1.一種神經網絡的處理方法，其特征在于，所述方法包括：

獲取網絡層的輸入向量和權重向量集合，所述權重向量集合包括N個原始權重向量，N為所述網絡層的輸出向量的個數；

從所述權重向量集合中選取至少兩個第一權重向量，并將所述至少兩個第一權重向量替換為預設權重向量，所述至少兩個第一權重向量為相似權重向量，且每個第一權重向量與所述輸入向量的相關度小于預設相關度；

利用所述輸入向量以及處理后的權重向量集合，計算得到所述網絡層的N個輸出向量，所述處理后的權重向量集合包括：所述權重向量集合中未被選取的原始權重向量、以及所述預設權重向量。

2.根據權利要求1所述的方法，其特征在于，所述從所述權重向量集合中選取至少兩個第一權重向量，包括：

從所述N個原始權重向量中選取相似權重向量，并對所述相似權重向量進行聚類處理，得到至少一個權重聚合類；

計算各權重聚合類的中心向量與所述輸入向量的相關度，將相關度小于所述預設相關度的權重聚合類包括的相似權重向量，確定為所述第一權重向量。

3.根據權利要求2所述的方法，其特征在于，所述從所述N個原始權重向量中選取相似權重向量，包括：

計算每個原始權重向量的模、以及所述N個原始權重向量的模的均值；

根據所述模的均值確定匹配區間，若有至少兩個原始權重向量的模位于所述匹配區間內，則將所述至少兩個原始權重向量確定為相似權重向量。

4.根據權利要求3所述的方法，其特征在于，如果所述相似權重向量的個數小于預設數量，所述方法還包括：

按照預設步長擴展所述匹配區間，以使根據擴展后匹配區間確定出的相似權重向量的個數不小于所述預設數量為止；

所述對所述相似權重向量進行聚類處理，得到至少一個權重聚合類，包括：將所述擴展后匹配區間分割為至少兩個小區間，分別對每個小區間對應的相似權重向量進行聚類處理，得到至少一個權重聚合類。

5.根據權利要求1至4任一項所述的方法，其特征在于，在所述從所述權重向量集合中選取至少兩個第一權重向量之前，所述方法還包括：

判斷所述權重向量集合中的原始權重向量之間的差異度是否大于預設差異值；

如果所述權重向量集合中的原始權重向量之間的差異度不大于預設差異值，再執行所述從所述權重向量集合中選取至少兩個第一權重向量的步驟。

6.一種神經網絡的處理裝置，其特征在于，所述裝置包括：

向量獲取模塊，用于獲取網絡層的輸入向量和權重向量集合，所述權重向量集合包括N個原始權重向量，N為所述網絡層的輸出向量的個數；

第一權重向量選取模塊，用于從所述權重向量集合中選取至少兩個第一權重向量，并將所述至少兩個第一權重向量替換為預設權重向量，所述至少兩個第一權重向量為相似權重向量，且每個第一權重向量與所述輸入向量的相關度小于預設相關度；

輸出向量計算模塊，用于利用所述輸入向量以及處理后的權重向量集合，計算得到所述網絡層的N個輸出向量，所述處理后的權重向量集合包括：所述權重向量集合中未被選取的原始權重向量、以及所述預設權重向量。

7.根據權利要求6所述的裝置，其特征在于，所述第一權重向量選取模塊包括：

相似權重向量獲取模塊，用于從所述N個原始權重向量中選取相似權重向量；

聚類處理模塊，用于對所述相似權重向量進行聚類處理，得到至少一個權重聚合類；

第一權重向量確定模塊，用于計算各權重聚合類的中心向量與所述輸入向量的相關度，將相關度小于所述預設相關度的權重聚合類包括的相似權重向量，確定為所述第一權重向量。

8.根據權利要求7所述的裝置，其特征在于，

所述相似權重向量獲取模塊，用于計算每個原始權重向量的模、以及所述N個原始權重向量的模的均值；根據所述模的均值確定匹配區間，若有至少兩個原始權重向量的模位于所述匹配區間內，則將所述至少兩個原始權重向量確定為相似權重向量。