TensorFlow开源一周年：这可能是一份最完整的盘点
TensorFlow 宣布开源已经过去一年时间了。在谷歌的支持下，TensorFlow 成为了 GitHub 上今年最受欢迎的机器学习开源项目（据 GitHub 开源报告）。今天，Google Research Blog 上发表了一篇 TensorFlow 开源一周年的介绍文章，我们也对之前谷歌在 TensorFlow 框架上展开的项目进行了盘点（谷歌所公开的）。
2020，PyTorch真的赶上TensorFlow了吗？
几天前，OpenAI 通过官方博客宣布了「全面转向 PyTorch」的消息，计划将自家平台的所有框架统一为 PyPyTorch。这一消息再次引发了社区关于两个框架优劣的讨论。作为后起之秀，PyTorch 真的已经全面赶超 TensorFlow 了吗？为了研究这个问题，数据科学家 Jeff Hale 从在线职位数量、顶会论文中的出现次数、在线搜索结果、开发者使用情况四个方面对两个框架的现状进行了调研。
端智能实践分享：模型评估和编译
在开始端智能技术工程实践的介绍前，有一个无法绕过的问题：端上的计算能力到底如何？虽然我们对神经网络运算加速有所耳闻，也知道不同的移动设备有着不同的加速方案，但没有一个定量的分析很难让我们有一个清晰客观的认识。
ResNet-RS架构复现--CVPR2021
我们的工作重新审视了规范的 ResNet (He et al., 2015)，并研究了这三个方面，以试图解开它们。也许令人惊讶的是，我们发现训练和扩展策略可能比架构变化更重要，而且由此产生的 ResNet 与最近最先进的模型相匹配。**我们展示了表现最佳的缩放策略取决于训练方案，并提供了两种新的缩放策略：（1）在可能发生过度拟合的情况下缩放模型深度（否则宽度缩放更可取）； (2) 提高图像分辨率的速度比之前推荐的要慢（Tan & Le，2019）**。使用改进的训练和扩展策略，我们设计了一系列 ResNet 架构 **ResNet-RS**，它比 TPU 上的 EfficientNets 快