1.一种深度学习神经网络进化方法，其特征在于，包括：

调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；

按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；

将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；

计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；

若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。

2.根据权利要求1所述的深度学习神经网络进化方法，其特征在于，所述将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组之后，所述若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络之前，还包括：根据所述数据组获取当前的组数阈值并存储。

3.根据权利要求2所述的深度学习神经网络进化方法，其特征在于，所述根据所述数据组获取当前的组数阈值并存储，包括：统计所述使用时间属于所述预设时间段内的数据组的总组数；

根据所述总组数计算得到当前的组数阈值并存储，其中，当前的组数阈值小于所述总组数。

4.根据权利要求3所述的深度学习神经网络进化方法，其特征在于，所述根据所述总组数计算得到当前的组数阈值并存储，包括：计算所述总组数与第一预设比例的乘积得到当前的组数阈值并存储，所述第一预设比例大于零且小于1。

5.根据权利要求2所述的深度学习神经网络进化方法，其特征在于，所述根据所述数据组获取当前的组数阈值并存储，包括：统计所述使用时间属于预设参考时间段内的数据组中、对应差异值大于所述预设阈值的数据组的数量；

根据所述数量计算得到当前的组数阈值并存储。

6.根据权利要求5所述的深度学习神经网络进化方法，其特征在于，所述预设时间段为以当前时刻为结束点的对已训练的深度学习神经网络进行预设次数的使用的时间段，或所述预设时间段为以当前时刻为结束点、时长为第一预设时长的时间段；

所述预设参考时间段为以预设起始时刻为起始点、预设结束时刻为结束点的时间段，或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、时长为所述第一预设时长的时间段，或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、使用次数为所述预设次数的时间段，或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、时长为所述第一预设时长的时间段，或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、使用次数为所述预设次数的时间段；其中，第二预设时长大于第一预设时长。

7.根据权利要求1所述的深度学习神经网络进化方法，其特征在于，所述将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络，包括：将所有差异组中的输入数据输入已训练的深度学习神经网络进行无监督学习，得到初步进化的深度学习神经网络；

将所有差异组中的输入数据和对应的真实结果数据分别作为输入和预期输出，对所述初步进化的深度学习神经网络进行有监督学习，得到进化后的深度学习神经网络。

8.根据权利要求7所述的深度学习神经网络进化方法，其特征在于，包括以下两项中的至少一项：所述将所有差异组中的输入数据输入已训练的深度学习神经网络进行无监督学习，得到初步进化的深度学习神经网络，包括：按照各差异组的使用时间的先后顺序排序，选取第一组差异组中的输入数据输入已训练的深度学习神经网络进行无监督学习，得到对应的训练神经网络；

选取下一组差异组中的输入数据作为前一组差异组对应的训练神经网络的输入，对前一组差异组对应的训练神经网络进行无监督学习得到对应的训练神经网络，循环直到得到最后一组差异组对应的训练神经网络并作为所述初步进化的深度学习神经网络；

所述将所有差异组中的输入数据和对应的真实结果数据分别作为输入和预期输出，对所述初步进化的深度学习神经网络进行有监督学习，得到进化后的深度学习神经网络，包括：按照各差异组的使用时间的先后顺序排序，选取第一组差异组中的输入数据和真实结果数据分别作为所述初步进化的深度学习神经网络的输入和预期输出，对所述初步进化的深度学习神经网络进行有监督学习，得到对应的改进神经网络；

选取下一组差异组中的输入数据和真实结果数据分别作为前一组差异组对应的改进神经网络的输入和预期输出，对前一组差异组对应的改进神经网络进行有监督学习，得到改进神经网络，循环直到得到最后一组差异组对应的改进神经网络并作为进化后的深度学习神经网络。

9.根据权利要求1所述的深度学习神经网络进化方法，其特征在于，所述若所述组数大于或等于存储的组数阈值，则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络之后，还包括：删除所有数据组，将进化后的深度学习神经网络作为新的已训练的深度学习神经网络，并返回所述调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据的步骤。

10.一种深度学习神经网络进化装置，其特征在于，包括：

数据获取模块，用于调取已训练的深度学习神经网络，将输入数据输入已训练的深度学习神经网络进行深度学习，得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据；

数据选取模块，用于按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据；

数据保存模块，用于将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组；

组数统计模块，用于计算每个数据组中输出数据与同组内对应的真实结果数据的差异值，以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组，统计所述差异组的组数；

网络进化模块，用于在所述组数大于或等于存储的组数阈值时，将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练，得到进化后的深度学习神经网络。

11.一种介质，存储有计算机程序，其特征在于，存储的计算机程序被处理器执行时实现如权利要求1-9中任一项所述方法的步骤。

12.一种计算机设备，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计算机程序时实现如权利要求1-9任一项所述方法的步骤。