机器学习框架之争由来已久，如果是两年（2018）前你让推荐或比较机器学习框架，那可能会有好多种，2019年已经有些明晰就是PyTorch和TensorFlow之争了，今年形势更加明朗了。本文从研究领域各大顶级会议上被引用的次数数据看这两大框架的发展趋势。两种框架被用来实现论文中的算法的次数数据，更直接反应了框架的实际地位。

之前MacBook上TensorFlow只能利用CPU做训练，TF2.4开始可以利用GPU做训练了，并且不管是M1的MacBook Pro，还是Intel架构的MacBook Pro还是Mac Pro都是支持的。Apple披露这一信息，并且po出性能对比数据。

田海立@CSDN2012-9-12 本文讲述Android中AppWidget系统的核心AppWidgetService。从AppWidgetService提供的外部接口、内部数据结构、初始化过程以及典型场景的实现等几方面来阐述。前面讲述AppWidget的诸文中已经讲到，AndroidAppWidget系统里的Host角色和Provider角色的实例通过AppwidgetHost/ AppWid

高通的骁龙888在苏黎世联邦理工学院（ETH）的AI-Benchmark榜单上发布，并刷新了榜首位置。不过数据来自Dev Platform，采用888芯片的XiaoMI 11的分数并不那么亮眼。麒麟990 5G通过系统升级，排行也进入前三，并且头两名是后发布的芯片。

卷积的权重（Weight/Kernel/Filter）的数据格式一般不同于Tensor或Activation数据，有其特定的排布方式。但是这深入到平台（训练和/或推理）内部的机制了，一般大众的使用者不会关心，所以这部分信息很少。本文给出一些指引，实际用到时可以利用《图解NCHW与NHWC数据格式》里的分析方法再去具体理解。

《图解NCHW与NHWC数据格式》中从逻辑表达和物理存储角度用图的方式讲述了NHWC与NCHW两种数据格式，数据shape是可以改变的，本文介绍TensorFlow里Tensor的Shape概念，并用图示和程序阐述了reshape运算。

与tf.strided_slice比，tf.slice相对更简单些，在各维度上切分指定起始点和尺寸的数据。本文用图文的方式来解释TensorFlow中slice算子运算的方式。

本文用图文的方式来解释TensorFlow中strided_slice算子运算的方式。

AI Benchmark这里特指ETHZ（苏黎世联邦理工学院）的AI性能评测工具。最新其发布了v4版本以及基于这个版本的soc和手机AI性能数据。本文分析了AI Benchmark测试的原理，v4版本的变化，以及榜单头部海思麒麟990 5G与MTK天玑1000+的对比。据此也就能解读AI-Benchmark榜单​​​​​​​上各个数据的含义了。

PyTorch在1.3发布Pytorch Mobile，其支持情况如何，能否与TensorFlow Lite一较上下呢？本文试分析之。PyTorch Mobile的宣传显得要么诚意不足要么对行业领悟不够。目前只能说是有Mobile这个路在而已，与TFLite比不可同日而语，至少目前的实现是。相对于Google移动端的即有Android生态布局，Facebook有其苦衷，要坚守其生态底线又要放弃次要