1.一种用于车联网的深度学习离线推理负载均衡方法，其特征在于，该方法包括：步骤一，确定车联网中提出离线推理负载均衡请求的车辆为主车；

步骤二，计算深度学习神经网络各层网络的内存占用，得到深度学习神经网络的内存消耗序列；

步骤三，采用滑动窗口，对内存消耗序列作平滑处理，得到平滑内存消耗序列；

步骤四，将深度学习神经网络的输入端及其相邻层、输出端及其相邻层分配给主车，根据内存消耗序列与平滑内存消耗序列，计算神经网络层波动特征序列；

步骤五，根据神经网络层波动特征序列以及内存消耗序列，对深度学习神经网络进行任务划分，得到初始任务序列；

步骤六，采用基准测试方式对车联网各节点硬件组态进行识别，获取每个车辆节点的计算性能；

步骤七，以最低计算性能为基准，获取车联网所有车辆节点计算性能的冗余倍数序列，根据冗余倍数序列对初始任务序列进行校正；

步骤八，采用任务匹配衡量算式衡量任务匹配度，根据任务匹配度获得任务与车辆节点之间的最优匹配，将校正后的任务序列中的任务分配至各个车辆节点；

所述神经网络层波动特征序列的计算方法具体为：计算神经网络层波动特征序列 ，其中 有：其中， 表示去掉首部两层和尾部两层的平滑内存消耗序列的第i个数值， 表示去掉首部两层和尾部两层的内存消耗序列中第i个数值；

将神经网络层波动特征序列中连续大于1的数值组成区间，分别以每个区间的最大值作为锚点，向序列两边扩张，同时根据内存消耗序列计算该区间对应任务的内存占用，当内存占用超出最低硬件内存配置时停止扩张，得到初始任务序列；

通过发送测试数据包获得车队硬件组态并规划最终方案，测试数据包的内容为一个测试张量；通过测试数据包得到张量的计算时间 ，测试张量的加运算次数 、加运算的基准吞吐量已知，则每个设备的计算性能值 ， 为设备内存容量；至此，可以得到车辆节点设备的计算性能；

所述步骤七中的校正方法具体包括：若冗余倍数序列中数值个数大于初始任务序列的任务个数，则在任务与车辆节点的匹配过程中可忽略性能差的设备；若冗余倍数序列中数值个数小于初始任务序列的任务个数，则对初始任务序列的任务进行合并；

所述步骤八具体为：

采用任务匹配衡量算式衡量任务匹配度：，

其中， 为车辆节点的计算性能，a为车辆节点编号， 为任务b所包含的神经网络层数， b为任务编号， 是计算机所能识别的最小精度， 是计算机所能识别的最大精度；

采用KM算法，根据任务匹配度获得任务与车辆节点之间的最优匹配；

根据匹配关系，将校正后的任务序列中的任务分配至各个车辆节点。

2.如权利要求1所述的用于车联网的深度学习离线推理负载均衡方法，其特征在于，所述步骤二包括：

根据神经网络层的内存占用以及神经网络层的输入输出流量，得到深度学习神经网络的内存消耗L：

其中，是神经网络层的内存占用，F是神经网络层的输入输出流量；

计算深度学习神经网络每一层网络的内存占用，得到深度学习神经网络的内存消耗序列。

3.如权利要求2所述的用于车联网的深度学习离线推理负载均衡方法，其特征在于，所述神经网络层的内存占用的计算方法具体为：其中， 是神经网络层支路p的内存占用，是神经网络层的内存占用。

4.如权利要求3所述的用于车联网的深度学习离线推理负载均衡方法，其特征在于，所述神经网络层支路p的内存占用的计算方法具体为：其中，为一个神经元的内存占用， 为神经网络层支路p的所有神经元的内存占用的和， 是神经网络层支路p的内存占用。

5.如权利要求4所述的用于车联网的深度学习离线推理负载均衡方法，其特征在于，所述一个神经元的内存占用的计算方法具体为：其中， 是神经元输入端的各通道张量大小的内存占用；

是神经元输出端的各通道张量大小的内存占用；

是神经元中在分组 的组内某通道 的卷积核大小， 是内部卷积核参数的内存占用；

是激活函数、批归一化操作的参数的内存占用；

是一个数值在指定精度存储时的字节占用数。

6.如权利要求1所述的用于车联网的深度学习离线推理负载均衡方法，其特征在于，所述滑动窗口为均值窗口。