1.一种基于Deep Residual Shrinkage‑VGG的端到端深度学习拉曼光谱数据分类方法，包括以下步骤：步骤1，获取拉曼光谱数据，进行一阶样条插值处理，将超出原光谱波数范围的插值点补零，将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集；

步骤2，构建一个基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型；

步骤3，使用训练集训练基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型，使用验证集对模型的超参数进行调整，初步评估模型的性能；

步骤4，使用测试集测试基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型性能。

2.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，进行一阶样条插值处理，具体包括：采用式(1)对拉曼光谱数据进行一阶样条插值处理，由指定波数值求得对应光谱强度值，使得每个拉曼光谱在指定波数范围内均匀采样：式中，xi‑1和xi+1为插值前的某个分段区间左右端点拉曼光谱数据波数值；yi‑1和yi+1为插值前的该分段区间左右端点拉曼光谱数据强度值；Xi为该区间插值后的拉曼光谱数据波数值；Yi为该区间插值后的拉曼光谱数据强度值。

3.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，将超出原光谱波数范围的插值点补零，具体包括：若给定插值区间大于原拉曼光谱数据的波数范围，在原拉曼光谱数据的波数范围内进行一阶样条插值后，在超出在原拉曼光谱数据的波数范围用数值0补齐范围外插值数据的强度值。

4.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集，具体包括：将随机打乱后的拉曼光谱数据的30％划分为测试集，在划分过程中将数据按原数据集中各标签的比例传递，使得样本分布相同；采取同样的划分策略，将剩下数据的80％划分为训练集，将剩下数据的20％划分为验证集。

5.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤2中，构建一个基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型，具体包括：构建的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型依次由两个卷积模块、三个DRS模块、两个全连接模块和Softmax输出层构成；

卷积模块依次由卷积层、ReLU激活函数、卷积层、ReLU激活函数、最大池化层连接构成；

DRS模块由卷积层、ReLU激活函数、全局平均池化层、全连接层、批标准化层、Sigmoid激活函数、最大池化层相组合构成；DRS模块的主体是四个依次连接的卷积层，在主体的不同阶段加入了两个分支，在一分支中加入了恒等映射，在参数反向传播的过程中使得梯度可以更加有效地流回上层以减轻卷积神经网络的训练难度，在另一分支中借助了注意力机制来自动实现了特征的软阈值化，它的主要功能是将绝对值小于某个阈值的特征消除为0，同时其它的特征也向着0进行调整，表示为：式中， 代表了软阈值化后的第i个通道的第j个强度值；zij代表未经处理前第i个通道的第j个强度值；λi代表经过全局平均池化层后第i个强度值；wi代表经过Sigmoid激活函数后的第i个强度值，它代表了的λi权重，λi与wi的相乘代表了每一层通道所对应的阈值；

将DRS模块的输出展开作为全连接层的输入，全连接模块依次由全连接层、批标准化层、ReLU激活函数、丢弃率为0.5的Dropout层连接构成；

将全连接模块的输出作为Softmax输出层的输入，通过Sotfmax输出层获得概率分布形式的分类预测结果。

6.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤3中，使用训练集训练基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型，使用验证集对模型的超参数进行调整，初步评估模型的性能，具体包括：

3.1)按照一维数据尺寸设置输入层的输入大小，使得数据依次经过分类模型的各层；

3.2)使用he_uniform按照均匀分布赋值卷积层的权重，权重的初始化情况如下所示：

式中，Wi,j代表某个卷积层第i个卷积核的第j个权重；U代表均匀分布；nin代表权值张量中的输入单位的数量；Wi,j从 中的均匀分布中抽取数值；

3.3)使用Adam优化器对步骤2中构建的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型进行训练，使用交叉熵损失函数，交叉熵损失函数表达式为：式中，L为模型输入数据与输出数据的损失误差值总和；Li为样本i的损失误差值；N为输入数据拉曼光谱总数；M为输入数据类别总数；yic为取值为0或1的符号函数，若样本i的真实类别等于c则取1，否则取0；pic为观测样本i属于类别c的预测概率；

3.4)将训练集中的样本作为输入，并划分为合适的多个批次batch_size，设置合适的学习率训练基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型，使得损失函数收敛；

3.5)使用验证集评估训练的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型的误差和分类准确率，从而进行模型调参，保存最优的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型。

7.根据权利要求1所述的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型，其特征在于，步骤4中，使用测试集测试基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型性能，具体包括：使用测试集对步骤3中保存的基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型的性能进行测试，采用正确率、准确率、召回率、F1分数、GFLOPs、早停时间、可训练参数作为基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类模型的评价指标。