梯度和初始模型得到神经网络模型，并基于神经网络模型确定显示设备01发送的输入参数对应的输出参数，以使显示设备01执行输出参数对应的操作。具体过程可参考上述实施例四的内容，在此不再赘述。
本实施例提供的技术方案中，通过边缘服务器，采用联邦学习框架确定累积梯度，保护了数据隐私，同时也提高了神经网络模型的训练效率，进而提高计算效率和响应速率。
基于上述实施例，本发明还提供了一种移动终端，上述移动终端可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的显示设备的控制程序，上述处理器执行上述显示设备的控制程序时，实现如上述任一实施例所述的显示设备的控制方法的步骤。
基于上述实施例，本发明还提供了一种显示设备，上述显示设备可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的显示设备的控制程序，上述处理器执行上述显示设备的控制程序时，实现如上述任一实施例所述的显示设备的控制方法的步骤。
基于上述实施例，本发明还提供了一种服务器，上述服务器可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的显示设备的控制程序，上述处理器执行上述显示设备的控制程序时，实现如上述任一实施例所述的显示设备的控制方法的步骤。
基于上述实施例，本发明还提供了一种显示设备的控制系统，所述显示设备的控制系统包括：
显示设备，用于获取输入参数；根据所述输入参数生成指令，并将所述指令发送至移动终端；接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作；
移动终端，用于接收显示设备发送的指令，解析所述指令得到输入参数；通过神经网络模型确定所述输入参数对应的输出参数；将所述输出参数发送至所述显示设备；
服务器，用于向各个移动终端发送初始模型；接收各个移动终端发送的梯度；根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，以使所述移动终端根据所述累积梯度以及所述初始模型得到神经网络模型。
基于上述实施例，本发明还提供一种计算机可读存储介质，其上存储有显示设备的控制程序，上述显示设备的控制程序被处理器执行时实现如上述任一实施例所述的显示设备的控制方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种显示设备的控制方法，其特征在于，所述显示设备的控制方法应用于移动终端，所述显示设备的控制方法包括：
接收显示设备发送的指令，解析所述指令得到输入参数；
通过神经网络模型确定所述输入参数对应的输出参数；
将所述输出参数发送至所述显示设备，以使所述显示设备执行所述输出参数对应的操作。
2.如权利要求1所述的显示设备的控制方法，其特征在于，所述指令包括所述输入参数以及所述显示设备的目标应用程序的身份标识，所述通过神经网络模型确定所述输入参数对应的输出参数的步骤包括：
将所述输入参数输入至所述身份标识对应的神经网络模型，以得到所述输入参数对应的输出参数，其中，所述身份标识和所述输入参数为通过解析所述指令得到的。
3.如权利要求1所述的显示设备的控制方法，其特征在于，所述通过神经网络模型确定所述输入参数对应的输出参数的步骤之前，还包括：
接收服务器发送的初始模型；
获取一个或多个智能设备的用户使用信息；
根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型。
4.如权利要求3所述的显示设备的控制方法，其特征在于，所述根据所述用户使用信息对所述初始模型进行训练得到所述神经网络模型的步骤包括：
根据所述用户使用信息确定梯度，并将所述梯度发送至服务器，以使所述服务器根据各个移动终端发送的梯度确定累积梯度；
接收所述服务器反馈的累积梯度，并根据所述累积梯度设置所述初始模型的训练参数得到训练模型；
根据所述用户使用信息对所述训练模型进行训练得到所述神经网络模型。
5.一种显示设备的控制方法，其特征在于，所述显示设备的控制方法应用于显示设备，所述显示设备的控制方法包括：
获取输入参数；
根据所述输入参数生成指令，并将所述指令发送至移动终端，以使所述移动终端根据所述指令获取所述输入参数，并通过所述输入参数以及神经网络模型得到所述输入参数对应的输出参数；
接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作。
6.如权利要求5所述的显示设备的控制方法，其特征在于，所述获取输入参数的步骤包括：
获取待运算的初始参数以及所述显示设备空闲的计算资源；
根据所述计算资源在所述初始参数中确定所述输入参数，其中，所述计算资源与显示设备运算所述输入参数占据的计算资源成反比。
7.如权利要求5所述的显示设备的控制方法，其特征在于，所述执行所述输出参数对应的操作包括：
对其他参数进行运行得到目标参数，其中，所述其他参数与所述输入参数构成所述初始参数；
根据所述目标参数以及所述输出参数确定所述显示设备待执行的操作，并执行所述操作。
8.如权利要求5所述的显示设备的控制方法，其特征在于，所述根据所述输入参数生成指令的步骤包括：
确定当前运行的应用程序；
确定所述应用程序对应的身份标识，并根据所述身份标识以及所述输入参数生成指令。
9.如权利要求5所述的显示设备的控制方法，其特征在于，所述接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作的步骤包括：
根据每个所述移动终端反馈的输出参数，确定所述显示设备待执行的操作，并执行所述操作。
10.一种显示设备的控制方法，其特征在于，所述显示设备的控制方法应用于服务器，所述显示设备的控制方法包括：
向各个移动终端发送初始模型；
接收各个移动终端发送的梯度；
根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，其中，所述移动终端基于所述累积梯度、所述初始模型得到神经网络模型，并基于所述神经网络模型确定显示设备发送的输入参数对应的输出参数，以使所述显示设备执行所述输出参数对应的操作。
11.如权利要求10所述的显示设备的控制方法，其特征在于，所述向各个移动终端发送初始模型的步骤包括：
获取预设模型，并将所述预设模型进行格式转换得到初始模型；
将所述初始模型发送至各个所述移动终端。
12.一种移动终端，其特征在于，所述移动终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如权利要求1～4中任一项所述的显示设备的控制方法的步骤。
13.一种显示设备，其特征在于，所述显示设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如权利要求5～9中任一项所述的显示设备的控制方法的步骤。
14.一种服务器，其特征在于，所述服务器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的显示设备的控制程序，所述显示设备的控制程序被所述处理器执行时实现如权利要求10或11所述的显示设备的控制方法的步骤。
15.一种显示设备的控制系统，所述显示设备的控制系统包括：
显示设备，用于获取输入参数；根据所述输入参数生成指令，并将所述指令发送至移动终端；接收所述移动终端反馈的所述输出参数，并执行所述输出参数对应的操作；
移动终端，用于接收显示设备发送的指令，解析所述指令得到输入参数；通过神经网络模型确定所述输入参数对应的输出参数；将所述输出参数发送至所述显示设备；
服务器，用于向各个移动终端发送初始模型；接收各个移动终端发送的梯度；根据各个所述梯度确定累积梯度，并将所述累积梯度发送至各个所述移动终端，以使所述移动终端根据所述累积梯度以及所述初始模型得到神经网络模型。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有显示设备的控制程序，所述显示设备的控制程序被处理器执行时实现如权利要求1-11中任一项所述的显示设备的控制方法的步骤。
技术总结