1.一种神经网络性能评估方法，其特征在于，所述方法包括：

获取第一待评估神经网络；所述第一待评估神经网络包括第一批归一化层，所述第一待评估神经网络的输入包括待处理图像；

依据所述第一批归一化层的至少一个第一参数，得到所述第一待评估神经网络的第一性能分数；所述第一性能分数与所述第一待评估神经网络输出的第一特征向量所携带的信息量呈正相关，所述第一特征向量所携带的信息包括所述待处理图像的语义信息；

所述依据所述第一批归一化层的至少一个第一参数，得到所述第一待评估神经网络的第一性能分数，包括：对所述至少一个第一参数进行目标处理，得到至少一个第二参数；所述目标处理包括：计算绝对值或计算偶次幂；依据所述至少一个第二参数，得到所述第一性能分数。

2.根据权利要求1所述的方法，其特征在于，所述待处理图像包括待检测对象，所述待处理图像的语义信息包括所述待检测对象的语义信息；或，所述待处理图像包括待识别对象，所述待处理图像的语义信息包括所述待识别对象的语义信息。

3.根据权利要求1或2所述的方法，其特征在于，所述第一批归一化层为所述第一待评估神经网络中的最后一层。

4.根据权利要求1所述的方法，其特征在于，所述依据所述至少一个第二参数，得到所述第一性能分数，包括：依据所述至少一个第二参数的均值，得到所述第一性能分数。

5.根据权利要求4所述的方法，其特征在于，所述第一待评估神经网络包括第一神经网络模块和第二神经网络模块；所述第一神经网络模块与所述第二神经网络模块以串联的形式连接，且所述第一神经网络模块的最后一层为所述第一批归一化层；所述第二神经网络模块包括第二批归一化层；

所述依据所述至少一个第二参数的均值，得到所述第一性能分数之前，所述方法还包括：依据所述第二批归一化层的至少一个第三参数，得到所述第二神经网络模块的第二性能分数；

所述依据所述至少一个第二参数的均值，得到所述第一性能分数，包括：计算所述至少一个第二参数的均值，得到所述第一神经网络模块的第三性能分数；

依据所述第二性能分数和所述第三性能分数，得到所述第一性能分数。

6.根据权利要求5所述的方法，其特征在于，所述依据所述第二批归一化层的至少一个第三参数，得到所述第二神经网络模块的第二性能分数，包括：对所述至少一个第三参数进行所述目标处理，得到至少一个第四参数；

依据所述至少一个第四参数，得到所述第二性能分数。

7.根据权利要求5所述的方法，其特征在于，所述第二批归一化层为所述第二神经网络模块的最后一层。

8.根据权利要求5所述的方法，其特征在于，所述依据所述第二性能分数和所述第三性能分数，得到所述第一性能分数，包括：计算所述第二性能分数与所述第三性能分数的和，得到所述第一性能分数。

9.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取第二待评估神经网络；所述第二待评估神经网络包括第三神经网络模块和第四神经网络模块；所述第三神经网络模块与所述第四神经网络模块以串联的形式连接；所述第三神经网络模块包括第三批归一化层，所述第四神经网络模块包括第四批归一化层；

依据所述第三批归一化层中的至少一个第五参数和所述第四批归一化层中的至少一个第六参数，得到所述第二待评估神经网络的第四性能分数；所述第四性能分数与所述第二待评估神经网络输出的第二特征向量所携带的信息量呈正相关；

依据所述第一性能分数和所述第四性能分数的大小关系，确定所述第一待评估神经网络和所述第二待评估神经网络的性能排名。

10.根据权利要求9所述的方法，其特征在于，所述依据所述第三批归一化层中的至少一个第五参数和所述第四批归一化层中的至少一个第六参数，得到所述第二待评估神经网络的第四性能分数，包括：对所述至少一个第五参数进行所述目标处理，得到至少一个第七参数；

