TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #723 · 28.12

GamesIndustry подвели итоги рынка видеоигр за 2022 год. Любопытно и то, что рынок в целом упал на 4.3% относительно прошлого года, и некоторые детали. Например, внезапно выросли PC-игры на фоне падения консолей и мобилок. И уход консолей из России не мог так сильно повлиять, как ни крути. Это какая-то более общая тенденция. С чем такое может быть связано? Людям надоели однообразные ААА-тайтлы, и они стали больше играть в инди? Предсмертная агония крипты наводнила рынок дешёвыми видеокартами? Интересно, что будет ещё через год, неужели нас ждёт реинкарнация ПК-гейминга? Я последние годы был лютым сторонником консолей, но ситуацию с ними для русских вы и сами знаете, так что вот я обзавёлся 4090 и собираюсь с консолей потихоньку уходить. Прикольно, если и остальной мир (по другим причинам) тоже начнёт возвращаться на ПК. Ещё кстати зацените разрыв между продажами игр на дисках и в цифре. Диски для ПК вообще нет никакого смысла выпускать, только впустую материалы тратить. У меня в последних трёх или четырёх компьютерах не было привода даже. С консолями сложнее, конечно: там игры дорогие, и многие обмениваются дисками. Ну и нельзя не посетовать очередной раз на 50% мирового дохода с мобилок. Это как если бы продажи алкоголя превышали продажи всей остальной еды вместе взятой. Впрочем, просадка мобильного рынка почти самая большая, возможно, у этого человечества ещё есть шанс. Источник. #games

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #mdl

当前筛选 #mdl清除筛选
GitHub Trends

@githubtrending · Post #15271 · 05.11.2025 г., 12:30

#cplusplus#arm#baidu#deep_learning#embedded#fpga#mali#mdl#mobile#mobile_deep_learning#neural_network Paddle Lite is a lightweight, high-performance deep learning inference framework designed to run AI models efficiently on mobile, embedded, and edge devices. It supports multiple platforms like Android, iOS, Linux, Windows, and macOS, and languages including C++, Java, and Python. You can easily convert models from other frameworks to PaddlePaddle format, optimize them for faster and smaller deployment, and run them with ready-made examples. This helps you deploy AI applications quickly on various devices with low memory use and fast speed, making it ideal for real-time, resource-limited environments. It also supports many hardware accelerators for better performance. https://github.com/PaddlePaddle/Paddle-Lite