1.一种基于云边端协同的深度学习模型推理加速方法,所述云边端协同是指云服务器、与云服务器通信的至少两个边缘计算节点,以及至少一个物理终端,物理终端与边缘计算节点的通信距离小于边缘计算节点与云服务器的距离,其特征在于,所述方法包括如下步骤:步骤S1、物理终端将图像数据预处理为分辨率相同、数据量相等的图像特征数据D1,输入划分好的待卸载深度学习模型的各个DNN层,即,将上一层输出作为下一层的输入,最终得到;步骤S2、进行离线学习阶段:基于各个边缘计算节点计算资源预设负载情况,以各个边缘计算节点上待卸载深度学习模型处理图像特征数据的过程为输入、已知的图像特征数据通过各个边缘计算节点上待卸载深度学习模型的各个对应的计算时延为输出,构建并训练获得分层计算时延预测模型CT;同时基于云服务器计算资源预设负载情况,以云服务器上待卸载深度学习模型各个载模型,其中t为边缘计算节点从收到物理终端发送的计算任务到生成深度学习模型分层卸载模型的时间;步骤S6、根据步骤S2获得的云服务器计算时延预测模型CTc,以及云服务器的实际计算资源负载情况,应用分层计算时延预测模型CTc,以待卸载深度学习模型各个处理图像特征数据的过程为输入、获得图像特征数据通过云服务器上待卸载深度学习模型的各个对应的计算时延为输出的理论分层计算时延 ,之后按如下公式:深度学习模型各个处理图像特征数据的过程为输入、图像特征数据通过
各个边缘计算节点上待卸载深度学习模型的各个对应的计算时延为输出,分别构建各个边缘计算节点分层计算时延模型如下式:;其中,为计算资
源负载情况预设CPU负载、为计算资源负载情况预设GPU负载、 为计算资源负载情况预设缓存负载。4.根据权利要求3所述的一种基于云边端协同的深度学习模型推理加速方法,其特征在于,步骤S3中,基于已知的边缘计算节点局域网网络带宽情况r,各个边缘计算节点之间的物理距离l,按如下公式:边缘计算节点计算能力感知模块,用于计算各个边缘计算节点的计算资源负载情况;云服务器计算能力感知模块,用于计算云服务器的计算资源负载情况;网络遥测模块,用于计算各个边缘计算节点的所在局域网的网络带宽情况r,且用于计算各个边缘计算节点之间的物理距离l;所述决策收发中心用于发送、接收最终分层卸载策略。6.根据权利要求5所述的一种基于云边端协同的深度学习模型推理加速方法,其特征在于,云服务器上包括深度学习模型、决策收发中心;所述深度学习模型为已训练好的深度学习模型;所述决策收发中心用于接收最终分层卸载策略。