（一）、论文的背景

互联网的发展分为五个阶段。互联网的发展始于将两台计算机连接在一起，然后转向通过将大量计算机连接在一起创建万维网。移动互联网是通过将移动设备连接到互联网而出现的。然后，人们的身份通过社交网络进入互联网。最后，它正朝着物联网的方向发展，将人类社会中的物品连接到互联网上。

随着各种技术的发展，例如嵌入式设备，通信技术，互联网协议、数据分析，人工智能，机器学习，物联网（Internet of Thing）逐渐从概念转变为现实。

在以前的大数据的研究中，大部分的数据都有人来产生，但随着物联网的时代来临，由于传感器技术的进步，传感器得到了更强大、更便宜和更小的尺寸，这刺激了大规模部署。因此，今天我们已经部署了大量传感器，各种联网设备将产生大量的数据，并且这些数据具有人产生的数据不具有的特点。

根据麦肯锡关于物联网全球经济影响的报告[ ]，2025年物联网的年度经济影响将在2.7至6.2万亿美元之间。医疗保健构成了主要部分，约占该市场的41%，其次是工业和能源，分别占物联网市场的33%和7%。其他领域，如交通、农业、城市基础设施、安全和零售业，总共占物联网市场的15%左右。这些预期意味着物联网服务、生成数据以及未来几年相关市场的巨大和急剧增长。

由此可见，需要相关的数据分析技术对联网设备产生的数据进行分析，从而了解设备的运行状况，设备所监控的环境的变化，并且联合其他设备的数据作出相关的决策。例如通过城市分析中各个摄像头中路口的车流量的变化，来动态地调节红绿灯的时间和调配交警队城市交通进行梳理，来降低城市中拥堵的问题。

（二）、论文的目的

通过阅读近几年相关领域的论文，广泛回顾了机器学习中的深度学习的体系结构，并且着重讨论了深度学习在物联网大数据中的应用，特别是深度学习在工业大数据中的应用。根据物联网大数据的特征来寻找适合物联网的深度学习模型。

但是由于物联网设备的产生数据的海量性和物联网设备的计算资源的有限性，这就对在有限计算资源的设备上运行深度学习提出了挑战，这就对深度学习的模型提出了要求，这边是这篇论文的主要目的：寻找适合在物联网设备上运行的深度学习模型。

自2012年AlexNet以来，卷积神经网络（简称CNN）在图像分类、图像分割、目标检测等领域获得广泛应用。随着性能的要求越来越高，AlexNet已经无法满足大家的需求，于是性能更优越的CNN网络，如VGG，GoogLeNet，ResNet，DenseNet等出现。由于神经网络层数太多，从而导致参数太多。虽然网络性能得到了提高，但随之而来的就是效率问题。

效率问题主要是模型的存储问题和模型进行预测的速度问题（以下简称速度问题）：

第一，存储问题。数百层网络有着大量的权值参数，保存大量权值参数对设备的内存要求很高；