1.一种对抗图像生成方法，其特征在于，包括：

根据目标分类模型，确定样本图像集以及至少两个样本模型；

根据所述目标分类模型，得到与所述样本图像集对应的目标分类信息；

根据所述至少两个样本模型，得到与所述样本图像集分别对应的预测分类信息；

统计至少两个预测分类信息中每个预测分类信息分别与所述目标分类信息之间的交叉熵，得到至少两个交叉熵；

在所述至少两个交叉熵中确定最小交叉熵，将所述最小交叉熵对应的预测分类信息所属的样本模型，确定为分类等效初始模型；

获取第一张量集合，将所述第一张量集合输入所述目标分类模型，得到与所述第一张量集合对应的输出张量集合；

将所述第一张量集合作为训练样本，将所述输出张量集合作为样本标签，将所述训练样本以及所述样本标签输入所述分类等效初始模型；

根据所述分类等效初始模型，得到与所述训练样本对应的预测标签；

根据所述预测标签以及所述样本标签，训练所述分类等效初始模型，直至模型损失值小于模型损失值阈值时，将训练后的分类等效初始模型确定为参考模型；所述模型损失值基于所述预测标签以及所述样本标签生成；

获取目标图像，根据所述参考模型生成针对所述目标图像的原始噪声；

将第一噪声和所述原始噪声输入对抗模型，在所述对抗模型满足收敛条件时，输出与所述第一噪声对应的第二噪声；所述第二噪声为增强所述原始噪声信息熵的噪声；

根据所述第二噪声以及所述目标图像，生成所述目标图像对应的增强噪声图像；所述增强噪声图像在所述目标分类模型中的分类准确度小于所述目标图像在所述目标分类模型中的分类准确度。

2.根据权利要求1所述的方法，其特征在于，所述对抗模型包括生成模型以及判别模型；

所述将第一噪声和所述原始噪声输入对抗模型，在所述对抗模型满足收敛条件时，输出与所述第一噪声对应的第二噪声，包括：获取样本生成模型以及样本判别模型；

根据所述样本生成模型，生成所述第一噪声对应的预测生成噪声；

根据所述预测生成噪声以及所述原始噪声，训练所述样本判别模型，得到所述判别模型；

根据所述判别模型以及所述预测生成噪声，训练所述样本生成模型，直至所述判别模型所输出的噪声匹配度大于噪声匹配度阈值时，将训练后的样本生成模型确定为所述生成模型；所述噪声匹配度表征所述原始噪声与所述预测生成噪声之间的噪声匹配程度；

将所述生成模型针对所述第一噪声所生成的预测增强噪声确定为所述第二噪声。

3.根据权利要求1所述的方法，其特征在于，所述根据所述参考模型生成针对所述目标图像的原始噪声，包括：根据所述参考模型的模型结构信息，确定所述目标图像在所述参考模型中的梯度信息；

获取扰动因子，基于所述梯度信息以及所述扰动因子，生成针对所述目标图像的所述原始噪声。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第二噪声以及所述目标图像，生成所述目标图像对应的增强噪声图像，包括：根据所述第二噪声的噪声向量，将所述目标图像转换成与所述噪声向量的维度相同的目标图像向量；

获取所述噪声向量中的数值Pi，获取所述目标图像向量中的数值Qi；i为小于或等于N的正整数，N为所述噪声向量或所述目标图像向量的维度数量；所述数值Pi是指所述噪声向量中第i维度对应的数值，所述数值Qi是指所述目标图像向量中第i维度对应的数值；

对所述数值Pi与所述数值Qi进行数值相加运算，生成数值Ri；

根据所述数值Ri，生成与所述目标图像的维度相同的所述增强噪声图像。

5.一种计算机设备，其特征在于，包括：处理器、存储器以及网络接口；

所述处理器与所述存储器、所述网络接口相连，其中，所述网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1至4中任一项所述方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执权利要求1至4中任一项所述方法的步骤。