1.一种基于循环生成对抗网络对书法进行风格迁移的方法，其特征在于，具体按照以下步骤实施：

步骤1、在word中制作要迁移的风格A和风格B两种风格的两种字体各n页，输出为图片jpg格式，得到2n张图片，作为训练样本；

步骤2、根据步骤1中的样本，制作两种风格数据集，依次更新生成器权重和判别器权重，得到生成器训练生成的图片和判别器判别真伪的结果；

所述步骤2具体按照以下步骤实施：

步骤2.1、将所述步骤1中有2n张图片的训练样本中的每张图片随机裁出m张i×i大小的图片，得到风格A和风格B的图片各n×m张，图片大小均为i×i，即为所需要的数据集，其中n为裁剪前图片的张数，m为裁剪后图片张数，i为裁剪出的图片的边长；

步骤2.2、设置循环生成对抗网络，由两个对称的生成对抗网络GAN构成一个环形网络，两个生成对抗网络GAN共享两个生成器，并各自带一个判别器，即共有两个生成器，记为生成器G和生成器F，和两个判别器，记为判别器DX和判别器DY，每个生成对抗网络GAN有两个损失函数，分别为生成器的重建损失和判别器的判别损失；

步骤2.3、生成器G负责把步骤2.1中裁剪后的风格A的图片训练成风格B的样子，然后更新重建损失，得到生成图片，判别器DY将步骤2.1中裁剪后的风格B的图片和步骤2.3中生成器G生成图片作为输入，更新判别损失，尝试预测其为原始图片还是生成器的生成图片；

步骤2.4、生成器F负责把步骤2.1中裁剪后的风格B的图片训练成风格A的样子，然后更新重建损失，得到生成图片，判别器DX将步骤2.1中裁剪后的风格A的图片和步骤2.4中生成器F生成图片作为输入，更新判别损失，尝试预测其为原始图片还是生成器的生成图片；

步骤3、将步骤1中制作的训练样本输入步骤2中的判别器和生成器中进行训练更新，经过二者的博弈以后，生成器的伪造技术越来越厉害，判别器的鉴别技术也越来越厉害，直到判别器再也分不出数据是真实的数据还是生成器生成的数据，即对抗的过程达到动态的平衡，得到最后的训练效果，输出风格迁移后的图片。

2.根据权利要求1所述的一种基于循环生成对抗网络对书法进行风格迁移的方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、选取步骤2.1中裁剪后的任意一张风格A的图片x作为样本输入生成器G中，所输入的图片x经过生成器训练，生成一张风格B的图片y'，即G(x)＝y'；

步骤3.2、选取步骤2.1中裁剪后的任意一张风格B的图片y作为样本输入生成器F中，所输入的图片y经过生成器训练，生成一张风格A的图片x'，即F(y)＝x'；

步骤3.3、创建两个判别器DX和判别器DY：

判别器DX：输入步骤3.2生成的图片x'或步骤2.1中裁剪后的任意一张风格A的图片x，输出16x16矩阵，各个元素越接近0.9，损失函数值越小；

判别器DY：输入步骤3.1生成的图片y'或步骤2.1中裁剪后的任意一张风格B的图片y，输出16x16矩阵，各个元素越接近0.9，损失函数值越小；

损失函数值越小，说明该网络训练生成的图片越接近目标图片，即风格迁移越成功。

3.根据权利要求2所述的一种基于循环生成对抗网络对书法进行风格迁移的方法，其特征在于，所述步骤3.3中损失函数具体计算如下：步骤3.3.1、判别器DY损失函数：将步骤3.2中风格B的图片y输入到判别器DY中，输出概率值DY(y)；将步骤3.1中生成图片y'即图片G(x)输入到判别器DY中，输出概率值DY(G(x))，其对抗损失函数表示为：LGAN(G,DY,X,Y)＝Ey～pdata(y)[logDY(y)]+Ex～pdata(x)[log(1‑DY(G(x)))]，LGAN(G,DY,X,Y)表示整个判别器DY的损失函数，其中，Ey～pdata(y)表示风格B的图片y服从真实数据概率分布的期望；Ex～pdata(x)表示生成图片y'即图片G(x)服从生成数据概率分布的期望；DY(y)表示图片y输入判别器后的输出值，该输出值表示该图片为真实图片的概率；DY(G(x))表示生成图片y'即图片G(x)输入判别器后的输出值，该输出值表示该图片为真实图片的概率；

当DY(y)≈DY(G(x))，则y≈G(x)，经过生成器G训练后的图片y'即图片G(x)为风格转移后的图片，则生成器G训练完成；

步骤3.3.2，判别器DX损失函数：将步骤3.1中风格A的图片x输入到判别器DX中，输出概率值DX(x)；将步骤3.2中生成图片x'即图片F(x)输入到判别器DX中，输出概率值DX(F(y))，其对抗损失函数如下所示：LGAN(F,DX,Y,X)＝Ex～pdata(x)[logDX(x)]+Ey～pdata(y)[log(1‑DX(F(y)))]LGAN(F,DX,Y,X)表示整个判别器DX的损失函数，其中，Ex～pdata(x)表示图片x服从真实数据概率分布的期望；Ey～pdata(y)表示生成图片x'即图片F(y)服从生成数据概率分布的期望；DX(x)表示图片x输入判别器后的输出值，该输出值表示该图片为真实图片的概率；DX(F(y))表示图片x'即图片G(y)输入判别器后的输出值，该输出值表示该图片为真实图片的概率；

当DX(x)≈DX(F(y))，则x≈F(y)，经过生成器F训练后的图片x'即图片F(y)为风格转移后的图片，则生成器F训练完成；

步骤3.3.3、循环一致性损失：把步骤3.1中生成的图片y'即图片G(x)再经过生成器F训练，得到图片F(G(x))；把步骤3.2中生成的图片x'即图片F(y)再经过生成器G训练，得到图片G(F(y))；循环一致性损失定义如下所示：Lcyc(F,G,X,Y)＝Ex～pdata(x)[||F(G(x))‑x||1]+Ey～pdata(y)[||G(F(y))‑y||1]其中，F(G(x))是步骤3.1中的图片x通过生成器G生成的图片y'再通过生成器F训练出来的图片，G(F(y))是步骤3.2中的图片y通过生成器F生成的图片x'再通过生成器G训练出来的图片；||F(G(x))‑x||1表示通过两次生成器训练生成的图片F(G(x))与原风格A的图片x做均方误差，||G(F(y))‑y||1是通过两次生成器训练生成的图片G(F(y))与原风格B的图片y做均方误差，值越小说明训练生成的图片效果越好；

步骤3.3.4、最终的损失函数为步骤3.3.1中判别器损失、步骤3.3.2中判别器损失和步骤3.3.3中循环一致性损失的总和，表示如下：Ltotal＝LGAN(F,DY,X,Y)+LGAN(G,DX,X,Y)+λLcyc(F,G,X,F)其中λ为常数，Ltotal表示图片风格迁移效果的总体损失，损失值越小表明训练越成功，也就是训练生成的图片风格越接近目标图片风格。

4.根据权利要求3所述的一种基于循环生成对抗网络对书法进行风格迁移的方法，其特征在于，λ＝10。