1.一种用于视网膜病变分类的卷积神经网络权值优化方法，其特征在于，包括以下步骤：步骤1、输入眼底图像训练集和标签，训练集为X＝(x1,x2,…,xn),n＝1,2,3…，标签为B＝(b1,b2,…,bn),n＝1,2,3…，将眼底图像对应的标签bi进行one‑hot编码得到真实值y_truei；

步骤2、对卷积神经网络权值参数进行初始化，采用标准正态分布生成m只青蛙，按适应值排序，找出最优蛙fb和最差蛙fw，不断更新最差蛙的位置并重新排序，直至单种群蛙跳算法符合收敛条件，得到全局最优蛙fq，将fq作为卷积神经网络的初始权值；具体步骤如下：步骤2.1、确定青蛙数量m，采用标准正态分布生成所有青蛙，标准正态分布公式为：公式(1)中，μ表示位置参数，σ为尺度参数，x为随机变量，每只青蛙f包含网络中的所有权值参数；

步骤2.2、构建一个卷积神经网络前向传播计算模型，从眼底图像训练集中随机选取少量w张眼底图像作为参照图像；

步骤2.3、将未计算损失值的青蛙带入卷积神经网络前向传播计算模型中，计算青蛙的损失值，这里的损失值计算函数即为单种群蛙跳算法的适应度函数，损失计算公式为：公式(2)中，p表示网络输出值，t表示真实值，s表示每组病变标签的维度，b表示需要同时检测的视网膜病变种类数，根据适应度函数对所有青蛙进行升序排序，得出最优蛙fb和最差蛙fw；

步骤2.4、通过位置更新函数对最差蛙的位置进行更新，位置更新函数如下：D＝(fb+fp‑fw)×Rand(0,1.2)         (3)fnew＝fw+D                (4)

公式(3)中，fp表示偏移量，其维度与每只青蛙的维度相同；公式(4)中，fnew表示更新后的青蛙；公式(5)中，fpi表示fp中第i个维度上的值；

步骤2.5、判断单种群蛙跳算法是否满足收敛条件，如果满足，则停止算法，将最优蛙的值作为卷积神经网络的初始权值，否则转到步骤2.3；

步骤3、将训练集中第j张眼底图像输入卷积神经网络前向传播计算模型，卷积神经网络前向传播计算模型包括卷积层、池化层和全连接层，通过多层的卷积、池化，最后进行两层全连接计算，输出得到第j次预测值y_predictj；

步骤4、将第j次真实值y_truej与第j次预测值y_predictj，进行softmax计算softmax(y_predictj)，进行交叉熵损失计算，得到第j次损失值lossj；

步骤5、判断第j次损失值lossj是否异常，如果判定为异常权值，则采用单种群蛙跳算法对异常权值进行纠正，将纠正后的权值作为网络的新权值，否则，则继续执行下一步；

步骤6、判断网络是否达到结束条件，如果达到结束条件，则将以网络最终权值作为初始蛙，围绕初始蛙生成蛙群，进行蛙跳寻优，得到全局最优青蛙fqb，即为算法最终训练完成的权值参数；

步骤7、将训练完成的权值参数带入网络中，输入眼底图像，通过多层的卷积、池化，最后进行两层全连接计算，输出视网膜中对于多种病变检测的预测值yr。

2.根据权利要求1所述的用于视网膜病变分类的卷积神经网络权值优化方法，其特征在于，所述步骤5的具体步骤如下：步骤5.1、判断第j‑1次计算的损失值lossj‑1与第j次计算的损失值lossj的差的绝对值|lossj‑1‑lossj|是否大于阈值ε，如果大于阈值ε，则执行下一步，否则，不执行本次蛙跳计算；

步骤5.2、将第j‑1次网络中的权值作为初始蛙wb，围绕wb生成蛙群，生成公式如下：wij＝wbj+0.0001×Rand(‑1,1)(1

步骤5.3、构建一个卷积神经网络前向传播计算模型，从训练图像库中随机选取少量w张眼底图像作为参照图像；

步骤5.4、将未计算损失值的青蛙带入卷积神经网络前向传播计算模型中，计算青蛙的损失值并对青蛙进行排序；

步骤5.5、更新最差蛙的位置，并计算更新后的损失值，将蛙群重新排序；

步骤5.6、判断单种群蛙跳算法是否符合收敛条件，如果符合，则结束蛙跳计算，将全局最优蛙fqb作为纠正后的新权值带入网络，否则，转至步骤5.4。