1.一种基于pytorch的探地雷达层析成像加速方法，其特征在于，包括以下步骤：
s1、利用gpr进行层析探测时，探测区域两侧沿巷道布置两条平行线；发射天线端位于其中一行发射高频电磁脉冲，接收天线端位于另一行记录在探测介质内传播后的脉冲；
s2、使用gpr旅行时间层析成像进行地雷探测时，记录接收天线端的电压作为时间的函数，称为轨迹；利用初至时间进行层析反演，得到发射天线端和接收天线端的速度；
s3、采用神经网络方法求解函数，采用pytorch框架调用cuda加速gpu的运算；
s4、使用gpu来计算数据流图；
s5、使用adam来实现更新规则，计算梯度的一阶矩估计和二阶矩估计，设计不同参数的独立自适应学习率。
2.如权利要求1所述的一种基于pytorch的探地雷达层析成像加速方法，其特征在于，所述步骤s2还包括：
基于射线的速度反演需要获得旅行时间，应用式(1)建立旅行时间与慢度的关系，即速度的反演；
t＝∫rays(l)dl
(1)
其中t表示旅行时间，s表示代表慢度场，l表示射线路径长；
对式(1)进行网格离散化和射线追踪，得到离散化的方程(2)；
t＝rs
(2)
其中t表示旅行时间矩阵，r表示根据网格离散化结果的射线段长度矩阵，s表示慢度值矩阵。
3.如权利要求2所述的一种基于pytorch的探地雷达层析成像加速方法，其特征在于，所述步骤s2还包括：
构造一个基于正则化表达的最小二乘算法的目标函数(3)；所述目标函数为损失函数，基于合成旅行时与观测旅行时的一致性来测量模型参数的质量；
j(s)＝||rδs-(tobs-tsyn)||2+λ||ds||2
(3)
λ表示拉格朗日乘数，d表示二阶空间导数矩阵，tobs表示观测旅行时，tsyn表示合成旅行时，△s表示慢度更新值；
将模型参数m的最佳估计定义为最小化方程(4)中的损失函数的模型；对反演结果进行成像，以识别地质异常体；
s＝argmin(j(s))
(4)
方程(4)应用pytorch的神经网络框架求解。
4.如权利要求3所述的一种基于pytorch的探地雷达层析成像加速方法，其特征在于，所述方法还包括：
s6、设计两个数值模型，用于测试和分析所提出的层析成像反演算法；根据到介质分布的不均匀性，将每种介质的相对介电常数和波速设置为预定范围内的随机值；
s7、应用两次射线追踪程序进行反演，在每个光线跟踪过程中，分别对基于神经网络nn和基于最小二乘qr分解法的方法应用预设次数迭代，获得反演结果；
s8、根据公式(5)计算的时间差评估反演结果，基于神经网络nn的层析成像计算速度优于最小二乘qr分解法；
其中，n表示迹线数，dt表示时间差。