Las arquitecturas existentes de computación en el borde no admiten la actualización de modelos de redes neuronales, ni están optimizadas para almacenar, actualizar y transmitir diferentes modelos de redes neuronales a un gran número de dispositivos IoT. En este documento, se propone una arquitectura inteligente de IoT en la nube-borde para acelerar la implementación de modelos de redes neuronales con técnicas de aprendizaje por transferencia. Se propone un nuevo mecanismo de implementación y actualización de modelos basado en la característica de peso compartido del aprendizaje por transferencia para abordar los problemas de implementación de modelos asociados con el gran número de dispositivos IoT. El mecanismo propuesto compara el peso de las características y la diferencia de parámetros entre los modelos antiguos y nuevos cada vez que se entrena un nuevo modelo. Con el mecanismo propuesto, el modelo de red neuronal puede actualizarse en dispositivos IoT con solo una pequeña cantidad de datos enviados. Utilizando la plataforma propuesta de computación colaborativa en el borde, demostramos una reducción significativa en la transmisión de ancho de banda de la red y una velocidad de implementación mejorada de modelos de redes neuronales. Posteriormente, la calidad del servicio de las aplicaciones inteligentes de IoT puede ser mejorada.