1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于深度学习的乐谱识别程序，所述基于深度学习的乐谱识别程序被所述处理器执行时实现如下步骤：获取待判别音乐质量的乐谱中的音乐元素，将获取的音乐元素进行预处理，生成对应的音乐特征矩阵；

将所述音乐特征矩阵代入预先确定的音乐力度标注模型进行识别，输出标注了音乐力度的乐谱；

根据预先确定的音乐识别模型分析标注了音乐力度的乐谱，确定标注了音乐力度的乐谱是否符合预定义的音乐标准；

若符合，则确定待判别音乐质量的乐谱合格，或者，若不符合，则确定待判别音乐质量的乐谱不合格。

2.如权利要求1所述的电子装置，其特征在于，所述音乐元素为音高以及音乐力度，所述将获取的音乐元素进行预处理，生成对应的音乐特征矩阵的步骤，包括：将获取的音高与预定义的振动频率值进行匹配，匹配出各个音高对应的振动频率值；

将匹配之后的振动频率值用预定义音高标识方式进行标识；

根据预定义的时间间隔周期获取标识了音高的振动频率值，以及分别获取在各个所述预定义的时间间隔周期内的音高的数量；

根据获取的振动频率值以及获取的音高的数量生成二维矩阵，其中，所述二维矩阵的一个维度表示音高的数量及音高的标识，另一个维度表示预定义的时间间隔。

3.如权利要求1所述的电子装置，其特征在于，所述音乐力度标注模型及所述音乐识别模型均为预先训练完成的生成式对抗网络；

所述生成式对抗网络包括生成模型及判别模型；

所述生成模型用于标注音乐力度，所述判别模型用于识别乐谱是否符合音乐标准。

4.如权利要求3所述的电子装置，其特征在于，所述生成模型为预先训练完成的基于卷积的神经网络，所述判别模型为基于所述卷积的神经网络训练得到的识别模型。

5.如权利要求4所述的电子装置，其特征在于，所述生成模型为预先训练完成的LSTM长短记忆神经网络，所述判别模型为基于所述LSTM长短记忆神经网络训练得到的识别模型。

6.一种基于深度学习的乐谱识别方法，其特征在于，所述方法包括如下步骤：获取待判别音乐质量的乐谱中的音乐元素，将获取的音乐元素进行预处理，生成对应的音乐特征矩阵；

将所述音乐特征矩阵代入预先确定的音乐力度标注模型进行识别，输出标注了音乐力度的乐谱；

根据预先确定的音乐识别模型分析标注了音乐力度的乐谱，确定标注了音乐力度的乐谱是否符合预定义的音乐标准；

若符合，则确定待判别音乐质量的乐谱合格，或者，若不符合，则确定待判别音乐质量的乐谱不合格。

7.如权利要求6所述的基于深度学习的乐谱识别方法，其特征在于，所述音乐元素为音高以及音乐力度，所述将获取的音乐元素进行预处理，生成对应的音乐特征矩阵的步骤，包括：将获取的音高与预定义的振动频率值进行匹配，匹配出各个音高对应的振动频率值；

将匹配之后的振动频率值用预定义音高标识方式进行标识；

根据预定义的时间间隔周期获取标识了音高的振动频率值，以及分别获取在各个所述预定义的时间间隔周期内的音高的数量；

根据获取的振动频率值以及获取的音高的数量生成二维矩阵，其中，所述二维矩阵的一个维度表示音高的数量及音高的标识，另一个维度表示预定义的时间间隔。

8.如权利要求6所述的基于深度学习的乐谱识别方法，其特征在于，所述音乐力度标注模型及所述音乐识别模型均为预先训练完成的生成式对抗网络；

所述生成式对抗网络包括生成模型及判别模型；

所述生成模型用于标注音乐力度，所述判别模型用于识别乐谱是否符合音乐标准。

9.如权利要求8所述的基于深度学习的乐谱识别方法，其特征在于，所述生成模型为预先训练完成的基于卷积的神经网络，所述判别模型为基于所述卷积的神经网络训练得到的识别模型。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有基于深度学习的乐谱识别程序，所述基于深度学习的乐谱识别程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求6-9中任一项所述的基于深度学习的乐谱识别方法的步骤。