MathWorks stellt mit dem Release 2017b für MATLAB und Simulink neue Funktionen für Deep Learning vor

MathWorks stellt mit dem Release 2017b (R2017b) neue Funktionen für MATLAB und Simulink vor: darunter sechs neue Produkte sowie Updates und Verbesserungen für 86 weitere Produkte. Besonders im Bereich Deep Learning bietet R2017b neue Funktionen, die Ingenieuren, Forschern und Experten helfen, neue Modelle schneller und einfacher zu designen, zu trainieren und zu implementieren.

Erweiterter Support für Deep Learning

R2017b bietet insbesondere die folgenden Funktionen, Produkte und Leistungsmerkmale für Deep Learning: 

• Die Neural Network Toolbox bietet zusätzliche Unterstützung für komplexe Architekturen wie zum Beispiel für gerichtete azyklische Grafen (Directed Acyclic Graph, DAG) und Long Short-Term Memory (LSTM)-Netzen und bietet Zugang zu beliebten bereits vortrainierten Modellen wie GoogLeNet.
• Die Image Labeler App der Computer Vision System Toolbox bietet nun eine einfache und interaktive Methode, um Referenzdaten in einer Abfolge von Bildern zu markieren. Neben Workflows für die Objekterkennung unterstützt die App nun auch semantische Segmentierung. So können zum Beispiel mithilfe von Deep Learning Pixelbereiche in Bildern klassifiziert werden oder Segmentierungsergebnisse bewertet und visualisiert werden.
• Ein neues Produkt, der GPU Coder, konvertiert Deep Learning-Modelle automatisch in CUDA-Code für NVIDIA-GPUs. Interne Benchmarks zeigen, dass der generierte Code für die Deep Learning-Inferenz für bereitgestellte Modelle eine bis zu 7-mal bessere Leistung als TensorFlow erreicht und eine 4,5-mal bessere Leistung als Caffe2.*

Zusätzlich können zusammen mit den in R2017a vorgestellten Features vortrainierte Modelle für das Transfer Learning verwendet werden, darunter neuronale Faltungsnetzwerk-(CNN)-Modelle (AlexNet, VGG-16 und VGG-19) sowie Modelle aus Caffe (inklusive Caffe Model Zoo). Modelle können auch komplett neu erstellt werden, indem man CNNs für die Bildklassifizierung, Objekterkennung, Regression und mehr nutzt.

„Mit dem Siegeszug von smarten Geräten und dem Internet der Dinge sehen sich Entwickler vor der Herausforderung, mehr intelligente Geräte und Applikationen zu designen. Dafür müssen sie sich entweder selbst Deep-Learning-Kenntnisse aneignen oder sich auf Expertenteams verlassen, die eventuell die geplante Anwendung oder deren Kontext nicht verstehen“, sagt David Rich, MATLAB Marketing Director bei MathWorks. „Mit Release 2017b können Ingenieure und Systemintegrationsteams den Einsatz von MATLAB für Deep Learning-Funktionen weiter ausbauen. So behalten sie Kontrolle über den gesamten Entwicklungsprozess und erreichen schneller qualitativ bessere Design-Ergebnisse. Sie können vortrainierte Netzwerke verwenden, an Code und Modellen zusammenarbeiten und diese auf GPUs und Embedded Systemen bereitstellen. Mit MATLAB können sie die Qualität ihrer Ergebnisse verbessern und zugleich die Entwicklungszeit für die Modelle durch automatisierte Bildkennzeichnung verkürzen.“    

Weitere Updates

Neben den Updates für Deep Learning bietet R2017b auch eine Reihe von Neuerungen für andere wichtige Bereiche:

• Data Analytics mit MATLAB
  
  • Die neue Text Analytics Toolbox, individuell anpassbare Datastore-Objekte, mehr Big Data-Plots und -Algorithmen für Machine Learning, Unterstützung für die Blob-Speicherung in Microsoft Azure
    
• Modellierung von Echtzeit-Software mit Simulink
  • Modellierung von Scheduling-Effekten und Implementierung von austauschbaren Komponenten für Softwareumgebungen
    
• Verifikation und Validierung mit Simulink
  • Neue Tools für die Modellierung von Anforderungen, das Messen der Testabdeckung und die Einhaltung von Richtlinien und Modellierungsstandards
    

R2017b ist ab sofort weltweit erhältlich. Mehr Informationen und eine Liste mit sämtlichen Updates finden Sie auf der Website.