该论文提出了一种名为SortedNet的深度学习模型，通过利用深度神经网络的内在模块化性质，实现了高效动态推断。该方法考虑了子模型的嵌套架构和共享参数，并以排序和概率的方式一起训练主模型和子模型。实验证明了该方法的有效性和可扩展性。

SortedNet是一种高效动态推断的深度神经网络解决方案，考虑了子模型的嵌套架构和共享参数，并以排序和概率的方式一起训练主模型和子模型。在推断过程中，无需搜索即可选择子网络，并且生成的子网络具有最小的存储要求和高效的切换能力。实验证明该方法的有效性，并演示了在同时训练多达160个不同子模型的广泛可扩展性。

SortedNet是一种高效动态推断的深度神经网络解决方案，考虑了子模型的嵌套架构和共享参数，并以排序和概率的方式一起训练主模型和子模型。在推断过程中，无需搜索即可选择子网络，并且生成的子网络具有最小的存储要求和高效的切换能力。实验证明该方法的有效性，并演示了在同时训练多达160个不同子模型的广泛可扩展性。