1.一种卷积神经网络的诊断调整方法，其特征在于，所述卷积神经网络的诊断调整方法包括：通过确定经过训练的卷积神经网络广义卷积层的作用进行卷积神经网络的诊断；

基于确定的广义卷积层的作用根据具体的场景输出相应的调整方案，进行模型调整。

2.如权利要求1所述卷积神经网络的诊断调整方法，其特征在于，所述确定广义卷积层的作用包括：步骤一，逐层计算卷积神经网络中的广义卷积层中的单位信息量即信息熵以及整体信息量；

步骤二，针对卷积神经网络中的广义卷积层，逐层计算信息量与前一层的广义卷积层的差值；

步骤三，进行差值阈值设置，并判断获取的广义卷积层的信息量差值是否超出阈值，基于判断结果进行广义卷积层是否具备提取作用的确定。

3.如权利要求2所述卷积神经网络的诊断调整方法，其特征在于，步骤一中，所述信息熵计算公式如下：Entropy＝p(x＞0)-p(x＝0)logn p(x＝0)；

其中，p(x>0)代表经由激活函数后输出中大于0的概率，p(x＝0)代表经由激活函数后输出中等于0的概率，n代表长度。

4.如权利要求2所述卷积神经网络的诊断调整方法，其特征在于，步骤一中，所述整体信息量计算公式如下：整体信息量＝单位信息量*长度。

5.如权利要求2所述卷积神经网络的诊断调整方法，其特征在于，步骤三中，所述基于判断结果进行广义卷积层是否具备提取作用的确定包括：若某一广义卷积层的信息量差值超出阈值，则该广义卷积层具备提取作用；且差值越大，提取作用越强。

6.如权利要求1所述卷积神经网络的诊断调整方法，其特征在于，所述基于确定的广义卷积层的作用根据具体的场景输出相应的调整建议进行模型调整包括：根据模型结构是否合理输出对应的调整建议，分别进行模型调整；

所述根据模型结构是否合理输出对应的调整方案，分别进行模型调整包括：当模型结构合理时，调整方法如下：

(1)当无法确定模型是否存在充足的准确率上升空间，通过增大或者引入更多的提取层进行模型提取层调整，直至模型的准确率不再增加；

(2)为在两个相邻的提取层中间加入变换层，直至模型的准确率不再提升。

7.如权利要求6所述卷积神经网络的诊断调整方法，其特征在于，步骤(1)中，所述变换层和提取层的区分依据在于是否具备提取作用；

所述根据模型结构是否合理输出对应的调整建议，分别进行模型调整还包括：当模型结构不合理时,调整方法如下：

1)关注广义卷积层作用的主客观性，当模型设计者主观认定该层为提取层，同时网络诊断结果为变换层时，尝试删除该卷积层；

2)判断是否连续出现两个提取层，若是，则为两个提取层间添加充分数量的变换层；

3)判断模型中提取层的数量是否过多，若过多，则去除部分提取层；

步骤2)中，所述添加充分数量的变换层包括：通过是否能够进行提升准确率确定添加变换层的数量。

8.一种卷积神经网络的诊断调整系统，其特征在于，所述卷积神经网络的诊断调整系统包括：诊断模块，用于通过确定经过训练的卷积神经网络广义卷积层的作用进行卷积神经网络的诊断；

调整建议输出模块，用于基于确定的广义卷积层的作用根据具体的场景输出相应的调整建议；

调整模块，用于基于调整建议进行模型调整。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～

7所述卷积神经网络的诊断调整方法。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～7所述卷积神经网络的诊断调整方法。