对所述至少一个第六参数进行所述目标处理，得到至少一个第八参数；

依据所述至少一个第七参数和所述至少一个第八参数，得到所述第四性能分数。

11.根据权利要求9所述的方法，其特征在于，所述第三批归一化层为所述第三神经网络模块的最后一层，所述第四批归一化层为所述第四神经网络模块的最后一层。

12.根据权利要求9所述的方法，其特征在于，所述依据所述第一性能分数和所述第四性能分数的大小关系，确定所述第一待评估神经网络和所述第二待评估神经网络的性能排名，包括：在所述第一性能分数大于所述第四性能分数的情况下，确定所述第一待评估神经网络的性能好于所述第二待评估神经网络的性能，得到所述性能排名；

在所述第一性能分数小于所述第四性能分数的情况下，确定所述第二待评估神经网络的性能好于所述第一待评估神经网络的性能，得到所述性能排名；

在所述第一性能分数等于所述第四性能分数的情况下，确定所述第一待评估神经网络的性能与所述第二待评估神经网络的性能相等，得到所述性能排名。

13.根据权利要求9所述的方法，其特征在于，所述获取第一待评估神经网络和第二待评估神经网络，包括：获取第一待搜索神经网络库和训练图像集；所述第一待搜索神经网络库包括至少两个神经网络，且所述第一待搜索神经网络库中的任意两个神经网络的结构均不同；

使用所述训练图像集训练所述第一待搜索神经网络库，得到第二待搜索神经网络库；

从所述第二待搜索神经网络库中采样得到所述第一待评估神经网络和所述第二待评估神经网络。

14.根据权利要求13所述的方法，其特征在于，所述第一待搜索神经网络库包括第一神经网络，所述第一神经网络的最后一层为第五批归一化层，所述使用所述训练图像集训练所述第一待搜索神经网络库，得到第二待搜索神经网络库，包括：使用所述第一神经网络对所述训练图像集进行处理，得到处理结果；

确定所述处理结果和所述训练图像集的标注信息之间的差异，得到损失；

基于所述损失，更新所述第五批归一化层的参数，得到所述第二待搜索神经网络库中的第二神经网络。

15.根据权利要求13所述的方法，其特征在于，所述第二待搜索神经网络库包括第三神经网络和第四神经网络；所述第三神经网络包括第六批归一化层，所述第四神经网络包括第七批归一化层；

所述从所述第二待搜索神经网络库中采样得到所述第一待评估神经网络和所述第二待评估神经网络，包括：依据所述第六批归一化层中的至少一个第九参数，得到所述第三神经网络的第五性能分数；

依据所述七批归一化层中的至少一个第十参数，得到所述第四神经网络的第六性能分数；

将所述第五性能分数和所述第六性能分数中的最大值所对应的神经网络，作为所述第一待评估神经网络；

进化所述第一待评估神经网络，得到所述第二待评估神经网络。

16.一种神经网络性能评估装置，其特征在于，所述装置包括：

获取单元，用于获取第一待评估神经网络；所述第一待评估神经网络包括第一批归一化层，所述第一待评估神经网络的输入包括待处理图像；

处理单元，用于依据所述第一批归一化层的至少一个第一参数，得到所述第一待评估神经网络的第一性能分数；所述第一性能分数与所述第一待评估神经网络输出的第一特征向量所携带的信息量呈正相关，所述第一特征向量所携带的信息包括所述待处理图像的语义信息；

所述依据所述第一批归一化层的至少一个第一参数，得到所述第一待评估神经网络的第一性能分数，包括：对所述至少一个第一参数进行目标处理，得到至少一个第二参数；所述目标处理包括：计算绝对值或计算偶次幂；依据所述至少一个第二参数，得到所述第一性能分数。

17.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，在所述处理器执行所述计算机指令的情况下，所述电子设备执行如权利要求1至15中任意一项所述的方法。

18.一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中存储有计算机程序，所述计算机程序包括程序指令，在所述程序指令被处理器执行的情况下，使所述处理器执行权利要求1至15中任意一项所述的方法。