1.一种图像检索模型的训练方法，其特征在于，所述图像检索模型包括神经网络模块、哈希计算模块、分类器模块以及元梯度模块；

所述方法包括：

获取训练图像集，所述训练图像集包括多个训练样本图像以及对应的训练样本标签；

将所述训练样本图像输入所述神经网络模块，获取第一特征向量；

通过所述哈希计算模块计算与所述第一特征向量对应的第二哈希特征向量；

通过所述分类器模块确定与所述第二哈希特征向量对应的第三分类向量；

根据所述训练样本标签、所述第一特征向量、第二哈希特征向量、第三分类向量确定所述图像检索模型的目标更新参数，根据所述目标更新参数对所述图像检索模型进行参数更新；

其中，所述根据所述样本标签、所述第一特征向量、第二哈希特征向量、第三分类向量确定所述图像检索模型的目标更新参数，根据所述目标更新参数对所述图像检索模型进行参数更新的步骤，还包括：计算所述第三分类向量与所述样本标签之间的第一损失值，计算所述第一特征向量与所述第二哈希特征向量的第二损失值；根据所述第一损失值和所述第二损失值计算目标损失值；根据所述目标损失值确定与所述分类器模块对应的第一更新参数和与所述神经网络模块对应的第二更新参数；根据所述第一更新参数和第二更新参数对所述分类器模块和所述神经网络模块进行模型参数更新；

其中，所述根据所述目标损失值确定与所述分类器模块对应的第一更新参数和与所述神经网络模块对应的第二更新参数的步骤，还包括：计算所述目标损失值对所述分类器模块的梯度值，确定所述第一更新参数；计算所述目标损失值对所述第二哈希特征向量的梯度值，将该梯度值和所述第一特征向量、第二哈希特征向量输入所述元梯度模块，获取元梯度模块输出的梯度值，确定所述第二更新参数；

其中，对于目标损失值，对第二哈希特征向量进行求导，将求导之后的结果加上第一特征向量和第二哈希特征向量一同输入所述元梯度模块，获取所述元梯度模块得到对应的梯度值，通过该梯度值对所述第二更新参数进行估计，以得到对神经网络模块进行参数更新的第二更新参数；

所述根据所述第一更新参数和第二更新参数对所述分类器模块和所述神经网络模块进行模型参数更新的步骤之后，还包括：根据所述目标损失值，确定与所述元梯度模块对应的第三更新参数；根据所述第三更新参数对所述元梯度模块进行模型参数更新。

2.根据权利要求1所述的图像检索模型的训练方法，其特征在于，所述计算所述第三分类向量与所述样本标签之间的第一损失值的步骤，还包括：根据预设的交叉熵损失值计算公式，计算与所述第三分类向量与所述样本标签之间的交叉熵损失值作为所述第一损失值；

所述计算所述第一特征向量与所述第二哈希特征向量的第二损失值的步骤，还包括：根据预设的均方误差损失值计算公式，计算与所述第一特征向量与所述第二哈希特征向量之间的均方误差值作为所述第二损失值；

所述根据所述第一损失值和所述第二损失值计算目标损失值的步骤，还包括：根据预设的加权系数，计算与所述第一损失值和第二损失值对应的目标损失值。

3.根据权利要求1或2所述的图像检索模型的训练方法，其特征在于，所述方法还包括：获取测试图像集，所述测试图像集包括多个测试样本图像以及对应的测试样本标签；

将所述测试样本图像输入所述图像检索模型，获取输出的测试结果标签；

计算与所述测试结果标签对应的测试损失值；

在所述测试损失值小于预设的损失阈值的情况下，判定所述图像检索模型训练完成。

4.一种图像检索方法，其特征在于，所述图像检索方法基于如权利要求1至3任一所述的图像检索模型的训练方法所训练得到的目标图像检索模型；

所述方法包括：

获取待检索图像；

将所述待检索图像输入所述目标图像检索模型，获取所述目标图像检索模型的输出结果作为与所述待检索图像对应的图像检索结果。

5.根据权利要求4所述的图像检索方法，其特征在于，所述将所述待检索图像输入所述目标图像检索模型，获取所述目标图像检索模型的输出结果作为与所述待检索图像对应的图像检索结果的步骤，还包括：通过所述神经网络模块计算所述待检索图像对应的第一目标特征向量；

通过所述哈希计算模块计算所述第一目标特征向量对应的第二哈希特征向量作为所述待检索图像的目标哈希特征向量；

在预设的图像数据库中查找与所述目标哈希特征向量的距离值小于预设的距离阈值的参考哈希值，所述图像数据库中包括多个参考图像以及与所述参考图像对应的参考哈希值；

根据查找到的参考哈希值对应的参考图像确定与所述待检索图像对应的图像检索结果。

6.一种图像检索模型的训练装置，其特征在于，所述图像检索模型包括神经网络模块、哈希计算模块、分类器模块以及元梯度模块；

所述装置包括：

训练样本获取单元，用于获取训练图像集，所述训练图像集包括多个训练样本图像以及对应的训练样本标签；

特征计算单元，用于将所述训练样本图像输入所述神经网络模块，获取第一特征向量；

通过所述哈希计算模块计算与所述第一特征向量对应的第二哈希特征向量；通过所述分类器模块确定与所述第二哈希特征向量对应的第三分类向量；

损失值计算单元，用于计算所述第三分类向量与所述样本标签之间的第一损失值，计算所述第一特征向量与所述第二哈希特征向量的第二损失值；根据所述第一损失值和所述第二损失值计算目标损失值；

参数更新单元，用于根据所述目标损失值确定与所述分类器模块对应的第一更新参数和与所述神经网络模块对应的第二更新参数；根据所述第一更新参数和第二更新参数对所述分类器模块和所述神经网络模块进行模型参数更新；

其中，所述参数更新单元还用于：计算所述第三分类向量与所述样本标签之间的第一损失值，计算所述第一特征向量与所述第二哈希特征向量的第二损失值；根据所述第一损失值和所述第二损失值计算目标损失值；根据所述目标损失值确定与所述分类器模块对应的第一更新参数和与所述神经网络模块对应的第二更新参数；根据所述第一更新参数和第二更新参数对所述分类器模块和所述神经网络模块进行模型参数更新；

所述参数更新单元还用于：计算所述目标损失值对所述分类器模块的梯度值，确定所述第一更新参数；计算所述目标损失值对所述第二哈希特征向量的梯度值，将该梯度值和所述第一特征向量、第二哈希特征向量输入所述元梯度模块，获取元梯度模块输出的梯度值，确定所述第二更新参数；其中，对于目标损失值，对第二哈希特征向量进行求导，将求导之后的结果加上第一特征向量和第二哈希特征向量一同输入所述元梯度模块，获取所述元梯度模块得到对应的梯度值，通过该梯度值对所述第二更新参数进行估计，以得到对神经网络模块进行参数更新的第二更新参数；

所述参数更新单元还用于：根据所述目标损失值，确定与所述元梯度模块对应的第三更新参数；根据所述第三更新参数对所述元梯度模块进行模型参数更新。

7.一种图像检索装置，其特征在于，所述图像检索装置基于如权利要求6所述的图像检索模型的训练装置所训练得到的目标图像检索模型；

检索图像确定单元，用于获取待检索图像；

模型检索单元，用于将所述待检索图像输入所述目标图像检索模型，获取所述目标图像检索模型的输出结果作为与所述待检索图像对应的图像检索结果。

8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至3中任一项所述的图像检索模型的训练方法的步骤，或执行如权利要求4或5所述的图像检索方法的步骤。