1.基于可解释性卷积神经网络的服装推荐方法，其特征在于，具体包括以下步骤：对图像进行预处理，将预处理后的图像分为训练集和验证集；

构建卷积神经网络，并构建特征矩阵来提取采集的图像的服装特征；

利用训练集对卷积神经网络进行端到端的迭代训练；

用户将图片输入完成训练的卷积神经网络，卷积神经网络即可输出该图片的特征图，并将与用户输入图片特征图一致的服装推荐给用户。

2.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，对图片进行预处理包括：将图片进行缩放，使得图片中的服装特征部分大小一致；

将图片进行裁剪和填充，将所有图片通过裁剪和填充使得图片的服装特征部分居中且每张图片的大小一致。

3.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，图像的服装特征的获取过程包括：卷积神经网络的最后一个卷积层包括多个过滤器；

构建n×m+1个特征矩阵作为卷积神经网络的过滤器；

前n×m个特征矩阵分别对应采集的大小为n×m像素的图像中每个像素点处的特征，第n×m+1个特征矩阵表示图像中是否不存在待提取的特征；

利用训练集对卷积神经网络进行端到端的迭代训练过程中，利用卷积神经网络的反向传播过程，为每张图像选择特征矩阵，特征矩阵构成图像的服装特征。

4.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络正向传播时的损失函数表示为：Lossf＝-MI(X；T)；

其中，Lossf为卷积神经网络正向传播时的损失函数，X表示卷积神经网络的最后一个卷积层提取得到的特征图，T表示特征矩阵，MI(_)表示求信息熵运算。

5.根据权利要求1所述的基于可解释性卷积神经网络的服装推荐方法，其特征在于，利用训练集对卷积神经网络进行端到端的迭代训练过程中，卷积神经网络反向传播的训练表示为：其中，Loss表示卷积神经网络的总损失函数；xij表示特征图上第i行、第j列的像素点；

Lossf表示特征图和特征矩阵配的损失函数；λ表示过滤器阈值； 表示的是预测结果是否正确的损失函数， 表示真实标签， 表示预测标签；k表示标签的类型。

6.基于可解释性卷积神经网络的服装推荐装置，其特征在于，包括数据采集模块、数据预处理模块、数据特征分析模块以及服装推荐模块，其中：数据采集模块，用于采集训练数据以及待预测数据；

数据预处理模块，用于采集的图片进行缩放、裁剪和填充；

数据特征分析模块，用于根据带标签的训练数据训练卷积神经网络，并将不带标签的待预测数据输入完成训练的卷积神经网络得到特征图；

服装推荐模块，用于根据用户输入图片的特征图进行搜索，将与该特征图一致的服装推荐给用户。

7.根据权利要求6所述的基于可解释性卷积神经网络的服装推荐装置，其特征在于，数据特征分析模块中的卷积神经网络包括输入层、多个卷积层以及输出层，其中最后一个卷积层与输出层连接，最后一个卷积层包括n×m+1个特征矩阵构成的过滤器，n×m为输入图像的像素大小，通过最后一个卷积层得到的特征图与特征模板进行哈达玛积。

8.基于可解释性卷积神经网络的服装推荐终端，其特征在于，该终端包括权利要6～7所述的任一基于可解释性卷积神经网络的服装推荐装置，用户通过终端打包上传训练数据，待基于可解释性卷积神经网络的服装推荐装置的数据特征分析模块完成卷积神经网络的训练后，终端提示用户输入待预测的图片，完成训练的卷积神经网络根据用户输入的图片获得该图片的特征图，数据特征分析模块根据特征图获得与该特征图一致的图片，终端将获得的图片推送给用户。

9.根据权利要求8所述的基于可解释性卷积神经网络的服装推荐终端，其特征在于，用户通过终端打包上传训练数据包括用户喜欢的服装图片和用户不喜欢的服装图片。

10.根据权利要求8所述的基于可解释性卷积神经网络的服装推荐终端，其特征在于，终端拥有对基于可解释性卷积神经网络的服装推荐装置的恢复初始化权限。