1.一种期望与反期望深度学习方法，其特征在于，包括以下步骤：

获取训练数据中的输出数据的期望标签和反期望标签；其中，所述反期望标签是与所述期望标签的属性相反的标签；

初始化与期望标签对应的深度学习神经网络，得到期望深度学习神经网络，初始化与反期望标签对应的深度学习神经网络，得到反期望深度学习神经网络；

分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练。

2.根据权利要求1所述的期望与反期望深度学习方法，其特征在于，分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练的步骤包括：通过训练数据中的输入数据分别对期望深度学习神经网络和反期望深度学习神经网络进行无监督训练；

从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对期望深度学习神经网络进行有监督训练；

从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对反期望深度学习神经网络进行有监督训练。

3.根据权利要求2所述的期望与反期望深度学习方法，其特征在于，从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练的步骤之后还包括：将所述训练数据中与期望标签一致的输出标签对应的输入数据作为第一输入数据；

从每一第一输入数据中筛选出第一预设比例的数据，得到对应的每一第二输入数据；

将每一第二输入数据作为输入，将对应的第一预设比例作为预期输出，对期望深度学习神经网络进行有监督训练。

4.根据权利要求2所述的期望与反期望深度学习方法，其特征在于，从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练的步骤之后还包括：将所述训练数据中与反期望标签一致的输出标签对应的输入数据作为第三输入数据；

从每一第三输入数据中筛选出第二预设比例的数据，得到对应的每一第四输入数据；

将每一第四输入数据作为输入，将对应的第二预设比例作为预期输出，对反期望深度学习神经网络进行有监督训练。

5.根据权利要求1所述的期望与反期望深度学习方法，其特征在于，在分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练之后，还包括以下步骤：计算输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度。

6.根据权利要求5所述的期望与反期望深度学习方法，其特征在于，计算输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度的步骤包括：将输入数据输入期望深度学习神经网络，得到期望深度学习神经网络的输出数据；

将输入数据输入反期望深度学习神经网络，得到反期望深度学习神经网络的输出数据；

根据期望深度学习神经网络的输出数据与反期望深度学习神经网络的输出数据得到输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度。

7.根据权利要求6所述的期望与反期望深度学习方法，其特征在于，根据期望深度学习神经网络的输出数据与反期望深度学习神经网络的输出数据得到输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度的步骤包括：将期望深度学习神经网络的输出数据作为输出属于期望标签的概率A，将反期望深度学习神经网络的输出数据作为输出属于反期望标签的概率B；

将输入数据对应的输出属于期望标签或反期望标签的可信度F记为(A+B)/2；

输入数据对应的输出属于期望标签的可信度为F×A，属于相反标签的可信度为F×B，属于其他标签的可信度为1-F。

8.一种神经网络系统，其特征在于，包括：

标签获取模块，用于获取训练数据中的输出数据的期望标签和反期望标签；其中，所述反期望标签是与所述期望标签的属性相反的标签；

初始化模块，用于初始化与期望标签对应的深度学习神经网络，得到期望深度学习神经网络，初始化与反期望标签对应的深度学习神经网络，得到反期望深度学习神经网络；

训练模块，用于分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任意一项所述的期望与反期望深度学习方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任意一项所述的期望与反期望深度学习方法。