El aprendizaje profundo está presente en una amplia gama de servicios y aplicaciones, reemplazando y complementando otros algoritmos de aprendizaje automático. Realizar el entrenamiento e inferencia de redes neuronales profundas utilizando el modelo de computación en la nube no es viable para aplicaciones donde se requiere baja latencia. Además, la rápida proliferación del Internet de las cosas generará un gran volumen de datos a procesar, lo que pronto sobrecargará la capacidad de los servidores en la nube. Una solución es procesar los datos en los propios dispositivos periféricos, con el fin de aliviar las cargas de trabajo de los servidores en la nube y mejorar la latencia. Sin embargo, los dispositivos periféricos son menos potentes que los servidores en la nube, y muchos están sujetos a limitaciones energéticas. Por lo tanto, se requieren nuevos modelos de aprendizaje profundo orientados a recursos y energía, así como nuevas plataformas informáticas. Este documento revisa las principales direcciones de investigación para los algoritmos de aprendizaje profundo en computación periférica.