MathWorks presenter nu version 2017b (R2017b), som innehåller nya funktioner i MATLAB och Simulink, sex nya produkter, samt uppdateringar och förbättringar av ytterligare 86 produkter. I versionen läggs också nya viktiga funktioner till för Deep Learning som förenklar hur ingenjörer, forskare och andra domänexperter designar, tränar och implementerar modeller.

I R2017b finns följande specifika funktioner, produkter och möjligheter för Deep Learning:
Neural Network Toolbox har lagt till stöd för komplexa arkitekturer, inklusive DAG- (Directed Acyclic Graph) och LSTM-nätverk (Long Short-Term Memory), och ger åtkomst till populära förtränade modeller som GoogLeNet.
Appen Image Labeler i Computer Vision System Toolbox ger nu ett praktiskt och interaktivt sätt att etikettera ground truth-data i en bildsekvens. Förutom arbetsflöden för objektdetektering har toolboxen nu även stöd för semantisk segmentering med hjälp av Deep Learning för att klassificera pixelregioner i bilder och utvärdera och visualisera segmenteringsresultat.
En ny produkt, GPU Coder, konverterar automatiskt modeller för Deep Learning till CUDA-kod för NVIDIA-GPU:er. Interna jämförelser visar att den genererade koden för Deep Learning inferens ger upp till 7x bättre prestanda än TensorFlow och 4.5x bättre prestanda än Caffe2 för implementerade modeller.
Tillsammans med de nya funktionerna i R2017a kan förtränade modeller användas för att överföra inlärning, inklusive CNN-modeller (AlexNet, VGG-16 och VGG-19) och modeller från Caffe (inklusive Caffe Model Zoo). Modeller kan utvecklas från grunden, inkluderande användning av CNN för bildklassificering, objektdetektering, regression och mer.
– Med tillväxten av smarta enheter och IOT ställs designteamen inför utmaningen att skapa mer intelligenta produkter och tillämpningar genom att antingen utveckla Deep Learning förmågor på egen hand, eller förlita sig på andra team med kunskap inom Deep Learning som kanske inte förstår tillämpningens sammanhang, säger David Rich, marknadschef för MATLAB, MathWorks. Med R2017b kan ingenjörs- och systemintegreringsteam utöka användningen av MATLAB för Deep Learning, för att få bättre kontroll över hela designprocessen och få design med högre kvalitet snabbare. De kan använda förtränade nätverk, samarbeta på kod och modeller och implementera på GPU:er och inbyggda enheter. Att använda MATLAB kan ge bättre kvalitet på resultaten samtidigt som modellutvecklingstiden reduceras genom automatisering av ground truth-etikettering.
Förutom Deep Learning innehåller R2017b också en serie uppdateringar inom andra viktiga områden, däribland:
* Dataanalys med MATLAB
* En ny Text Analytics Toolbox-produkt, utökningsbart datalager, fler diagram för stora datamängder och algoritmer för maskininlärning, samt stöd för Microsoft Azure-bloblagring
* Programvarumodellering i realtid med Simulink
Modellera schemaläggningseffekter och implementera instickbara komponenter för programvarumiljöer
* Verifiering och validering med Simulink
Nya verktyg för kravmodellering, testtäckningsanalys och kompatibilitetskontroll

Filed under: Utländsk Teknik