1.一种训练样本生成方法，其特征在于，包括：

获取初始样本编码序列及其对应的多个均衡属性的标签；

将所述初始样本编码序列、编码序列长度、所述多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

根据所述预测样本编码序列计算均衡值，并利用所述均衡值对所述自适应均衡生成模型进行更新；

在所述自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对所述均衡样本编码序列进行解码，得到均衡样本集合。

2.根据权利要求1所述的方法，其特征在于，获取初始样本编码序列及其对应的多个均衡属性的标签，包括：按照均衡属性获取初始样本集合，所述初始样本集合包括多个均衡属性的标签；

根据所述多个均衡属性的标签对所述初始样本集合中的样本进行编码，得到所述初始样本编码序列。

3.根据权利要求1所述的方法，其特征在于，根据所述预测样本编码序列计算均衡值，包括：对所述预测样本编码序列进行解码，得到预测样本集合；

计算所述预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到所述均衡值。

4.根据权利要求1所述的方法，其特征在于，所述均衡属性包括类别均衡、尺度均衡以及难易均衡。

5.根据权利要求1所述的方法，其特征在于，所述自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

6.一种训练样本生成装置，其特征在于，包括：

初始样本获取模块，用于获取初始样本编码序列及其对应的多个均衡属性的标签；

预测样本生成模块，用于将所述初始样本编码序列、编码序列长度、所述多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

模型更新模块，用于根据所述预测样本编码序列计算均衡值，并利用所述均衡值对所述自适应均衡生成模型进行更新；

均衡样本生成模块，用于在所述自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对所述均衡样本编码序列进行解码，得到均衡样本集合。

7.根据权利要求6所述的装置，其特征在于，所述初始样本获取模块包括：第一获取子模块，用于按照均衡属性获取初始样本集合，所述初始样本集合包括多个均衡属性的标签；

第一编码子模块，用于根据所述多个均衡属性的标签对所述多个初始样本集合中的样本进行编码，得到所述初始样本编码序列。

8.根据权利要求6所述的装置，其特征在于，所述模型更新模块包括：第一解码模块，用于对所述预测样本编码序列进行解码，得到预测样本集合；

第一计算模块，用于计算所述预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到所述均衡值。

9.根据权利要求6所述的装置，其特征在于，所述均衡属性包括类别均衡、尺度均衡以及难易均衡。

10.根据权利要求6所述的装置，其特征在于，所述自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。