1.一种基于海量单类单幅图像的图像分类网络训练方法，其特征在于：包括如下步骤：

步骤一，数据准备：将包含N类单类单幅的图像数据集作为训练数据集1，将包含M类单类多幅的图像数据集作为训练数据集2，训练数据集1的图片数量要远多于训练数据集2的图片数量，所述单类单幅是每一类图像中仅包含一张该类的图像，单类多幅是每一类图像中包含多张同类的图像；

步骤二，网络结构：在DeepID网络结构的基础上进行改进，将训练数据输入层替换为训练数据集1输入层和训练数据集2输入层两个网络层，将DeepID网络结构中的Soft-max层替换为基于迭代次数的动态损失函数，基于迭代次数的动态损失函数会根据迭代次数的奇偶性对损失函数计算公式进行动态选择，将改进后的网络称为基于海量单类单幅图像的图像分类网络，所述DeepID网络结构包含四个卷积层、一个全连接层Fc1、一个Soft-max层；

步骤三，网络训练：当训练的迭代次数为奇数时，将训练数据集1作为基于海量单类单幅图像的图像分类网络的输入数据，步骤二中的基于迭代次数的动态损失函数采用类间距离损失函数，对网络进行训练，当迭代次数为偶数时，将训练数据集2作为基于海量单类单幅图像的图像分类网络的输入数据，步骤二中的基于迭代次数的动态损失函数采用center loss和Soft-max损失函数相结合作为训练网络的损失函数对网络进行训练，得到图像分类模型，所述center loss、softmax损失函数的公式分别为Ls和Lc：步骤四，网络测试：将测试图像输入到基于海量单类单幅图像的图像分类网络中，并利用图像分类模型进行特征提取，获得该测试图像的分类结果。

2.根据权利要求1中所述的基于海量单类单幅图像的图像分类网络训练方法，其特征在于：步骤二中基于迭代次数的动态损失函数的公式如下:当训练的迭代次数为偶数时，训练数据集2作为网络的输入，基于迭代次数的动态损失函数计算公式为：

其中，Wi是第i个训练样本所在训练网络的权重参数，bi是偏置项，xi是第i个训练样本在Fc1层输出的特征，yi是第i个训练样本的类别标签， 第yi类的特征中心，m表示每一次迭代输入的训练样本数量，n表示训练数据集1的类别数。

当训练的迭代次数为奇数时，训练数据集1作为网络的输入，基于迭代次数的动态损失函数计算公式为：

其中zs表示第s个训练样本在Fc1层输出的特征，zt表示第t个训练样本在Fc1层输出的特征。