考虑多资源交错的深度学习作业调度方法

本发明提供一种考虑多资源交错的深度学习作业调度方法，包括以下步骤：将深度学习作业划分为数据加载、数据预处理、前向/反向传播、梯度同步四个阶段，分别绑定至存储IO、CPU、GPU、网络IO四类资源需求；根据作业各阶段的资源需求向量与节点资源容量向量，建立作业到节点的映射约束条件；基于阶段的划分和约束条件，通过DPGB算法确定作业到节点的映射方案，并在同一节点内对作业进行多资源交错分组，生成最小化全局完工时间的调度方案；所述DPGB算法包括离散粒子群优化与遗传算法的混合策略DDPSO‑GA和多轮Blossom算法；根据分组方案，在节点上按阶段动态分配资源，实现多资源并行利用。