1.一种卷积神经网络模型的训练方法，其特征在于，应用于现场可编程逻辑门阵列，包括：获取预训练网络模型；分别对所述预训练网络模型进行量化处理和剪枝处理，得到目标轻量化网络模型；采用高层次综合方式设计通用的确定性随机计算卷积模块和确定性随机计算池化模块，其中，所述确定性随机计算卷积模块和所述确定性随机计算池化模块中集成有确定性随机计算单元，所述确定性随机计算单元用于通过线性反馈移位寄存器生成随机序列；所述确定性随机计算单元包括8-bit线性反馈移位寄存器，采用一个8位多项式生成随机序列，在多比特技术中，每个时钟周期生成四个新位，其中，所述8位多项式为 ，其中，x为输入，y为输出；根据所述确定性随机计算卷积模块和所述确定性随机计算池化模块，在所述现场可编程逻辑门阵列部署所述目标轻量化网络模型；所述分别对所述预训练网络模型进行量化处理和剪枝处理，得到目标轻量化网络模型，包括：对所述预训练网络模型进行量化处理，得到量化后的中间网络模型，其中，所述量化处理采用将浮点型数据改写为整型数据，再进行右移量化处理方式；对所述中间网络模型进行剪枝处理，得到剪枝处理后的目标轻量化网络模型；所述对所述预训练网络模型进行量化处理，得到量化后的中间网络模型，包括：接收目标输入数据，其中，所述目标输入数据未进行正则化处理，且处于预设区间；根据所述目标输入数据的分布情况，确定目标整型权重；对所述目标整型权重和所述目标输入数据进行右移量化，得到量化权重、量化数据和量化相关参数；调用预设更新函数进行验证，以确定所述预训练网络模型是否完成量化处理；在各层的量化相关参数均包括缩减因子、零点偏移和偏移值，且所述缩减因子已完成偏移处理时，确定所述预训练网络模型完成量化处理，得到所述中间网络模型；其中，所述右移量化，包括：其中， 为所述右移量化的输出值， 为量化后的目标整型权重， 为偏置， 为增益， 表示移位操作，移位操作的移位值为 ， ，即 ，为零点偏移参数， ，即 ，为缩减因子进行移位处理 后的缩减参数， 为缩减因子， 为移位值， 表示目标输入数据， 表示内核。
2.根据权利要求1所述的方法，其特征在于，所述对所述中间网络模型进行剪枝处理，得到剪枝处理后的目标轻量化网络模型，包括：对于全连接层，将小于预设阈值的权重设置为0，其中，所述预设阈值根据所述全连接层对应的剪枝百分比计算得到；对于卷积层，持续剪枝掉所有层中L2范数最小的卷积核，直至满足所述卷积层对应的预设剪枝百分比。
3.根据权利要求1所述的方法，其特征在于，所述现场可编程逻辑门阵列与外部存储器连接；所述方法还包括：对所述现场可编程逻辑门阵列的数据流操作进行优化处理，其中，所述优化处理包括对现场可编程逻辑门阵列数组进行分区处理和变形处理，以提升现场可编程逻辑门阵列的数据交换速率和数据交换量；根据循环展开和流水线处理定义所述现场可编程逻辑门阵列中的循环操作；在数据操作过程中，与所述外部存储器进行交互，以将中间结果缓存在所述外部存储器中。
4.根据权利要求1所述的方法，其特征在于，所述根据所述确定性随机计算卷积模块和所述确定性随机计算池化模块，在所述现场可编程逻辑门阵列部署所述目标轻量化网络模型，包括：对所述确定性随机计算卷积模块和所述确定性随机计算池化模块进行仿真测试，得到目标比特流文件；将所述目标比特流文件打包为硬件覆盖层文件，并根据所述硬件覆盖层文件自动烧录代码并连接电路；定义待识别图像文件，并运行进行加速优化后的卷积模块和池化模块；同时导入测试集和所述目标轻量化网络模型。
5.一种卷积神经网络模型的训练装置，其特征在于，应用于现场可编程逻辑门阵列，包括：模型预训练模块，用于获取预训练网络模型；量化剪枝模块，用于分别对所述预训练网络模型进行量化处理和剪枝处理，得到目标轻量化网络模型；高层次综合设计模块，用于采用高层次综合方式设计通用的确定性随机计算卷积模块和确定性随机计算池化模块，其中，所述确定性随机计算卷积模块和所述确定性随机计算池化模块中集成有确定性随机计算单元，所述确定性随机计算单元用于通过线性反馈移位寄存器生成随机序列；所述确定性随机计算单元包括8-bit线性反馈移位寄存器，采用一个8位多项式生成随机序列，在多比特技术中，每个时钟周期生成四个新位，其中，所述8位多项式为 ，其中，x为输入，y为输出；模型部署模块，用于根据所述确定性随机计算卷积模块和所述确定性随机计算池化模块，在所述现场可编程逻辑门阵列部署所述目标轻量化网络模型；量化剪枝模块，具体用于对所述预训练网络模型进行量化处理，得到量化后的中间网络模型，其中，所述量化处理采用将浮点型数据改写为整型数据，再进行右移量化处理方式；对所述中间网络模型进行剪枝处理，得到剪枝处理后的目标轻量化网络模型；量化剪枝模块，具体用于接收目标输入数据，其中，所述目标输入数据未进行正则化处理，且处于预设区间；根据所述目标输入数据的分布情况，确定目标整型权重；对所述目标整型权重和所述目标输入数据进行右移量化，得到量化权重、量化数据和量化相关参数；调用预设更新函数进行验证，以确定所述预训练网络模型是否完成量化处理；在各层的量化相关参数均包括缩减因子、零点偏移和偏移值，且所述缩减因子已完成偏移处理时，确定所述预训练网络模型完成量化处理，得到所述中间网络模型；其中，所述右移量化，包括：其中， 为所述右移量化的输出值， 为量化后的目标整型权重， 为偏置， 为增益， 表示移位操作，移位操作的移位值为 ， ，即 ，为零点偏移参数， ，即 ，为缩减因子进行移位处理 后的缩减参数， 为缩减因子， 为移位值， 表示目标输入数据， 表示内核。
6.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的卷积神经网络模型的训练方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的卷积神经网络模型的训练方法的步骤。
