deeplearn.js 最初由 Google Brain PAIR 开发，是一款基于硬件加速的开源 Java 库，可被用在机器智能领域。该库将高性能的机器学习构建模块引入到 web 开发领域。PAIR 是 People Plus AI Research 的简称，意为“人 + 人工智能研究”，目标在于“使 AI 更加注重人性”。通过 deeplearn.js，可以实现在浏览器中训练神经网络模型，也可在推理阶段运行预训练模型。

deeplearn.js 目前已经开源，地址是：

https://github.com/PAIR-code/deeplearnjs

Android 8.0 的流系统更新在手机没空间时仍然能工作

设备空间耗光时安装系统更新可能会让你备受折磨，犹豫着不知道应该删除哪些文件或应用。现在，Android 8.0 引入的流操作系统更新将能在手机没空间的情况下继续更新工作。自 Android 7.0 起， Google 就引入了名叫无缝更新的新功能，一种双系统分区方案——分别叫系统 A 分区和系统 B 分区。在安装更新时，你的手机正在使用的是在线的系统 A 分区，更新将在后台应用于离线的系统 B 分区，然后快速重启应用更新，此时设备将从系统 A 分区切换到更新过的系统 B 分区。Android 8.0 的流系统更新简化了这个过程，更新数据将直接从互联网下载到离线系统分区，逐块的写入。系统不再需要 1GB 的可用空间，只需要 100KB 左右的空间用于元数据。

Linux 子系统登陆 Windows 服务器

Windows、Linux 看似死敌一对，但其实微软对于开源实业还是相当支持的，Windows 10 系统内就首次内置了一个 Linux 子系统 (Windows Subsystem for Linux/WSL)，允许开发者模拟 Linux 环境，而且有需要的可以直接从 Windows 应用商店下载 SUSE、Ubuntu。

日前，微软又首次推出了用于 Windows Server 服务器系统的 Linux 子系统，并且已经向 Windows Insider 内测用户开放。如果你安装了 Build 16237 或者更新预览版的 Windows Server 2016，就可以打开这扇通往 Linux 的大门了，本质上就是个 Linux 虚拟机，可以执行一般任务，比如 SSHD、MySQL 等等，但不能持续运行 Linux 后台服务。

JetBrains 宣布官方支持 Rust 插件

7 月 31 号，Rust 社区就已非正式声称 JetBrains 开始官方支持 Rust 插件，不过不再支持 2016.3 版本的 IDEA，受支持的 IDEA 最小版本为 2017.1。8 月 4 号，JetBrains 官方博客正式宣布开始官方支持 Rust 插件，包括 IDEA、CLion 等 IntelliJ 平台 IDE。

目前，Rust 插件的主要特性如下。

导航特性：Go to Class、Go to Symbol、Go to Super Module、Structure、Go to Definition。

编辑器特性：代码自动完成、格式化（计划支持 rustfmt）、合并行、智能按键（如自动插入匹配的符号）、自动填充后缀、基本的 Intention 和重构（如引入变量、重命名等）。

支持 Cargo，提供了一个 UI 用于运行测试用例和应用程序，不过这要求在 Cargo 端进行一些配置。

Google 使用 3 亿张图片大幅度改进图像识别算法

Google 和 CMU 的研究员使用 3 亿张图片，在图像识别算法的几个指标上取得了长足改进，而往常的训练一般只使用一百万张图片。

很多开发者在训练物体检测算法时会使用包含一百万张图片的 ImageNet 数据集。这个数据集从 2011 年起就没有新图片加入了。然而，在该数据集上训练的神经网络中的参数数量与日俱增，训练模型的 GPU 算力也在增加。卡内基梅隆大学（CMU）中 Google 的研究人员和科学家提出：如果增加训练数据量会如何？

于是，Google 建立了一个内部数据集，含有 3 亿张图片，标记为 18291 个类别。图片标注的来源包括原始网络信号，网页之间的联系，以及用户的反馈。因为不是由人标注的，所以含有 20% 的噪音。结论是：增大数据量果然有益。虽然图片标记含有噪音，算法的准确率还是提高了 3 个百分点。很明显，数据量的增加克服了标记的噪音。研究人员发现算法的表现和数据量呈对数关系上升。论文作者认为，现有的模型是基于一百万张图片建立的：如果对模型进行调整，准确率还有上升空间。

中国科学家开发“Repression Network ”精确识别车辆

北京大学电机工程和计算机科学学院的三名研究人员在预印本网站 arXiv.org 上发表了一篇论文，标题是《Learning a Repression Network for Precise Vehicle Search》（PDF），描述了根据汽车表面特征而不是车牌号去精确识别不同摄像头拍摄的车辆的新技术，atv，他们将自己提出的多任务学习框架命名为“Repression Network (RepNet)”，称它也能用于区分人脸脸部和人类。研究人员称，公安系统监控探头的大规模使用，创造了一个庞大的图像和视频数据库，从数据库搜索车辆日益具有重要性。虽然车牌是汽车的一个重要身份特征，但许多监控探头并非是为扫描车牌设计的，此外车牌识别系统在识别混淆字符时的表现非常糟糕，比如区分 8 和 B，O、D 或 0，因此他们提出根据汽车表面的定制图案、装饰甚至刮痕等特征去从图像库中检索出相同的汽车。

企业让雇员自愿植入芯片