1.一种深度学习光学表面杂质检测模型的训练方法，其特征在于，包括：将含有杂质的训练样本输入待训练的神经网络，得到所述训练样本的杂质位置的输出结果，其中所述训练样本包括所述杂质的已知位置信息和已知光学信号，所述输出结果包含所述训练样本的杂质的预测位置和预测光学信号；

将所述预测光学信号和所述预测位置进行分类，得到第一概率分布；

将所述杂质的已知位置信息和已知光学信号进行分类，形成已知杂质的已知分类数据，并将所述已知分类数据进行one‑hot编码，得到第二概率分布；

利用所述第一概率分布和所述第二概率分布，计算损失函数；

调整所述神经网络的网格参数以缩小所述损失函数。

2.根据权利要求1所述的深度学习光学表面杂质检测模型的训练方法，其特征在于，所述“调整所述神经网络的网格参数以缩小所述损失函数”之后，还包括：监督训练过程，获得监督测试数据；

确定所述监督测试数据达到预设值，停止训练。

3.根据权利要求2所述的深度学习光学表面杂质检测模型的训练方法，其特征在于，所述“监督训练过程，获得监督测试数据”包括：监督训练过程，获得监视精确度；

所述“确定所述监督测试数据达到预设值，停止训练”，包括：确定所述监视精确度达到百分之百，停止训练。

4.根据权利要求1所述的深度学习光学表面杂质检测模型的训练方法，其特征在于，所述“将所述杂质的已知位置信息和已知光学信号进行分类，形成已知杂质的已知分类数据”，包括：

约束所述杂质在所述神经网络的探测光信号强度范围内，并将所述杂质的位置范围划分为预设数量的类别；

将所述已知位置信息依据所述预设数量的类别转化为已知位置的类号，并将所述已知光学信号对应所述已知位置的类号所对应的光学强度信号，获得已知杂质的已知分类数据，所述分类数据包括已知位置的类号和对应的光学强度；

所述“将所述预测光学信号和所述预测位置进行分类，得到第一概率分布”包括：将所述预测位置信息依据所述预设数量的类别转化为预测位置的类号，并将所述预测光学信号对应所述预测位置的类号所对应的光学强度信号，获得预测杂质的第一概率分布。

5.根据权利要求1所述的深度学习光学表面杂质检测模型的训练方法，其特征在于，所述“含有杂质的训练样本”包括：杂质沿着预设方向移动至不同位置的杂质训练样本。

6.一种神经网络的检测方法，其特征在于，包括：将含有杂质的检测样本输入神经网络，得到检测样本的杂质位置的检测信息，其中，所述检测样本包括所述检测样本的杂质位置的已知信息；

比较所述杂质位置检测信息和所述检测样本的杂质位置的已知信息，获得杂质位置的准确率；

确定所述杂质位置准确率大于预设值，则确定神经网络具有泛化能力。

7.根据权利要求6所述的神经网络的检测方法，其特征在于，还包括：所述“含有杂质的检测样本”包括：杂质的边的数量为不同的奇数和偶数的杂质训练样本、多种形状的杂质训练样本、多种折射率的杂质训练样本、杂质位于介质的表面的凸起和杂质位于介质的表面的凹坑中的任意一种或多种的组合。

8.一种深度学习光学表面杂质检测方法，其特征在于，包括：将介质输入神经网络，其中，所述神经网络是利用权利要求1‑5中任一项所述的方法训练得到的；

判断介质表面是否含有杂质；

若是，确定介质表面的杂质所在位置。

9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器存储的计算机指令以实现如权利要求1‑8中任一项所述的方法。

10.一种存储介质，存储有指令，其特征在于，所述指令被执行时实现如权利要求1‑8中任一项所述的方法。