1.一种利用神经网络模型的图像识别方法，其中，所述神经网络模型包括多个级联的网络模块，所述多个级联的网络模块包括至少一个超网络模块，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，所述神经网络模型还包括与所述至少一个超网络模块中每一个超网络模块所对应的预测器，所述识别方法包括：

将待识别图像输入所述神经网络模型；以及至少基于所述多个网络模块中靠近所述神经网络模型的输入侧的部分网络模块执行对所述待识别图像的识别，其中，针对所述至少一个超网络模块中任一超网络模块及其所对应的预测器，在该超网络模块接收到上一个网络模块所输出的特征图的情况下，将所述特征图输入与该超网络模块所对应的预测器，以获取该预测器所输出的预测值，基于所述预测值，确定该超网络模块的至少两个子网络中的一个子网络为选中子网络，以及

在该超网络模块中，利用所述选中子网络执行对所述待识别图像的识别。

2.如权利要求1所述的识别方法，其中，所述至少基于所述多个网络模块中靠近所述神经网络模型的输入侧的部分网络模块执行对所述待识别图像的识别包括：针对所述多个网络模块中的任一网络模块，响应于该网络模块接收到所述待识别图像或上一个网络模块所输出的特征图中的一个，该网络模块输出所述待识别图像的预测分类及其置信度；

响应于所述置信度大于预设阈值，确定所述预测分类为识别结果。

3.如权利要求2所述的识别方法，所述方法还包括：对于所述多个级联的网络模块中不位于所述神经网络模型的输出端的任一网络模块，响应于所述置信度小于所述预设阈值，将该网络模块所输出的特征图输入至下一个网络模块。

4.如权利要求3所述的识别方法，所述方法还包括：对于位于所述神经网络模型的输出端的网络模块，响应于所述置信度小于所述预设阈值，确定所述预测分类为识别结果。

5.一种神经网络模型的训练方法，其中，所述神经网络模型包括多个级联的网络模块，所述多个级联的网络模块包括至少一个超网络模块，所述训练方法包括：获取多个第一训练集，其中，所述多个第一训练集中每一个第一训练集包括多个第一训练样本及其真实分类；

根据第一预设模式，确定所述多个级联的网络模块中每一个网络模块所对应的第一训练集；以及

利用所述多个网络模块中每一个网络模块所对应的第一训练集，对该网络模块的参数进行调整，其中，

针对所述至少一个超网络模块中的每一个超网络模块及其所对应的第一训练集，响应于该第一训练集中多个第一训练样本中每一个第一训练样本输入所述神经网络模型，获取该超网络模块所输出的该第一训练样本的预测分类和第一计算时长，以及基于该第一训练集中多个第一训练样本中每一个第一训练样本的真实分类、预测分类以及第一计算时长，对该超网络模块的参数进行调整。

6.如权利要求5所述的训练方法，其中，所述多个第一训练集具有至少两种不同识别难度级，

所述根据第一预设模式，确定所述多个级联的网络模块中每一个网络模块所对应的第一训练集包括：

根据所述多个网络模块中每一个网络模块在所述神经网络模型中的位置，确定该网络模块所对应的第一训练集，

其中，针对所述多个网络模块中任意两个网络模块，其中靠近所述神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级。

7.如权利要求5或6所述的训练方法，其中，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，所述神经网络模型还包括与所述至少一个超网络模块中每一个超网络模块所对应的预测器，

所述训练方法还包括：

针对于所述至少一个超网络模块中每一个超网络模块，在对该超网络模块的参数进行调整后，

获取第二训练集；

利用所述第二训练集对该超网络模块所对应的预测器的参数进行调整，以使该预测器能够根据该超网络模块的上一个网络模块所输出的特征图，确定该超网络模块的至少两个子网络中的一个子网路为选中子网络。

8.如权利要求5或6所述的训练方法，其中，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，

所述训练方法还包括：

针对于所述至少一个超网络模块中每一个超网络模块，在对该超网络模块的参数进行调整后，

获取测试集；

利用所述测试集，确定该超网络模块的至少两个子网络中的一个子网路为选中子网络。

9.如权利要求5所述的训练方法，其中，所述利用所述多个网络模块中每一个网络模块所对应的第一训练集，对该网络模块的参数进行调整包括：针对所述多个网络模块中任意两个网络模块，先对其中靠近所述神经网络模型的输入侧的网络模块的参数进行调整。

10.一种图像识别装置，包括：神经网络模型，包括多个级联的网络模块，所述多个级联的网络模块包括至少一个超网络模块，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，所述神经网络模型还包括与所述至少一个超网络模块中每一个超网络模块所对应的预测器；

