深度學習支持
R2017b中的具體深度學習特性、產品和功能包括：
• Neural Network Toolbox增加了對復雜架構的支持，包括有向無環圖（DAG）和長短期記憶（LSTM）網絡，并提供對 GoogLeNet 等流行的預訓練模型的訪問。
• Computer Vision System Toolbox中的Image Labeler應用現在提供一種方便和交互的方式來標記一系列圖像中的地面實況數據。除對象檢測工作流程外，該工具箱現在還利用深度學習支持語義分割、對圖像中的像素區域進行分類，以及評估和可視化分割結果。
• 新產品GPU Coder可自動將深度學習模型轉換為NVIDIA GPU的CUDA代碼。內部基準測試顯示，在部署階段為深度學習模型產生的代碼，比TensorFlow的性能提高7倍，比Caffe2的性能提高4.5倍。*
圖示：MATLAB深度學習——為自動駕駛的工作流程提供語義分割
與R2017a推出的功能相結合，可以使用預訓練模型進行遷移學習，包括卷積神經網絡（CNN）模型（AlexNet、VGG-16 和 VGG-19）以及來自Caffe的模型（包括Caffe Model Zoo）。可以從頭開始開發模型，包括使用CNN進行圖像分類、對象檢測、回歸等。
“隨著智能設備和物聯網的發展，設計團隊面臨創造更加智能的產品和應用的挑戰，他們需要自己掌握深度學習技能或依賴其他具有深度學習專長但可能不了解應用場景的團隊，”MathWorks的MATLAB市場營銷總監David Rich表示，“借助R2017b，工程和系統集成團隊可以將MATLAB拓展用于深度學習，以更好地保持對整個設計過程的控制，并更快地實現更高質量的設計。他們可以使用預訓練網絡，協作開發代碼和模型，然后部署到GPU和嵌入式設備。使用MATLAB可以改進結果質量，同時通過自動化地面實況標記App來縮短模型開發時間。”
其他更新
除深度學習外，R2017b 還包括其他關鍵領域的一系列更新，包括：
• 使用 MATLAB 進行數據分析
o 一款新 Text Analytics Toolbox 產品、可擴展數據存儲、用于機器學習的更多大數據繪圖和算法，以及 Microsoft Azure Blob 存儲支持
• 使用 Simulink 進行實時軟件建模
o 對用于軟件環境的調度效果進行建模并實現可插入式組件
• 使用 Simulink 進行驗證和確認
o 用于需求建模、測試覆蓋率分析和合規性檢查的新工具
共0條 [查看全部] 網友評論