随着大数据和高效计算资源的出现，深度学习在人工智能的许多领域都取得了重大突破。然而，面对日益复杂的任务，数据规模和深度学习模型也变得越来越大。例如，用于训练图像分类器的标记图像数据的数量达到数百万，甚至数千万。大规模训练数据的出现为大型模型的训练提供了物质基础。因此，近年来出现了许多大规模的机器学习模型。但是，当训练数据增加时，深度学习模型可能有几百亿甚至几千亿个参数，而不进行任何剪枝。

为了提高深度学习模型的训练效率，减少训练时间，需要采用分布式技术来完成训练任务。同时利用多个工作节点对性能优良的神经网络模型进行分布式、高效的训练。分布式技术是深度学习技术的加速器，可以显著提高深度学习的训练效率，进一步扩大其应用范围。移动网络使用分布式架构，这意味着作为其一部分的所有计算机或设备共享网络中的工作负载。移动网络的特性使得执行分布式任务成为可能，因此可以用于分布式深度学习。

本期特刊将重点介绍用于深度学习任务的移动计算的体系结构、算法、优化和模型的最新进展。鼓励原创研究和评论文章反映深度学习的移动计算的各个方面。

可能的主题包括但不限于以下内容:

• 深度学习的移动网络框架
• 移动计算系统中的容错
• 深度学习移动计算系统中的算法，方案和技术
• 用于深度学习的移动计算系统中的并行计算
• 优化与分布式控制
• 分布式基础设施，并行化深度学习训练
• 深度学习训练的资源分配与调度
• 数据管理深度学习训练
• 移动计算系统的安全和隐私
• 基于FPGA的移动深度学习
• 面向分布式深度学习的边缘云计算
• 用于分布式深度学习的雾计算
• 分布式深度学习的软件平台和基础设施
• 分布式深度学习的应用实例和成功故事
• 移动网络分布式深度学习的调查