题目分析

   这个题目非常简单，初学语言的小伙伴们都应该可以求解。排序也是算法中最基础最核心的问题之一，今天不是讲解这一道题目，而是给小伙伴们讲解常见的十种排序算法，就按照题目的要求，升序排列。

背景介绍

  ShuffleNet-V2:2018年发表于ECCV，是一种高效的轻量级深度学习模型，在同等复杂度下，ShuffleNet-V2比ShuffleNet和MobileNet更准确。

背景介绍

  EfficientNet:是谷歌公司于2019年提出的高效神经网络，故得名为EfficientNet，大幅度的缩小了参数的同时提高了预测准确度。

背景介绍

  EffNet:2018年发表于ICIP，提出一种新颖的卷积块设计，能够显著减轻计算负担，且性能远胜当前的最好的模型(对比MobileNet,ShuffleNet)。

背景介绍

  MobileNet-V3:是Google继MobileNet-V2之后的又一力作，于2019年提出，效果较MobileNet-V2有所提升。MobileNet-V3提供了两个版本，分别为MobileNet-V3-Large以及MobileNet-V3-Small，分别适用于对资源不同要求的情况。

背景介绍

  MobileNet-V2:是MobileNet的升级版本，Google公司于2018年提出，是一个结构简单，参数量较少的轻量级深度学习网络模型。

  2020 年 3 月 18 日，ACM 宣布，计算机图形学领域的两位大牛 Patrick M. Hanrahan和 Edwin E. Catmull 获得了 2018 年的图灵奖，以表彰他们对3D计算机图形学的贡献，以及这些技术对电影制作和计算机生成图像(CGI)等应用的革命性影响。

背景介绍

  MobileNet:是2017年Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，故称之为MobileNet，由于其网络结构简单，现在仍然具有很好的适用性。

背景介绍

  SqueezeNet:是一种轻量级深度神经网络模型，在2017年发表于ICLR，作者来自Berkeley和Stanford，其只用1/50的参数量，可以达到与AlexNet相同的精度，其核心结构为Fire Module。

背景介绍

  SENet:是2017年发表在CVPR上的一个模型，也是最后一届ImageNet 2017竞赛分类任务的冠军，其创新点是引入了注意力Squeeze-and-Excitation (SE)模块。