1.一种用于存储卷积神经网络的方法，包括：
从目标卷积神经网络包括的至少一个卷积层中确定待转换卷积层；
执行如下转换步骤：将待转换卷积层转换成深度可分离卷积结构，基于转换后的卷积层，生成转换后的卷积神经网络并存储；确定转换后的卷积神经网络的识别精度；
响应于确定所确定的识别精度大于等于预设阈值，从所述至少一个卷积层中的、未转换的卷积层中选择卷积层作为待转换卷积层，继续执行所述转换步骤。
2.根据权利要求1所述的方法，其中，所述从目标卷积神经网络包括的至少一个卷积层中确定待转换卷积层，包括：
从目标卷积神经网络包括的至少一个卷积层中，按照预设的卷积层的层级数由大到小的顺序选择预定数目个卷积层作为待转换卷积层。
3.根据权利要求2所述的方法，其中，所述从所述至少一个卷积层中的、未转换的卷积层中选择卷积层作为待转换卷积层，包括：
从所述至少一个卷积层中的、未转换的卷积层中，按照预设的卷积层的层级数由大到小的顺序选择预定数目个卷积层作为待转换卷积层。
4.根据权利要求1所述的方法，其中，所述确定转换后的卷积神经网络的识别精度，包括：
利用机器学习方法，基于预设的训练样本对转换后的卷积神经网络进行训练，以及确定训练后的转换后的卷积神经网络的识别精度。
5.根据权利要求1所述的方法，其中，所述基于转换后的卷积层，生成转换后的卷积神经网络，包括：
确定转换后的卷积层的输入数据是否是所述目标卷积神经网络中的池化层的输出数据；
响应于确定是，将池化层的输出数据转换为预设数目个通道，以及生成转换后的卷积神经网络。
6.根据权利要求1-5之一所述的方法，其中，所述方法还包括：
响应于确定所确定的识别精度小于预设阈值，输出与识别精度相关的信息。
7.一种用于存储卷积神经网络的装置，包括：
确定单元，配置用于从目标卷积神经网络包括的至少一个卷积层中确定待转换卷积层；
转换单元，配置用于执行如下转换步骤：将待转换卷积层转换成深度可分离卷积结构，基于转换后的卷积层，生成转换后的卷积神经网络并存储；确定转换后的卷积神经网络的识别精度；
选择单元，配置用于响应于确定所确定的识别精度大于等于预设阈值，从所述至少一个卷积层中的、未转换的卷积层中选择卷积层作为待转换卷积层，继续执行所述转换步骤。
8.根据权利要求7所述的装置，其中，所述确定单元进一步配置用于：
从目标卷积神经网络包括的至少一个卷积层中，按照预设的卷积层的层级数由大到小的顺序选择预定数目个卷积层作为待转换卷积层。
9.根据权利要求8所述的装置，其中，所述选择单元进一步配置用于：
从所述至少一个卷积层中的、未转换的卷积层中，按照预设的卷积层的层级数由大到小的顺序选择预定数目个卷积层作为待转换卷积层。
10.根据权利要求7所述的装置，其中，所述转换单元进一步配置用于：
利用机器学习方法，基于预设的训练样本对转换后的卷积神经网络进行训练，以及确定训练后的转换后的卷积神经网络的识别精度。
11.根据权利要求7所述的装置，其中，所述转换单元，包括：
确定模块，配置用于确定转换后的卷积层的输入数据是否是所述目标卷积神经网络中的池化层的输出数据；
转换模块，配置用于响应于确定是，将池化层的输出数据转换为预设数目个通道，以及生成转换后的卷积神经网络。
12.根据权利要求7-11之一所述的装置，其中，所述装置还包括：
输出单元，配置用于响应于确定所确定的识别精度小于预设阈值，输出与识别精度相关的信息。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。