1.一种样本确定方法，其特征在于，包括：获取样本集；所述样本集中包括多张样本图像；

利用教师神经网络，对所述多张样本图像分别进行特征提取，得到所述多张样本图像分别在特征空间中的特征数据；

基于所述多张样本图像分别对应的特征数据，对所述多张样本图像进行所述特征空间上的均匀采样，得到目标样本图像。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多张样本图像分别对应的特征数据，对所述多张样本图像进行所述特征空间上的均匀采样，得到目标样本图像，包括：基于所述多张样本图像分别对应的特征数据，在多个采样批次中，对所述多张样本图像进行特征空间上的均匀采样，得到多个所述采样批次分别对应的目标样本图像。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：利用多个所述采样批次分别对应的目标样本图像、以及所述教师神经网络，对学生神经网络进行多个批次的训练，得到目标神经网络。

4.根据权利要求1‑3任一项所述的方法，其特征在于，所述基于所述多张样本图像分别对应的特征数据，对所述多张样本图像进行特征空间上的均匀采样，得到目标样本图像，包括：

基于所述多张样本图像分别对应的特征数据，确定所述多张样本图像分别在所述特征空间中的概率密度；

针对每张样本图像，根据该张样本图像对应的概率密度，确定该张样本图像对应的采样概率；

基于所述多张样本图像分别对应的采样概率，从所述样本集中确定目标样本图像。

5.根据权利要求4所述的方法，其特征在于，所述基于所述多张样本图像分别对应的特征数据，确定所述多张样本图像分别在所述特征空间中的概率密度，包括：将所述多张样本图像中的每张样本图像分别作为当前样本图像，基于所述当前样本图像对应的特征数据、以及多张样本图像分别对应的特征数据，确定所述多张样本图像分别和所述当前样本图像的距离；

基于所述多张样本图像分别和所述当前样本图像的距离，确定所述当前样本图像在所述特征空间中的概率密度。

6.根据权利要求5所述的方法，其特征在于，所述基于所述多张样本图像分别和所述当前样本图像的距离，确定所述当前样本图像在所述特征空间中的概率密度，包括：针对多张样本图像中的各张样本图像，利用预先确定的平滑参数该张样本图像和所述当前样本图像之间的距离进行平滑处理，得到平滑距离；

利用预先确定的分布函数确定该张样本图像和所述当前样本图像之间距离的分布信息；

基于多张样本图像分别和所述当前样本图像之间距离的分布信息，确定当前样本图像在所述特征空间中的概率密度。

7.根据权利要求6所述的方法，其特征在于，所述教师神经网络对应至少一个分类任务，所述方法还包括：

针对所述教师神经网络对应的每个分类任务，确定与该分类任务对应的样本图像的标准偏差；

基于该分类任务对应的样本图像的标准偏差、所述样本集中样本图像的数量，以及所述教师神经网络对应的分类任务的数量，确定该分类任务对应的平滑参数。

8.根据权利要求7所述的方法，其特征在于，所述针对所述教师神经网络对应的每个分类任务，确定与该分类任务对应的样本图像的标准偏差，包括：针对每个分类任务，从样本集中确定与该分类任务对应的样本图像；

基于该分类任务对应的样本图像分别对应的特征数据，确定该分类任务在所述特征空间的中心点；

基于该分类任务对应的样本图像分别和所述中心点之间的距离、以及该分类任务对应的样本图像的数量，确定该分类任务对应的标准偏差。

9.根据权利要求1‑3任一项所述的方法，其特征在于，所述基于所述多张样本图像分别对应的特征数据，对所述多张样本图像进行特征空间上的均匀采样，得到目标样本图像，包括：

在所述特征空间中随机均匀采样多个位置点，得到采样得到的各个位置点分别对应的位置信息；

基于多张样本图像分别对应的特征数据、以及所述位置点分别对应的位置信息，确定与各个位置点对应的目标样本图像。

10.一种样本确定装置，其特征在于，包括：获取模块，用于获取样本集；所述样本集中包括多张样本图像；

特征提取模块，用于利用教师神经网络，对所述多张样本图像分别进行特征提取，得到所述多张样本图像分别在特征空间中的特征数据；

采样模块，用于基于所述多张样本图像分别对应的特征数据，对所述多张样本图像进行所述特征空间上的均匀采样，得到目标样本图像。

11.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器用于执行所述存储器中存储的机器可读指令，所述机器可读指令被所述处理器执行时，所述处理器执行如权利要求1至9任一项所述的样本确定方法的步骤。

12.一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上存储有计算机程序，所述计算机程序被电子设备运行时，所述电子设备执行如权利要求1至9任意一项所述的样本确定方法的步骤。