1.基于多视图代码特征的细粒度代码自动生成方法，其特征是，包括：获取自然语言描述；

将自然语言描述输入到训练后的编码器中，得到自然语言描述向量；

将自然语言描述向量和代码字典对应的所有融合向量，均输入到训练后的解码器中，解码器输出对应的代码。

2.如权利要求1所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，所述代码字典，获取步骤包括：

(1)：获取若干个已知的代码片段；

(2)：对每个代码片段进行单视图构建，得到每个代码片段的抽象语法树、控制流程图和API依赖图；

(3)：对每个代码片段的抽象语法树、控制流程图和API依赖图，分别进行图嵌入，得到每个代码片段的抽象语法树特征向量、控制流程图特征向量和API依赖图特征向量；

(4)：将每个代码片段的控制流程图特征向量和API依赖图特征向量，均匹配到对应代码片段的抽象语法树的节点上；

(5)：将匹配成功的抽象语法树特征向量、控制流程图特征向量和API依赖图特征向量进行融合，得到当前代码片段对应的融合向量；

(6)：重复步骤(2)～(5)；得到代码片段与融合向量一一对应的代码字典。

3.如权利要求2所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，对每个代码片段的抽象语法树进行图嵌入，得到每个代码片段的抽象语法树特征向量；具体包括：

采用图卷积神经网络，对每个代码片段的抽象语法树进行图嵌入，将节点特征向量组成的矩阵X，以及节点的指向关系组成的矩阵A，作为图卷积神经网络的输入；得到每个代码片段的抽象语法树特征向量。

4.如权利要求2所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，将每个代码片段的控制流程图特征向量，均匹配到对应代码片段的抽象语法树的节点上；具体包括：

a1：遍历象语法树，采用字符串匹配的方法在象语法树上找到“BlockStmt”节点，判断其父节点是否为“Method Declaration”；

a2：若是，则匹配失败继续遍历；

a3：否则，将控制流程图特征向量匹配到对应代码片段的抽象语法树的节点上；控制流程图的“BlockStmt”节点的父节点以及子节点，指向关系为父节点指向子节点；

a4：一直循环遍历，直到全部查找成功为止。

5.如权利要求2所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，将每个代码片段的API依赖图特征向量，均匹配到对应代码片段的抽象语法树AST的节点上；

具体包括：

b1：遍历抽象语法树进行字符串匹配，首先，匹配节点“Method Call Expr”，其子树包含所要查找的函数调用以及参数；

如果匹配失败，则继续遍历；

如果匹配成功，则遍历其子树，分别匹配代码段中的函数调用以及参数；

b2：如果代码段中的函数调用以及参数匹配失败，则继续遍历；

如果代码段中的函数调用以及参数匹配成功后，则对所匹配到的函数、参数进行拼接，得到API依赖图信息；

b3：一直遍历，直到全部匹配为止。

6.如权利要求2所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，将匹配成功的抽象语法树特征向量、控制流程图特征向量和API依赖图特征向量进行融合，得到当前代码片段对应的融合向量；具体包括：将匹配成功的抽象语法树特征向量、控制流程图特征向量和API依赖图特征向量利用CONCAT连接函数进行融合，得到当前代码片段对应的融合向量。

7.如权利要求2所述的基于多视图代码特征的细粒度代码自动生成方法，其特征是，对每个代码片段进行单视图构建，得到每个代码片段的抽象语法树、控制流程图和API依赖图；其中，得到每个代码片段的抽象语法树之后，还将抽象语法树中的每个节点映射到实值向量。

8.基于多视图代码特征的细粒度代码自动生成系统，其特征是，包括：获取模块，其被配置为：获取自然语言描述；

编码模块，其被配置为：将自然语言描述输入到训练后的编码器中，得到自然语言描述向量；

解码模块，其被配置为：将自然语言描述向量和代码字典对应的所有融合向量，均输入到训练后的解码器中，解码器输出对应的程序。

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1‑7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的方法。