该文综述边缘智能中的深度神经网络优化研究，涵盖Edgent协作推理、SmartExchange算法硬件协同设计、DNNShifter模型修剪切换、CoEdge分布式计算及人机协同设计等框架，通过模型压缩、分区推理与资源调度，在精度与能耗、延迟间取得平衡，提升边缘设备实时推理效率。

该文综述面向深度神经网络与大规模数据的多种优化方法，包括结合Gauss-Newton与自然梯度的Levenberg-Marquardt方法、加速训练的Krylov子空间二阶优化、Kronecker-Factored近似、量子态变分蒙特卡罗的近端优化、Wasserstein梯度流粒子框架、随机梯度下降的线性收敛保证及Nesterov加速随机拟牛顿法。