1.一種深度神經(jīng)網(wǎng)絡(luò)優(yōu)化方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過層相關(guān)性權(quán)重學習組件，對所述輸入實例在所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層上的映射進行學習，得到所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層的模糊關(guān)聯(lián)權(quán)值包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于輸入實例和所述輸入實例對應(yīng)的真實輸出，訓練深度神經(jīng)網(wǎng)絡(luò)，在每次迭代中，獲取所述輸入實例在所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層上的映射包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述輸入實例在所述深度神經(jīng)網(wǎng)絡(luò)的每層神經(jīng)元上的映射、所述隸屬系數(shù)、上一次迭代的輸入實例的類內(nèi)距離之和輸入層相關(guān)性權(quán)重學習組件，基于預(yù)設(shè)的類無關(guān)目標函數(shù)進行學習，得到所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層的模糊關(guān)聯(lián)權(quán)值包括：
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述輸入實例在所述深度神經(jīng)網(wǎng)絡(luò)的每層神經(jīng)元上的映射、所述隸屬系數(shù)、上一次迭代的輸入實例的類內(nèi)距離之和輸入層相關(guān)性權(quán)重學習組件，基于預(yù)設(shè)的類相關(guān)目標函數(shù)進行學習，得到所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層的模糊關(guān)聯(lián)權(quán)值包括：
6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述深度神經(jīng)網(wǎng)絡(luò)的每層隱藏層的模糊關(guān)聯(lián)權(quán)值，對所述深度神經(jīng)網(wǎng)絡(luò)的多層隱藏層進行修剪，獲取迭代后的深度神經(jīng)網(wǎng)絡(luò)包括：
7.一種深度神經(jīng)網(wǎng)絡(luò)優(yōu)化裝置，其特征在于，所述裝置包括：
8.一種通信設(shè)備，其特征在于，包括：
9.一種存儲有計算機指令的非瞬時計算機可讀存儲介質(zhì)，其特征在于，所述計算機指令用于使所述計算機執(zhí)行根據(jù)權(quán)利要求1至6中任一項所述的方法。