1.一种资源调度方法，其特征在于，包括：获取深度学习作业的作业程序，将所述作业程序进行转换，得到计算图中间表示；将所述计算图中间表示进行分割得到子图集合；对所述子图集合进行包装，得到各类加速器对应的工作负载镜像；根据预设的加速器能力信息、用户提交的服务水平条件和资源池的信息，从加速器集群中确定目标加速器，发送对应的所述工作负载镜像至所述目标加速器；其中，所述将所述计算图中间表示进行分割得到子图集合，包括：将所述计算图中间表示进行算子融合，得到中间计算图；将所述中间计算图按照算子组的复杂程度进行划分，得到计算子图组；将所述计算子图组中的子图按照工作流进行排列，并确定所述工作流中的最大时长路径；根据所述最大时长路径确定所述子图集合和对应的负载工作流；所述对所述子图集合进行包装，得到各类加速器对应的工作负载镜像，包括：从所述负载工作流中读取所述子图集合中的一个所述子图，从基础镜像仓库中读取每类所述加速器对应的基础镜像；将所述子图和所述基础镜像进行封装，得到子图镜像；判断所述负载工作流中是否还存在所述子图；若不存在所述子图，则按照所述负载工作流的顺序将对应的所述子图镜像进行处理，输出每类所述加速器对应的所述工作负载镜像。
2.根据权利要求1所述的资源调度方法，其特征在于，还包括：按照所述加速器的类别构造所述资源池；实时监测所述加速器上的工作负载运行情况；接收到所述加速器的反馈信息，并根据所述反馈信息更新所述资源池的信息。
3.根据权利要求1所述的资源调度方法，其特征在于，预设的所述加速器能力信息的建立过程包括：读取基准测试程序，并对所述基准测试程序进行分割、包装，得到各类所述加速器的基准工作负载；将所述基准工作负载发送至对应的所述加速器，以使各类所述加速器运行对应的所述基准工作负载；接收到所述加速器发送的运行信息，并根据所有的所述运行信息得到所述加速器能力信息。
4.根据权利要求1所述的资源调度方法，其特征在于，所述将所述作业程序进行转换，得到计算图中间表示，包括：校验所述作业程序对应的深度学习模型是否正确；若所述深度学习模型正确，则将所述作业程序进行计算图转化，得到初始计算图中间表示；判断所述初始计算图中间表示是否完整；若是，则将所述初始计算图中间表示确定为所述计算图中间表示。
5.根据权利要求4所述的资源调度方法，其特征在于，所述校验所述深度学习模型是否正确，包括：判断所述深度学习模型是否与标识模型类型一致；若一致，则判断所述深度学习模型的模型校验码是否正确；若是，则判断所述深度学习模型的模型相关参数与标准参数是否匹配；若匹配，则确定所述深度学习模型正确。
6.根据权利要求3所述的资源调度方法，其特征在于，还包括：判断所述加速器的数量是否发生变化，或者，判断所述基准测试程序是否发生变化；若是，则重新确定所述加速器能力信息。
7.一种资源调度装置，其特征在于，包括：工作负载转换模块，用于获取深度学习作业的作业程序，将所述作业程序进行转换，得到计算图中间表示；工作负载分割模块，用于将所述计算图中间表示进行分割得到子图集合；工作负载包装模块，用于对所述子图集合进行包装，得到各类加速器对应的工作负载镜像；资源管理模块，用于根据预设的加速器能力信息、用户提交的服务水平条件和资源池的信息，从加速器集群中确定目标加速器，发送对应的所述工作负载镜像至所述目标加速器；其中，所述工作负载分割模块，具体用于：将所述计算图中间表示进行算子融合，得到中间计算图；将所述中间计算图按照算子组的复杂程度进行划分，得到计算子图组；将所述计算子图组中的子图按照工作流进行排列，并确定所述工作流中的最大时长路径；根据所述最大时长路径确定所述子图集合和对应的负载工作流；所述工作负载包装模块，具体用于：从所述负载工作流中读取所述子图集合中的一个所述子图，从基础镜像仓库中读取每类所述加速器对应的基础镜像；将所述子图和所述基础镜像进行封装，得到子图镜像；判断所述负载工作流中是否还存在所述子图；若不存在所述子图，则按照所述负载工作流的顺序将对应的所述子图镜像进行处理，输出每类所述加速器对应的所述工作负载镜像。
8.一种资源调度系统，其特征在于，包括：多个计算节点，包括加速器，所述加速器用于运行基准工作负载；至少一个管理节点，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述资源调度方法的步骤。
