1.一种机器学习的抗噪方法，包括：
获取对应所述机器学习的选取比例函数，其中，所述选取比例函数反映在所述机器学习的一期训练中，从所述机器学习的训练样本集中选取小损失样本集的选取比例与所述机器学习的训练期数之间的映射关系；
根据当前训练期数和所述选取比例函数，获得对应所述当前训练期数的当前选取比例；
根据所述当前选取比例，从所述机器学习的训练样本集中选取小损失样本集；
利用选取出的小损失样本集进行所述机器学习，获得对应的机器学习模型。
2.根据权利要求1所述的抗噪方法，其中，所述选取比例函数使得所述机器学习模型在所述训练样本集上的损失最小时，在测试样本集上的设定性能达到最优。
3.根据权利要求1所述的抗噪方法，其中，所述方法还包括获得所述选取比例函数的步骤，包括：
根据所述选取比例函数要满足的设定条件，构建所述选取比例函数的含有待确定的常量参数组的函数表达式；
构建所述选取比例函数的收敛条件包括：所述机器学习模型在所述训练样本集上的损失最小时，在测试样本集上的设定性能达到最优；
通过所述训练样本集训练所述常量参数组，获得所述常量参数组中的每一参数在所述选取比例函数满足所述收敛条件时的参数值；
根据所述参数值和所述函数表达式，确定所述选取比例函数。
4.根据权利要求3所述的抗噪方法，其中，所述构建所述选取比例函数的含有待确定的常量参数组的函数表达式包括：
获取选择的各基函数；
设置每一所述基函数在所述各基函数中的权重参数；
根据所述权重参数和所述各基函数，获得所述函数表达式；
其中，所述常量参数组包括所述权重参数和每一所述基函数中的参数。
5.根据权利要求4所述的抗噪方法，其中，所述各基函数包括幂函数、指数函数、对数函数和vapor函数中的至少一种。
6.根据权利要求5所述的抗噪方法，其中，所述幂函数包括以下函数f1(t)和函数f2(t)中的至少一个：
f1(t)＝1/(1+bt)a；
其中，a、b为所述函数f1(t)中的参数；a1、b1、a2、b2、m为所述函数f2(t)中的参数。
7.根据权利要求5所述的抗噪方法，其中，所述指数函数包括以下函数f3(t)和函数f4(t)中的至少一个：
其中，a、b为所述函数f3(t)中的参数；a1、b1、a2、b2、m为所述函数f4(t)中的参数。
8.一种机器学习的抗噪装置，其特征在于，包括：
数据获取模块，用于获取对应所述机器学习的选取比例函数，其中，所述选取比例函数反映在所述机器学习的一期训练中，从所述机器学习的训练样本集中选取小损失样本集的选取比例与所述机器学习的训练期数之间的映射关系；
比例确定模块，用于根据当前训练期数和所述选取比例函数，获得对应所述当前训练期数的当前选取比例；
样本选取模块，用于根据所述当前选取比例，从所述机器学习的训练样本集中选取小损失样本集；以及，
模型训练模块，用于利用选取出的小损失样本集进行所述机器学习，获得对应的机器学习模型。
9.一种包括至少一个计算装置和至少一个存储装置的系统，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据权利要求1至7中任一项所述的抗噪方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的抗噪方法。