1.一种多模式神经网络定时方法，其特征在于，应用于不确定度估计优化运算场景中的定时处理器，所述定时处理器包括：处理单元、全局缓存单元、输入逻辑单元和输出逻辑单元；通过片上互联进行数据传输；并基于目标神经网络负载的层数和运算规模，将处理单元阵列划分为预设值个处理单元集群，划分后的每个所述处理单元集群中的处理单元共享特征图缓存；其中，所述处理单元用于缓存特征图和卷积核数据；所述处理单元阵列为所述定时处理器中的所有处理单元的集合；所述方法包括：通过所述全局缓存单元向每个所述处理单元集群的卷积核缓存传输不同版本的目标神经网络卷积核数据；采样点脉冲信号到达所述输入逻辑单元；若确定所述处理单元集群均空闲，则通过所述逻辑输入单元将所述采样点脉冲信号分别载入到每个所述处理单元集群的特征图缓存；并由所述处理单元开始目标神经网络的正向推理运算；当所述处理单元集群完成运算时，将运算结果传输到所述输出逻辑单元；基于所述运算结果通过所述输出逻辑单元确定所述采样点脉冲信号对应的不确定度。
2.根据权利要求1所述的方法，其特征在于，所述运算结果包括：预测值和预测不确定度；或，预测值。
3.根据权利要求1或2所述方法，其特征在于，所述方法进一步包括：若所述处理单元集群未缓存全部的卷积核数据，且当前缓存的卷积核数据的运算已完成，则通过全局缓存单元再次向各个所述处理单元集群的卷积核缓存加载相应版本的卷积核数据，进行卷积核数据的刷新，并继续进行目标神经网络的正向推理，直到完成运算；若所述处理单元集群未完成所有版本神经网络的推理过程，且当前缓存的版本的卷积核数据的运算已完成，则通过全局缓存单元再次向各个所述处理单元集群的卷积核缓存加载剩余版本的卷积核数据，进行卷积核数据的刷新，并继续进行目标神经网络的正向推理，直到完成运算。
4.一种多模式神经网络定时处理器，其特征在于，应用于不确定度估计优化运算场景中，所述定时处理器包括：处理单元、全局缓存单元、输入逻辑单元和输出逻辑单元；通过片上互联进行数据传输；并基于目标神经网络负载的层数和运算规模，将所述处理单元阵列划分为预设值个处理单元集群，划分后的每个所述处理单元集群中的处理单元共享特征图缓存；其中，所述处理单元阵列为所述定时处理器中的所有处理单元的集合；所述全局缓存单元，用于向每个所述处理单元集群的卷积核缓存传输不同版本的目标神经网络卷积核数据；所述输入逻辑单元，用于输入采样脉冲点信号；若确定所述处理单元集群均空闲，则将所述采样点脉冲信号分别载入到每个所述处理单元集群的特征图缓存；所述处理单元，用于缓存特征图和卷积核数据，进行目标神经网络的正向推理运算；当集群完成运算时，将运算结果传输到所述输出逻辑单元；所述输出逻辑单元，用于基于所述运算结果确定所述采样点脉冲信号对应的不确定度。
5.根据权利要求4所述的定时处理器，其特征在于，所述运算结果包括：预测值和预测不确定度；或，预测值。
6.根据权利要求4或5所述的定时处理器，其特征在于，所述全局缓存单元，进一步用于若所述处理单元集群未缓存全部的卷积核数据，且当前缓存的卷积核数据的运算已完成，则再次向各个所述处理单元集群的卷积核缓存加载相应版本的卷积核数据，进行卷积核数据的刷新，并继续进行目标神经网络的正向推理，直到完成运算；若所述处理单元集群未完成所有版本神经网络的推理过程，且当前缓存的版本的卷积核数据的运算已完成，则再次向各个所述处理单元集群的卷积核缓存加载剩余版本的卷积核数据，进行卷积核数据的刷新，并继续进行目标神经网络的正向推理，直到完成运算。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-3任一项所述的方法。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-3任一项所述的方法。
