技术特征：
1.一种深度学习模型训练方法，其特征在于，所述方法包括：对深度学习模型的权重矩阵进行奇异值分解，得到压缩后的深度学习模型；获取第一输入数据；对所述第一输入数据进行移位和扩充操作，得到第二输入数据；根据所述第二输入数据、以及所述压缩后的深度学习模型，获取输出数据。2.根据权利要求1所述的方法，其特征在于，所述对深度学习模型的权重矩阵进行奇异值分解，包括：对所述深度学习模型的权重矩阵进行svd分解，将所述权重矩阵表达为第一子矩阵和第二子矩阵的组合，所述第一子矩阵所述第二子矩阵相对所述权重矩阵而言是低维矩阵。3.根据权利要求2所述的方法，其特征在于，所述对所述第一输入数据进行移位和扩充操作，得到第二输入数据，包括：对所述第一输入数据进行洗牌shuffle，得到第二输入数据。4.根据权利要求3所述的方法，其特征在于，所述第一输入数据为矩阵x＝[i，b]，对所述第一输入数据进行shuffle，得到的所述第二输入数据为：x
s
＝[i，b
×
o]，5.根据权利要求4所述的方法，其特征在于，所述根据所述第二输入数据、以及所述压缩后的深度学习模型，获取输出数据，包括：根据所述第二输入数据、所述第一子矩阵、以及所述第二子矩阵进行计算，获取所述输出数据。6.根据权利要求5所述的方法，其特征在于，所述根据所述第二输入数据、所述第一子矩阵、以及所述第二子矩阵进行计算，获取所述输出数据，包括：将所述x
s
＝[i，b
×
o]与所述第一子矩阵相乘，得到维度为[bo，r]的矩阵；将所述维度为[bo，r]的矩阵与所述第二子矩阵相乘得到维度为[bo，o]的矩阵y；对所述矩阵y只保留b个[o，o]矩阵的对角元素；将所述b个[o，o]矩阵的对角元素组成的矩阵还原为[o，b]维的输出矩阵z，所述输出矩阵z即为所述输出数据。7.一种深度学习模型训练装置，其特征在于，所述装置包括：分解模块，用于对深度学习模型的权重矩阵进行奇异值分解，得到压缩后的深度学习模型；数据处理模块，用于获取第一输入数据；对所述第一输入数据进行移位和扩充操作，得到第二输入数据；计算模块，用于根据所述第二输入数据、以及所述压缩后的深度学习模型，获取输出数
据。8.根据权利要求7所述的装置，其特征在于，所述分解模块，具体用于对所述深度学习模型的权重矩阵进行svd分解，将所述权重矩阵表达为第一子矩阵和第二子矩阵的组合，所述第一子矩阵所述第二子矩阵相对所述权重矩阵而言是低维矩阵。9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至6任一项所述的方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的方法的步骤。