1.一种面向深度迁移学习的去偏方法，其特征在于，包括以下步骤：

获取预测任务是将按一组属性描述的人员分类为良好或不良信用风险的信用数据集作为源域数据集和人口普查数据集作为目标域数据集，提取类别标签和敏感属性标签，其中敏感属性为性别属性；

构建全连接神经网络作为迁移模型的教师模型，采用源域数据集优化教师模型的网络参数；

固定参数优化的教师模型的前n层全连接层的网络参数不变作为特征提取器，并在教师模型的最后一层添加m层全连接层，形成迁移模型的学生模型，采用目标域数据集优化学生模型的网络参数；

在参数优化的学生模型的特征提取器的输出添加注意力机制层，用于从特征提取器中的输出特征中提取敏感属性并确定敏感属性的权重；

将敏感属性对应的特征向量与其他特征向量进行正交操作，以去除深度迁移学习的敏感属性带来的偏见。

2.如权利要求1所述的面向深度迁移学习的去偏方法，其特征在于，所述类别标签采用one‑hot编码。

3.如权利要求1所述的面向深度迁移学习的去偏方法，其特征在于，所述教师模型采用由5层全连接层组成的全连接层神经网络，n为3，m为2。

4.如权利要求1所述的面向深度迁移学习的去偏方法，其特征在于，所述教师模型采用SoftMax为激活函数对数据进行分类识别，训练过程的损失函数均使用交叉熵损失函数。

5.如权利要求1所述的面向深度迁移学习的去偏方法，其特征在于，所述学生模型采用SoftMax为激活函数对数据进行分类识别，训练过程的损失函数均使用交叉熵损失函数。

6.如权利要求1所述的面向深度迁移学习的去偏方法，其特征在于，迁移模型训练结束后，利用测试集测试迁移模型的公平性，其机会平等的公式为：其中 表示迁移模型的预测的分类结果，Y和y为真实分类标签，A为敏感属性，当上式的左右两边的结果相等时则认为模型达到了去偏效果。

7.一种面向深度迁移学习的去偏装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机处理器执行所述计算机程序时实现权利要求1～6任一项所述的面向深度迁移学习的去偏方法。