1.一种基于深度学习的音乐自动生成并评价的方法，其特征在于，包括以下步骤：S1、采集MIDI数据，并对MIDI数据进行预处理；

S2、使用预处理后的MIDI数据对GPT‑2模型进行训练，并输入若干音符至训练后的GPT‑

2模型中，得到音乐旋律；

S3、对音乐旋律进行数理统计评价、乐理评价以及调试检验评价，完成音乐评价；

所述数理统计评价具体包括符号秩检验、曼‑惠特尼U检验和克氏检验；

所述符号秩检验具体为：

A1、获取预处理后的MIDI数据中所有音符位置的中心点为XM0，并计算生成的音乐旋律中每个音符Xj到中心点XM0的距离为|Xj‑XM0|，j＝1,2,...,n，n表示生成的音乐旋律中音符总数；

A2、将n个距离按升序排序，并根据n个距离获取n个秩；

A3、令W+为Xj‑XM0>0对应秩的和，令W‑为Xj‑XM0<0对应秩的和；

A4、获取检验统计量W为：

W＝min(W+,W‑)

A5、根据检验统计量W，查寻Wilcoxon符号秩检验的分布表获取零假设条件下的p值；

A6、判断p值是否小于设定的阈值，若是，则判定生成的音乐旋律不符合真实音乐旋律并结束，否则判定生成的音乐旋律符合真实音乐旋律并结束；

所述曼‑惠特尼U检验具体为：

B1、取出一组MIDI数据并与生成的音乐旋律组成样本数据；

B2、将两组样本数据的音符混合，并按照音符高低进行升序排序，并以1为开始序号进行顺序标号；

B3、分别求取第一组和第二组样本数据的等级和为R1和R2；

B4、根据R1和R2，求取第一中间系数U1和第二中间系数U2为：U1＝R1‑n1*(n1+1)/2

U2＝R2‑n2*(n2+1)/2

其中，n1和n2分别表示第一组和第二组样本数据的项数；

B5、设定N＝n1+n2，并通过N获得R1、R2与N之间的关系式为：R1+R2＝N(N+1)/2

B6、根据第一中间系数U1、第二中间系数U2和步骤B5中关系式整理得到：U1+U2＝n1*n2

B7、判断min(U1,U2)是否小于设定的临界值Ua，若是，则判定生成的音乐旋律不符合真实音乐旋律并结束，否则判定生成的音乐旋律符合真实音乐旋律并结束；

所述克氏检验具体为：

C1、取出若干组MIDI数据并与生成的音乐旋律组成样本数据；

C2、获取样本数据中每个音符的秩，将秩按升序排序，并以1位起始序号依次分配序号；

C3、将结合在一起的音符的秩取平均值，并将平均值作为其新秩；

C4、分别获取生成音乐旋律和每组MIDI数据的平均秩，获取样本数据中音符的平均秩，并根据平均秩获取检验统计量H为:其中， 表示第k组音乐旋律数据的平均秩，k＝1,2,...,K，K表示MIDI数据和生成音乐旋律的总数， 表示样本数据中音符的平均秩，G表示样本数据中音符总数，nk表示第k组音乐旋律数据中音符的个数；

C5、根据检验统计量H求取判断值P为：

其中，CDF(*)表示累计分布函数， df表示自由度为df的卡方分布C6、判断判断值P是否大于预先设定的阈值，若是，则判定生成的音乐旋律符合真实音乐旋律并结束，否则判定生成的音乐旋律不符合真实音乐旋律并结束；

所述乐理评价包括级进跳进对比、波浪形检验以及重复性检验；

所述级进跳进对比具体为：

D1、将生成的音乐旋律数字化，得到音符序列为{a1,a2,...,an}；

D2、获取音符序列{a1,a2,...,an}的差分序列D(an)为：D(an)＝an+1‑an

D3、获取差分序列D(an)中绝对值大于4的值的个数为S1，获取差分序列D(an)中绝对值小于等于4的值的个数为S2；

D4、根据个数S1和个数S2，获取级进跳进比为：所述波浪形检验具体为：

E1、设定波浪检测条件为：一个数后的3个数与其同符号且下一个相反符号的数后3个数符号与其符号相反；

E2、以差分序列D(an)的第一个数为起点，获取生成音乐旋律的波浪数；

E3、对比生成音乐旋律与MIDI数据的波浪数，完成波浪性检验；

所述重复性检验具体为：

F1、获取生成音乐旋律中存在连续三个^符号的位置为隔断位，并通过隔断位将生成音乐旋律划分为若干小节；

F2、将任意两个小节进行匹配，若对应位置的音符重合率大于70％，则判定对应小节具备重复性；

F3、获取具备重复性的小节个数，并将其与MIDI数据中具备重复性的小节个数进行对比，若两者个数差异小于设定阈值，则判定生成音乐具备重复性；

所述调试检验评价具体为：判断生成的音乐旋律中音符是否均在预先设定的C大调中，若是，则调试检验合格，否则，调试检验不合格。

2.根据权利要求1所述的基于深度学习的音乐自动生成并评价的方法，其特征在于，所述步骤S1具体为：S1.1、采集MIDI数据，对MIDI数据进行移调处理，得到初级数据；

S1.2、提取初级数据中的音符时长信息，得到次级数据；

S1.3、以次级数据为基础，提取初级数据中的高音与节奏信息，完成MIDI数据的预处理。

3.根据权利要求2所述的基于深度学习的音乐自动生成并评价的方法，其特征在于，所述步骤S1.1中对MIDI数据进行移调处理的具体方法为：获取MIDI数据与C调之间的距离，根据距离对MIDI数据中音符进行调性转换，将MIDI数据中音符转换为C调，完成对MIDI数据的移调处理；

所述步骤S1.2中提取初级数据中的音符时长信息的具体方法为：S1.2.1、提取MIDI数据中的旋律音轨Track1；

S1.2.2、提取旋律音轨Track1中所有音符的时长，得到时长列表L1；

S1.2.3、取出时长列表L1中最小时长T0，并使用每个音符的时长除以最小时长T0，得到MIDI数据中每个音符的音符倍数Ni，完成音符时长信息提取；

其中，Ni表示MIDI数据中第i个音符的音符倍数，i＝1,2,...,I，I表示MIDI数据中音符总数；

所述步骤S1.3中提取初级数据中的高音与节奏信息的具体方法为：S1.3.1、设定计数器Y＝1，提取旋律音轨Track1中所有高音音符；

S1.3.2、判断第Y个高音音符的时长是否为单位长度，若是，则进入步骤S1.3.3，否则在第Y个高音音符后添加NY个–符号，并进入步骤S1.3.3；

S1.3.3、判断第Y+1个音符是否为停顿，若是，则使用停顿时长SY+1除以最小时长T0，获取停顿倍数MY+1，并在第Y+1个音符的位置处添加MY+1个^符号，令Y的计数值加2，返回步骤S1.3.2，否则令Y的计数值加1，并返回步骤S1.3.2；

S1.3.4、根据步骤S1.3.1‑1.3.3所述方法，遍历旋律音轨Track1中所有音符，提取初级数据中的高音与节奏信息。

4.根据权利要求2所述的基于深度学习的音乐自动生成并评价的方法，其特征在于，所述步骤S2具体为：S2.1、将GPT‑2模型的维数修改为60维；

S2.2、使用词嵌入方法将预处理后的MIDI数据映射为一个矩阵，构建音符词典；

S2.3、以音符词典为基础，使用Adam算法对GPT‑2模型进行训练，得到训练后的GPT‑2模型；

S2.4、输入若干音符至训练后的GPT‑2模型中，得到音乐旋律。