1.一種基于人工智能的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)處理方法，其特征在于，包括：
獲得神經(jīng)網(wǎng)絡(luò)參數(shù)的M個元素標識中每個元素標識所采用的N個隨機種子；M為大于或等于1的整數(shù)；N為大于或等于2的整數(shù)；
根據(jù)所述每個元素標識和該元素標識所采用的N個隨機種子，獲得所述每個元素標識的N個壓縮參數(shù)；
根據(jù)所述每個元素標識的N個壓縮參數(shù)，利用重構(gòu)神經(jīng)網(wǎng)絡(luò)，獲得所述每個元素標識所對應(yīng)的重構(gòu)元素；
根據(jù)所述每個元素標識所對應(yīng)的重構(gòu)元素，獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述每個元素標識和該元素標識所采用的N個隨機種子，獲得所述每個元素標識的N個壓縮參數(shù)，包括：
根據(jù)所述每個元素標識和該元素標識所采用的N個隨機種子，獲得所述每個元素標識的N個隨機標識；
根據(jù)所述N個隨機標識和預(yù)先設(shè)置的壓縮空間信息，獲得所述每個元素標識的N個壓縮參數(shù)。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述每個元素標識的N個壓縮參數(shù)，利用重構(gòu)神經(jīng)網(wǎng)絡(luò)，獲得所述每個元素標識所對應(yīng)的重構(gòu)元素，包括：
獲得預(yù)先設(shè)置的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的一組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)；或者根據(jù)所述每個元素標識，在預(yù)先設(shè)置的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的至少兩組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)中進行選擇，以獲得一組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)；
根據(jù)所獲得的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)，獲得所述每個元素標識所對應(yīng)的重構(gòu)元素。
4.根據(jù)權(quán)利要求1～3任一權(quán)利要求所述的方法，其特征在于，還包括：
獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)所屬原始神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；
根據(jù)所述損失函數(shù)，獲得所述損失函數(shù)對所述神經(jīng)網(wǎng)絡(luò)參數(shù)的全部壓縮參數(shù)中每個壓縮參數(shù)的梯度；
根據(jù)所述每個壓縮參數(shù)的梯度，利用梯度下降法，更新所述每個壓縮參數(shù)。
5.根據(jù)權(quán)利要求1～3任一權(quán)利要求所述的方法，其特征在于，還包括：
獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)所屬原始神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；
根據(jù)所述損失函數(shù)，獲得所述損失函數(shù)對所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的全部重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)中每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度；
根據(jù)所述每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度，利用梯度下降法，更新所述每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)。
6.一種基于人工智能的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)處理裝置，其特征在于，包括：
隨機種子單元，用于獲得神經(jīng)網(wǎng)絡(luò)參數(shù)的M個元素標識中每個元素標識所采用的N個隨機種子；M為大于或等于1的整數(shù)；N為大于或等于2的整數(shù)；
壓縮參數(shù)單元，用于根據(jù)所述每個元素標識和該元素標識所采用的N個隨機種子，獲得所述每個元素標識的N個壓縮參數(shù)；
重構(gòu)元素單元，用于根據(jù)所述每個元素標識的N個壓縮參數(shù)，利用重構(gòu)神經(jīng)網(wǎng)絡(luò)，獲得所述每個元素標識所對應(yīng)的重構(gòu)元素；
網(wǎng)絡(luò)參數(shù)單元，用于根據(jù)所述每個元素標識所對應(yīng)的重構(gòu)元素，獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述壓縮參數(shù)單元，具體用于
根據(jù)所述每個元素標識和該元素標識所采用的N個隨機種子，獲得所述每個元素標識的N個隨機標識；以及
根據(jù)所述N個隨機標識和預(yù)先設(shè)置的壓縮空間信息，獲得所述每個元素標識的N個壓縮參數(shù)。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述重構(gòu)元素單元，用于
獲得預(yù)先設(shè)置的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的一組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)；或者根據(jù)所述每個元素標識，在預(yù)先設(shè)置的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的至少兩組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)中進行選擇，以獲得一組重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)；以及
根據(jù)所獲得的所述重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)，獲得所述每個元素標識所對應(yīng)的重構(gòu)元素。
9.根據(jù)權(quán)利要求6～8任一權(quán)利要求所述的裝置，其特征在于，還包括壓縮參數(shù)調(diào)整單元，用于
獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)所屬原始神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；
根據(jù)所述損失函數(shù)，獲得所述損失函數(shù)對所述神經(jīng)網(wǎng)絡(luò)參數(shù)的全部壓縮參數(shù)中每個壓縮參數(shù)的梯度；以及
根據(jù)所述每個壓縮參數(shù)的梯度，利用梯度下降法，更新所述每個壓縮參數(shù)。
10.根據(jù)權(quán)利要求6～8任一權(quán)利要求所述的裝置，其特征在于，還包括重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)整單元，用于
獲得所述神經(jīng)網(wǎng)絡(luò)參數(shù)所屬原始神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；
根據(jù)所述損失函數(shù)，獲得所述損失函數(shù)對所述重構(gòu)神經(jīng)網(wǎng)絡(luò)的全部重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)中每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度；以及
根據(jù)所述每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)的梯度，利用梯度下降法，更新所述每個重構(gòu)神經(jīng)網(wǎng)絡(luò)參數(shù)。