1.一种基于lstm神经网络的模组gamma调节方法，其特征在于，包括如下步骤：
s1.利用样本模组对lstm神经网络进行训练，以获取训练好的lstm神经网络；所述lstm神经网络的输入为由多个绑点初始向量组成的输入绑点队列，所述绑点初始向量包括输入绑点及其gamma调节值；所述lstm神经网络的输出绑点队列包括一个或多个输出绑点预测向量，所述输出绑点预测向量包括输出绑点及其gamma调节预测初值；
s2.获取待调制模组的当前输入绑点队列，利用训练好的lstm神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的gamma调节预测初值对待调制模组的当前输出绑点进行gamma调节获得gamma调节值；
s3.利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列，重复步骤s2，直至完成待调制模组的所有绑点的gamma调节。
2.根据权利要求1所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，任一调节模式下，利用样本模组对lstm神经网络进行训练，以获取所述调节模式下训练好的lstm神经网络，利用所述调节模式下训练好的lstm神经网络对待调制模组绑点进行初值预测。
3.根据权利要求1或2所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，步骤s3中的利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其gamma调节值更新所述当前输入绑点队列以生成下一输入绑点队列。
4.根据权利要求1或2所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，利用当前输出绑点的gamma调节值和gamma调节预测初值生成当前输出绑点的损失函数，利用当前输出绑点的损失函数对lstm神经网络的权重系数进行优化，以得到训练好的lstm神经网络。
5.根据权利要求3所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，将多个样本模组作为一个样本组对lstm神经网络进行训练，利用所述样本组的总体损失函数对lstm神经网络的权重系数进行调节，所述总体损失函数为所述样本组的所有样本模组的损失函数之和。
6.根据权利要求4所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，所述当前输出绑点的损失函数为：当前输出绑点的gamma调节值和gamma调节预测初值的欧式距离值。
7.根据权利要求4所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，所述当前输出绑点的损失函数为：任一寄存器的gamma调节值和gamma调节预测初值之间差值的绝对值之和。
8.根据权利要求1或2所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，绑点的调制顺序为：绑点的灰阶值由高至低，其中，前n个绑点利用常规gamma初值预测方法进行调节，其余绑点利用所述基于lstm神经网络的模组gamma调节方法进行调节。
9.根据权利要求1或2所述的一种基于lstm神经网络的模组gamma调节方法，其特征在于，将gamma调节后的待调制模组作为新的样本模组，更新lstm神经网络的权重系数。
10.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～9任一权利要求所述方法的步骤。