1.一种深度神经网络的卷积层稀疏化方法，其特征在于，所述方法包括：
获取深度神经网络中卷积层的张量及结构参数；
根据所述结构参数，利用预设维度划分方法，将所述张量中处于同一维度的权值划分为同一维度单元，得到多个维度单元；
针对各维度单元，根据该维度单元中的权值，对该维度单元中的各权值进行相同的稀疏化操作。
2.根据权利要求1所述的方法，其特征在于，所述根据所述结构参数，利用预设维度划分方法，将所述张量中处于同一维度的权值划分为同一维度单元，得到多个维度单元，包括：
根据所述结构参数中滤波器空间维度的行参数，将所述张量中处于同一行的权值划分为同一维度单元，得到多个行维度单元；
或者，
根据所述结构参数中滤波器空间维度的列参数，将所述张量中处于同一列的权值划分为同一维度单元，得到多个列维度单元。
3.根据权利要求1所述的方法，其特征在于，所述根据所述结构参数，利用预设维度划分方法，将所述张量中处于同一维度的权值划分为同一维度单元，得到多个维度单元，包括：
根据所述结构参数中的滤波器空间维度参数，将所述张量中处于同一滤波器空间内的权值划分为同一维度单元，得到多个空间维度单元。
4.根据权利要求1所述的方法，其特征在于，所述根据所述结构参数，利用预设维度划分方法，将所述张量中处于同一维度的权值划分为同一维度单元，得到多个维度单元，包括：
根据所述结构参数中的输入通道参数，将所述张量中处于同一输入通道内的权值划分为同一维度单元，得到多个输入通道维度单元。
5.根据权利要求1所述的方法，其特征在于，所述针对各维度单元，根据该维度单元中的权值，对该维度单元中的各权值进行相同的稀疏化操作，包括：
针对各维度单元，对该维度单元中各权值的绝对值进行求和计算，得到计算结果；
判断所述计算结果是否大于预设阈值；
若不大于，则将该维度单元中的各权值置零；
若大于，则保持该维度单元中的各权值不变。
6.一种深度神经网络的卷积层稀疏化装置，其特征在于，所述装置包括：
获取模块，用于获取深度神经网络中卷积层的张量及结构参数；
划分模块，用于根据所述结构参数，利用预设维度划分方法，将所述张量中处于同一维度的权值划分为同一维度单元，得到多个维度单元；
稀疏模块，用于针对各维度单元，根据该维度单元中的权值，对该维度单元中的各权值进行相同的稀疏化操作。
7.根据权利要求6所述的装置，其特征在于，所述划分模块，具体用于：
根据所述结构参数中滤波器空间维度的行参数，将所述张量中处于同一行的权值划分为同一维度单元，得到多个行维度单元；
或者，
根据所述结构参数中滤波器空间维度的列参数，将所述张量中处于同一列的权值划分为同一维度单元，得到多个列维度单元。
8.根据权利要求6所述的装置，其特征在于，所述划分模块，具体用于：
根据所述结构参数中的滤波器空间维度参数，将所述张量中处于同一滤波器空间内的权值划分为同一维度单元，得到多个空间维度单元。
9.根据权利要求6所述的装置，其特征在于，所述划分模块，具体用于：
根据所述结构参数中的输入通道参数，将所述张量中处于同一输入通道内的权值划分为同一维度单元，得到多个输入通道维度单元。
10.根据权利要求6所述的装置，其特征在于，所述稀疏模块，具体用于：
针对各维度单元，对该维度单元中各权值的绝对值进行求和计算，得到计算结果；
判断所述计算结果是否大于预设阈值；
若不大于，则将该维度单元中的各权值置零；
若大于，则保持该维度单元中的各权值不变。