1.一种神经网络训练的方法，其特征在于，所述方法包括：获取各个训练图片样本以及与每个所述训练图片样本对应的文本描述内容；

从所述训练图片样本中提取图片特征信息，以及从所述训练图片样本对应的文本描述内容中提取文本特征信息；

基于提取的所述图片特征信息和所述文本特征信息，确定待训练的神经网络的损失函数值；

在不满足神经网络的迭代训练截止条件的情况下，基于确定的所述损失函数值调整所述神经网络的网络参数值，并进行调整后的神经网络的再次训练，直至满足神经网络的迭代训练截止条件，得到训练好的用于对目标图片进行处理的神经网络；

所述神经网络包括分类器；所述基于提取的所述图片特征信息和所述文本特征信息，确定待训练的神经网络的损失函数值，包括：基于提取的所述图片特征信息和所述文本特征信息，确定第一子损失函数值；以及，基于提取的所述图片特征信息以及所述分类器，确定第二子损失函数值；

基于所述第一子损失函数值和所述第二子损失函数值，确定所述损失函数值；

所述基于提取的所述图片特征信息和所述文本特征信息，确定第一子损失函数值，包括：确定提取的所述图片特征信息和所述文本特征信息之间的特征相似度；

基于所述特征相似度，确定所述第一子损失函数值；

所述基于提取的所述图片特征信息以及所述分类器，确定第二子损失函数值，包括：将提取的所述图片特征信息输入到所述分类器中，得到所述分类器输出的分类结果；

基于所述分类器输出的分类结果以及针对所述训练图片样本预先标注的标注结果，确定所述第二子损失函数值。

2.根据权利要求1所述的方法，其特征在于，所述神经网络包括第一特征提取器和第二特征提取器；

所述从所述训练图片样本中提取图片特征信息，包括：

利用所述第一特征提取器对所述训练图片样本进行图片特征提取，得到所述训练图片样本对应的图片特征信息；

所述从所述训练图片样本对应的文本描述内容中提取文本特征信息，包括：利用所述第二特征提取器对所述训练图片样本对应的文本描述内容进行文本特征提取，得到所述训练图片样本对应的文本特征信息。

3.根据权利要求1所述的方法，其特征在于，在所述训练图片样本对应的文本描述内容为多个的情况下，所述基于所述特征相似度，确定所述第一子损失函数值，包括：基于提取的所述图片特征信息和每个所述文本特征信息之间的特征相似度、以及每个所述文本描述内容对应的权重值，确定所述第一子损失函数值。

4.根据权利要求1所述的方法，其特征在于，所述将提取的所述图片特征信息输入到所述分类器之前，还包括：利用提取的所述文本特征信息对所述分类器进行初始化，得到初始化后的分类器；

所述将提取的所述图片特征信息输入到所述分类器中，得到所述分类器输出的分类结果，包括：将提取的所述图片特征信息输入到所述初始化后的分类器中，得到所述分类器输出的分类结果。

5.根据权利要求4所述的方法，其特征在于，所述利用提取的所述文本特征信息对所述分类器进行初始化，得到初始化后的分类器，包括：基于提取的所述文本特征信息，以及所述文本特征信息对应的训练图片样本匹配的预设分类结果，确定所述分类器的初始权重；

将所述初始权重确定为所述初始化后的分类器的网络参数值。

6.根据权利要求1至5任一所述的方法，其特征在于，按照如下至少一种方式确定所述训练图片样本对应的文本描述内容：响应针对所述训练图片样本的人工标注请求，获取所述训练图片样本对应的文本描述内容；

通过网络获取多组图片文本对，将所述训练图片样本与每组所述图片文本对包括的图片进行比对，并将比对成功的图片文本对包括的文本内容确定为所述训练图片样本对应的文本描述内容；

利用训练好的文本生成网络对所述训练图片样本进行文本提取，得到所述训练图片样本对应的文本描述内容。

7.一种分类的方法，其特征在于，包括：

获取目标图片；

将所述目标图片输入到根据权利要求1至6任一所述的方法训练好的神经网络中，得到所述目标图片对应的分类结果。

8.一种神经网络训练的装置，其特征在于，所述装置包括：获取模块，用于获取各个训练图片样本以及与每个所述训练图片样本对应的文本描述内容；

提取模块，用于从所述训练图片样本中提取图片特征信息，以及从所述训练图片样本对应的文本描述内容中提取文本特征信息；

确定模块，用于基于提取的所述图片特征信息和所述文本特征信息，确定待训练的神经网络的损失函数值；

训练模块，用于在不满足神经网络的迭代训练截止条件的情况下，基于确定的所述损失函数值调整所述神经网络的网络参数值，并进行调整后的神经网络的再次训练，直至满足神经网络的迭代训练截止条件，得到训练好的用于对目标图片进行处理的神经网络；

所述神经网络包括分类器；所述基于提取的所述图片特征信息和所述文本特征信息，确定待训练的神经网络的损失函数值，包括：基于提取的所述图片特征信息和所述文本特征信息，确定第一子损失函数值；以及，基于提取的所述图片特征信息以及所述分类器，确定第二子损失函数值；

基于所述第一子损失函数值和所述第二子损失函数值，确定所述损失函数值；

所述基于提取的所述图片特征信息和所述文本特征信息，确定第一子损失函数值，包括：确定提取的所述图片特征信息和所述文本特征信息之间的特征相似度；

基于所述特征相似度，确定所述第一子损失函数值；

所述基于提取的所述图片特征信息以及所述分类器，确定第二子损失函数值，包括：将提取的所述图片特征信息输入到所述分类器中，得到所述分类器输出的分类结果；

基于所述分类器输出的分类结果以及针对所述训练图片样本预先标注的标注结果，确定所述第二子损失函数值。

9.一种分类的装置，其特征在于，包括：

获取模块，用于获取目标图片；

分类模块，用于将所述目标图片输入到根据权利要求1‑6任一所述的方法训练好的神经网络中，得到所述目标图片对应的分类结果。

10.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的神经网络训练的方法的步骤或者如权利要求7所述的分类的方法的步骤。

11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的神经网络训练的方法的步骤或者如权利要求7所述的分类的方法的步骤。