1.一种卷积神经网络模型的优化方法，其特征在于，所述方法包括：获取待优化的卷积神经网络模型，所述待优化的卷积神经网络模型包括第一卷积层；

根据第一卷积层对应的通道的初始权重，确定所述第一卷积层的参考权重，并将所述参考权重写入所述第一卷积层对应的每个通道中；所述参考权重用于代表所述第一卷积层的每个通道的初始权重；

根据所述参考权重、以及所述第一卷积层对应的每个通道的初始权重，确定所述第一卷积层对应的每个通道的缩放系数；

根据所述第一卷积层对应的每个通道的缩放系数，在所述第一卷积层之后增加第一缩放层，得到优化后的卷积神经网络模型；所述第一缩放层用于还原写入所述参考权重的所述第一卷积层的卷积计算结果。

2.根据权利要求1所述的方法，其特征在于，所述第一卷积层对应的通道包括多个；所述根据第一卷积层对应的通道的初始权重，确定所述第一卷积层的参考权重，包括：确定所述第一卷积层对应的每个通道的最大初始权重，得到多个所述通道分别对应的最大初始权重；

从所述多个所述通道分别对应的最大初始权重中确定所述参考权重。

3.根据权利要求1所述的方法，其特征在于，所述第一卷积层对应的通道包括多个；所述根据第一卷积层对应的通道的初始权重，确定所述第一卷积层的参考权重，包括：获取训练输入样本；

将所述训练输入样本输入所述待优化的卷积神经网络模型，得到所述待优化的卷积神经网络模型的第一输出结果；

将每个所述初始权重写入所述第一卷积层对应的每个通道，并将所述训练输入样本输入写入所述初始权重后的所述待优化的卷积神经网络模型，得到写入所述初始权重后的所述待优化的卷积神经网络模型的第二输出结果；所述第二输出结果与所述初始权重一一对应；

根据所述第一输出结果、以及每个所述初始权重对应的所述第二输出结果，从所述初始权重中确定所述参考权重。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一输出结果、以及每个所述初始权重对应的所述第二输出结果，从所述初始权重中确定所述参考权重，包括：从所述第二输出结果中确定与所述第一输出结果的相似度最高的目标输出结果；

将所述目标输出结果对应的所述初始权重确定为所述参考权重。

5.根据权利要求1所述的方法，其特征在于，所述第一卷积层对应的通道的初始权重的数量大于第一阈值；

所述优化的卷积神经网络用于对图像、音频、文字和/或视频进行处理。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：统计所述待优化的卷积神经网络模型中的每一个卷积层分别对应的通道的初始权重；

对所述待优化的卷积神经网络模型中的每一个卷积层，当所述卷积层对应的通道的初始权重的数量大于所述第一阈值时，将所述卷积层确定为所述第一卷积层。

7.根据权利要求6所述的方法，其特征在于，所述第一卷积层的数量为多个。

8.一种卷积神经网络模型的优化装置，其特征在于，所述装置包括：获取模块和处理模块；

所述获取模块，用于获取待优化的卷积神经网络模型，所述待优化的卷积神经网络模型包括第一卷积层；

所述处理模块，用于根据第一卷积层对应的通道的初始权重，确定所述第一卷积层的参考权重，并将所述参考权重写入所述第一卷积层对应的每个通道中；根据所述参考权重、以及所述第一卷积层对应的每个通道的初始权重，确定所述第一卷积层对应的每个通道的缩放系数；根据所述第一卷积层对应的每个通道的缩放系数，在所述第一卷积层之后增加第一缩放层，得到优化后的卷积神经网络模型。

9.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；

所述存储器存储有所述处理器可执行的指令；

所述处理器被配置为执行所述指令时，使得所述电子设备实现如权利要求1‑7任一项所述的方法。

10.一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包括：计算机软件指令；

当所述计算机软件指令在电子设备中运行时，使得所述电子设备实现如权利要求1‑7任一项所述的方法。