1.一种神经网络的轻量化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一神经网络包括n个网络块，所述n大于或等于1，所述基于所述第一神经网络获取第二神经网络，包括：
3.根据权利要求2所述的方法，其特征在于，采样得到的所述m个神经子网络满足以下条件：
4.根据权利要求2或3所述的方法，其特征在于，若所述网络块的通道数大于或等于32的倍数，则所述网络块对应的神经子网络的通道数为32的倍数，若所述网络块的通道数小于32，则所述网络块对应的神经子网络的通道数与所述网络块的通道数相等。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述m大于或等于2，所述m个神经子网络包括第一神经子网络和第二神经子网络，所述训练所述m个神经子网络，包括：
6.根据权利要求2至5中任一项所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，在构建强化学习模块之前，所述方法还包括：
8.根据权利要求6或7所述的方法，其特征在于，所述强化学习模块包括执行者网络和评价者网络，所述执行者网络和评价者网络都采用全连接网络结构，所述执行者网络用于将状态空间映射到动作空间，所述评价者网络用于将状态空间映射到值。
9.根据权利要求8所述的方法，其特征在于，所述全连接网络结构的层数为3。
10.根据权利要求7至9中任一项所述的方法，其特征在于，所述强化学习模块采用近端策略优化ppo算法。
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述方法还包括：
12.根据权利要求7至10中任一项所述的方法，其特征在于，所述方法还包括：
13.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至12任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，使所述处理器执行如权利要求1至12中任一项所述的方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码被电子设备运行时，使得所述电子设备执行如权利要求1至12中任一项所述的方法。