Android Nougat 7.1.2 即将发布；慕尼黑或重回 Windows 怀抱；Google 发布 Chrome 新插件

Android Nougat 7.1.2 即将发布，公众测试版已开放

Google 2月12日在其开发者博客上发文表示，Android Nougat 的下一个维护版本 7.1.2 即将发布！为了让广大开发者有机会抢先尝鲜，现已开始向已注册 Android Beta 计划、符合条件的设备（包括 Pixel 和 Pixel XL、Nexus 5X、Nexus Player 和 Pixel C 设备）推出公众测试版本。同时，Nexus 6P 的更新也在准备中，预期很快就会发布此更新。

Android 7.1.2 是一个侧重于优化的增量维护版本，因此，它包含大量错误修复和优化，还提供少量针对运营商和用户的增强功能。

如果想试用 Android 7.1.2 公众测试版，最简单的方法就是通过 Android Beta 计划。拥有符合条件且已注册该计划的设备，将在未来几天内收到公众测试版更新。

如果是设备尚未注册的，只需花几分钟时间访问 android.com/beta 并选择注册符合条件的 Android 手机或平板电脑，通过无线 (OTA) 方式获得公众测试版更新，进行手动刷机。

Google 还表示预期将在未来一两个月发布 Android 7.1.2 最终版本，与测试版一样，最终版可用于 Pixel 、Pixel XL、Nexus 5X、Nexus 6P、Nexus Player 和 Pixel C 设备。

十多年的 Linux 尝试，慕尼黑可能重回 Windows 怀抱

@cnBeta：

经过十多年的 Linux 实验，慕尼黑政府正在考虑回归到微软的 Windows 系统。早在2003年，巴伐利亚州州府就决定放弃 Windows 系统转而拥抱开源解决方案，因此诞生了 LiMux (Linux + München) ；2009年，在耗资3000万欧元之后这套软件终于完成，政府内大约15000台电脑迁移到开源操作系统。然而在2014年，该市新任市长表示希望重新迁移到微软的操作系统，但当时并未提供任何转换的计划。

去年，新任市长委托包含埃森哲公司在内的多家顾问公司提交了一份评估报告，结论是通过装备 Windows 10 和 Office 能够更好的适应。但是这项举动遭到了众多人的批评，因为埃森哲公司是微软的合作伙伴。

欧洲自由软件基金会的总裁 Matthias Kirschner 评论道：“市长从一开始就反对自由软件。在他的任期内，他自豪的将微软的办公室搬到了慕尼黑（去年9月的 行为）。他甚至将这项研究交给了埃森哲，而这家公司是微软的合作伙伴。”

Kirschner 同时也补充道这个软件本身并没有任何问题，但确实存在管理不善的大问题，对软件的很多不满集中在软件版本过于陈旧，而因为组织问题暂时还没有办法进行更新。

对此推动 Windows 提案的城市委员会认为，员工应该使用任何能够提升生产力的操作系统，如果 Windows 系统被重新采用，将会发生在2020年。早在2014年，慕尼黑市长估计，采用 Windows 7 的硬件成本为315万欧元（约合343万美元），其中也涉及到 Linux 的注销，但转向 Windows 10 的成本仍然有待观察。该项建议将会在下周进行讨论。

Google 发布 Chrome 新插件，助中国开发者访问

@谷歌开发者中文博客：

在去年 12 月份举行的 Google 开发者大会上，Google 发布了几个谷歌开发者中国网站，帮助中国的开发者们更方便地访问 Google 技术文档资源、学习相关 Google 技术。

为了帮助开发者更加方便地使用这些网站上的资源，避免每次都手动调整相关网址，Google 做了一个简单的 Chrome 扩展程序 (插件)，自动将 google.com 上的开发者网站 URL 替换成 google.cn 上的对应URL (如果有相对应的.CN域名上的页面)，这样只要点击就能直接打开页面。

比如，当读者的页面是阅读 https://firebase.google.com/docs/ 时，这个 Chrome 扩展工具将自动替换这个地址到以下地址：https://firebase.google.cn/docs/。

此扩展可以在 Chrome Web Store 上进行下载，同时它的代码也已经在在 GitHub 上开源。

雅虎开源 TensorFlowOnSpark，TensorFlow 结合 Spark

近日，Yahoo 开源了 TensorFlowOnSpark，这是一个大数据集群的分布式深度学习，将 TensorFlow 带到 Apache Spark 集群上。

Yahoo 在博客上表示，深度学习（DL）近年来发展迅速，为了从大量的数据中挖掘价值，需要部署分布式深度学习。现有的深度学习框架，往往需要设立单独的深度学习数据组。这强迫我们为同一个机器学习流水线创建多个程序（见下图）。维护多个独立的数据组，要求我们在它们之间传输海量数据集——这导致不必要的系统复杂性和端到端的学习延迟。

而新框架 TensorFlowOnSpark（TFoS）则支持在 Spark 和 Hadoop 集群上执行分布式 TensorFlow。如下图所示，TensorFlowOnSpark 被设计为在单个管道或程序中与 SparkSQL、MLlib和其他 Spark 库一起工作。

TensorFlowOnSpark 支持所有类型的 TensorFlow 程序，实现异步和同步训练和推理。它支持模型并行性和数据并行性，以及 TensorFlow 工具，如 Spar k集群上的 TensorBoard。任何 TensorFlow 程序都可以轻松地移植到 TensorFlowOnSpark 上。通常，只需要修改十行以内的 Python 代码。

TensorFlowOnSpark 支持对 Apache Spark 集群进行分布式 TensorFlow 训练和推断。它试图最小化在共享网格上运行现有 TensorFlow 程序所需的代码更改量。

它的 Spark 兼容 API 通过以下步骤来管理 TensorFlow 集群：