背景：
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习的领域中，使其更加接近其最初的目标——人工智能(AI, Artificial Intelligence)。
深度学习意在让机器学习样本数据的内在规律和表示层次。它的最终目标是让机器能够像人一样具有分析和学习能力，进而能够识别文字、图像和声音等数据。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。在学习的过程中所获得的信息，对诸如文字、图像和声音等数据的解释也能够提供相当大的帮助。不仅如此，深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。
然而，深度学习在嵌入式设备上实施的时候，由于计算资源和存储资源有限，移动端将难以承载并运行较大规模的网络模型。
为解决此问题，准备设计一种面向资源受限设备的深度学习主存优护方法，以解决深度学习部署时，主存资源不足的问题。该方法根据嵌入式系统应用需求特点，在保证深度学习结果精度的同时，降低主存开销。针对典型深度学习模型，实施并验证所提出方法的有效性
国内外研究现状：
深度学习是人工神经网络的一个分支，具有深度网络结构的人工神经网络是深度学习最早的网络模型。
1943年，美国数学家沃尔特·皮茨（W.Pitts），与同为美国人的心理学家沃伦·麦克洛克（W.McCulloch）首次提出了人工神经网络这一概念，并使用数学模型对人工神经网络中的神经元进行了理论建模，开启了人们对人工神经网络的研究 [1]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
