1.一种基于神经网络转换的任务推理方法，其特征在于，包括：获取预训练的人工神经网络，所述人工神经网络中包含多个使用ReLU激活函数的神经元层；选取目标数据集输入所述人工神经网络，分别统计每个神经元在所述目标数据集上的均值和方差；基于所述均值和方差，计算每个神经元的最优脉冲发放阈值；基于所有神经元的最优脉冲发放阈值，将所述人工神经网络转换为脉冲神经网络；基于所述转换后的脉冲神经网络执行任务推理。
2.根据权利要求1所述的方法，其特征在于，选取目标数据集输入所述人工神经网络，分别统计每个神经元在所述目标数据集上的均值和方差，包括：将所述目标数据集输入所述人工神经网络，进行前向传播；在前向传播过程中，记录每个 ReLU 神经元的输入值；对于每个 ReLU 神经元，统计其在所述目标数据集上的输入值的均值和方差。
3.根据权利要求1所述的方法，其特征在于，基于所述均值和方差，计算每个神经元的最优脉冲发放阈值，包括：设置每个神经元的初始阈值；基于每个神经元的均值、方差以及所述初始阈值，计算比例系数；基于所述比例系数更新每个神经元的阈值；基于更新的阈值更新所述比例系数，基于更新的比例系数更新阈值；重复该步骤，直至所述比例系数收敛；基于最终的比例系数，计算得到所述神经元的最优脉冲发放阈值。
4.根据权利要求3所述的方法，其特征在于，基于每个神经元的均值、方差以及所述初始阈值，计算比例系数，包括：其中， 表示比例系数， 表示阈值， 表示均值， 表示方差，N表示量化程度。
5.根据权利要求3所述的方法，其特征在于，基于所述比例系数更新每个神经元的阈值，包括：基于所述比例系数与所述阈值的乘积，得到更新后的阈值。
6.根据权利要求3所述的方法，其特征在于，在所述比例系数满足如下公式时，确定所述比例系数收敛；其中， 趋近于0。
7.根据权利要求1所述的方法，其特征在于，基于所有神经元的最优脉冲发放阈值，将所述人工神经网络转换为脉冲神经网络，包括：将人工神经网络中的每个ReLU神经元对应替换为脉冲神经网络中的一个脉冲神经元，保持网络的拓扑结构不变；基于每层神经元的所述最优脉冲发放阈值，得到所述脉冲神经网络中的脉冲发放阈值；将所述人工神经网络中的权重和偏置迁移到所述脉冲神经网络，得到转换后的脉冲神经网络。
8.一种基于神经网络转换的任务推理装置，其特征在于，包括：获取模块，用于获取预训练的人工神经网络，所述人工神经网络中包含多个使用ReLU激活函数的神经元层；统计模块，用于选取目标数据集输入所述人工神经网络，分别统计每个神经元在所述目标数据集上的均值和方差；最优阈值确定模块，用于基于所述均值和方差，计算每个神经元的最优脉冲发放阈值；转换模块，用于基于所有神经元的最优脉冲发放阈值，将所述人工神经网络转换为脉冲神经网络；任务推理模块，用于基于所述转换后的脉冲神经网络执行任务推理。
9.一种电子设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于神经网络转换的任务推理方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种基于神经网络转换的任务推理方法。
