年轻人起来冲

本文记录自己学习 Python 多线程的过程和思考

结合了 MobileNetv1 的深度可分离卷积、MobileNetv2 的 Inverted Residuals 和 Linear Bottleneck 以及 SE 模块，利用 NAS（神经结构搜索）来搜索网络的配置和参数

在 GoogleNetv3 的基础上融 ResNet 的残差思想，设计了多种 block

首次利用卷积神经网络进行图片分类的，网络比较简单，就是 5 层，2 个卷积层，2 个池化层和 1 个全连接层

在编写 Python 时，经常需要进行排序操作，简单的 list 排序还是很容易的，碰到复杂的就没办法，只能去查了，现在把编程过程中遇到的所有排序问题列下来，欢迎大家提供更加简洁，高效的排序方法，也欢迎
大家给出自己在 Python 遇到的排序问题.

Python 排序根本依赖于两个内建的函数:

• list.sort () 对 list 成员进行排序，不返回副本
• sorted (list) 对 list 成员进行排序，返回副本

注：以下使用 sorted (list) 进行演示

使用 Python 脚本的过程中，偶尔需要使用 list多层转一层 , 又总是忘记怎么写搜索关键词，所以总是找了很久，现在把各种方法记录下来，方便自己也方便大家.

方法很多，现在就简单写 8 种，后面再对这 8 种方法做基准测试.

声明：文中的方法均收集自 Making a flat list out of list of lists in Python

在 GoogleNetv2 的基础上，引入分解卷积修改 inception block，实现模型性能提升

在经常性读取大量的数值文件时 (比如深度学习训练数据), 可以考虑现将数据存储为 Numpy 格式，然后直接使用 Numpy 去读取，速度相比为转化前快很多.

下面就常用的保存数据到二进制文件和保存数据到文本文件进行介绍:

从 GoogleNetv1 开始，神经网络设计由类似 VGGNet 关注深度转向 "宽度"

GhostNet 认为 CNN 输出存在大量的冗余特征，没必要一次生成，而是标准卷积过程分解为两个阶段，第一阶段生成少数特征图，第二阶段基于少数特征变换（1x1）得到等量特征图，这种方式降低了卷积的计算量