输入单元，被配置用于将待识别图像输入所述神经网络模型；

所述神经网络模型被配置用于至少基于所述多个网络模块中靠近所述神经网络模型的输入侧的部分网络模块执行对所述待识别图像的识别，其中，针对所述至少一个超网络模块中任一超网络模块及其所对应的预测器，在该超网络模块接收到上一个网络模块所输出的特征图的情况下，将所述特征图输入与该超网络模块所对应的预测器，以获取该预测器所输出的预测值，基于所述预测值，确定该超网络模块的至少两个子网络中的一个子网络为选中子网络，以及

在该超网络模块中，利用所述选中子网络执行对所述待识别图像的识别。

11.如权利要求10所述的识别装置，其中，所述神经网络模型进一步被配置用于针对所述多个网络模块中的任一网络模块，响应于该网络模块接收到所述待识别图像或上一个网络模块所输出的特征图中的一个，该网络模块输出所述待识别图像的预测分类及其置信度；

所述识别装置还包括：

确定单元，被配置用于响应于所述置信度大于预设阈值，确定所述预测分类为识别结果。

12.如权利要求11所述的识别装置，所述确定单元还被配置用于：对于所述多个级联的网络模块中不位于所述神经网络模型的输出端的任一网络模块，响应于所述置信度小于所述预设阈值，将该网络模块所输出的特征图输入至下一个网络模块。

13.一种神经网络模型的训练装置，其中，所述神经网络模型包括多个级联的网络模块，所述多个级联的网络模块包括至少一个超网络模块，所述训练装置包括：第一获取单元，被配置用于获取多个第一训练集，其中，所述多个第一训练集中每一个第一训练集包括多个第一训练样本及其真实分类；

第一确定单元，被配置用于根据第一预设模式，确定所述多个级联的网络模块中每一个网络模块所对应的第一训练集；以及第一调整单元，被配置用于利用所述多个网络模块中每一个网络模块所对应的第一训练集，对该网络模块的参数进行调整，其中，针对所述至少一个超网络模块中的每一个超网络模块及其所对应的第一训练集，响应于该第一训练集中多个第一训练样本中每一个第一训练样本输入所述神经网络模型，获取该超网络模块所输出的该第一训练样本的预测分类和第一计算时长，以及基于该第一训练集中多个第一训练样本中每一个第一训练样本的真实分类、预测分类以及第一计算时长，对该超网络模块的参数进行调整。

14.如权利要求13所述的训练装置，其中，所述多个第一训练集具有至少两种不同识别难度级，

所述确定单元进一步被配置用于根据所述多个网络模块中每一个网络模块在所述神经网络模型中的位置，确定该网络模块所对应的第一训练集，其中，针对所述多个网络模块中任意两个网络模块，其中靠近所述神经网络模型的输入侧的网络模块所对应的训练集的识别难度级不大于其中另一个网络模块所对应的训练集的识别难度级。

15.如权利要求13或14所述的训练装置，其中，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，所述神经网络模型还包括与所述至少一个超网络模块中每一个超网络模块所对应的预测器，所述训练装置还包括第二获取单元和第二调整单元，其中，针对于所述至少一个超网络模块中每一个超网络模块，在对该超网络模块的参数进行调整后，

所述第二获取单元被配置用于获取第二训练集；

所述第二调整单元被配置用于利用所述第二训练集对该超网络模块所对应的预测器的参数进行调整，以使该预测器能够根据该超网络模块的上一个网络模块所输出的特征图，确定该超网络模块的至少两个子网络中的一个子网路为选中子网络。

16.如权利要求13或14所述的训练装置，其中，所述至少一个超网络模块中每一个超网络模块包括至少两个子网络，

所述训练装置还包括第三获取单元和第二确定单元，其中，针对于所述至少一个超网络模块中每一个超网络模块，在对该超网络模块的参数进行调整后，

所述第三获取单元被配置用于获取测试集；

所述第二确定单元被配置用于利用所述测试集，确定该超网络模块的至少两个子网络中的一个子网路为选中子网络。

17.如权利要求5所述的训练装置，其中，所述第一调整单元进一步被配置用于：针对所述多个网络模块中任意两个网络模块，先对其中靠近所述神经网络模型的输入侧的网络模块的参数进行调整。

18.一种计算机设备，包括：存储器、处理器以及存储在所述存储器上的计算机程序，其中，所述处理器被配置为执行所述计算机程序以实现权利要求1‑9中任一项所述的方法的步骤。

19.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1‑9中任一项所述的方法的步骤。

20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1‑9中任一项所述的方法的步骤。