MathWorks stellt Integration von MATLAB und NVIDIA TensorRT vor, mit der Anwendungen der künstlichen Intelligenz beschleunigt werden

MathWorks teilt mit, dass MATLAB jetzt eine Integration mit NVIDIA TensorRT über GPU Coder bietet. Dies erleichtert Ingenieuren und Wissenschaftlern die Entwicklung neuer Modelle für KI und Deep Learning in MATLAB mit der notwendigen Leistung und Effizienz, um die steigenden Anforderungen an Anwendungen für Rechenzentren sowie im Embedded- und Automobilbereich zu erfüllen.

MATLAB bietet einen vollständigen Arbeitsablauf zum schnellen Trainieren, Validieren und Bereitstellen von Deep-Learning-Modellen. Ingenieure können GPU-Ressourcen ohne zusätzliche Programmierung nutzen, sodass sie sich auf ihre Anwendungen konzentrieren können statt auf die Leistungsoptimierung. Dank der neuen Integration von NVIDIA TensorRT und GPU Coder können in MATLAB entwickelte Deep-Learning-Modelle auf NVIDIA-GPUs mit hohem Durchsatz und geringer Latenz ausgeführt werden. Interne Benchmarks zeigen, dass von MATLAB generierter CUDA-Code in Kombination mit TensorRT Alexnet mit fünfmal höherer Leistung und VGG-16 mit 1,25-mal höherer Leistung bereitstellen kann als die Deep-Learning-Inferenz der entsprechenden Netze in TensorFlow.*

Die schnelle Weiterentwicklung von Bild-, Sprach-, Sensor- und IoT-Technologien führt dazu, dass Teams sich KI-Lösungen mit höherer Leistung und Effizienz ansehen. Außerdem werden Deep-Learning-Modelle komplexer. All dies bedeutet immensen Druck auf Ingenieure”, kommentiert David Rich, MATLAB Marketing Director bei MathWorks. „Jetzt können Teams, die Deep-Learning-Modelle mit MATLAB und NVIDIA-GPUs trainieren, eine Echtzeit-Inferenz in jeder Umgebung bereitstellen, von der Cloud über das Rechenzentrum bis hin zu Embedded-Edge-Geräten.”

Mehr Informationen zu Anwendungsmöglichkeiten von NVIDIA TensorRT mit dem MathWorks GPU Coder erhalten Sie von 9. bis 11. Oktober 2018 auf der GPU Technology Conference (GTC) in München. Besuchen Sie MathWorks auf dem Stand S06.

Weitere Informationen über MATLAB für Deep Learning finden Sie unter: mathworks.com/solutions/deep-learning.html

* Alle Benchmarks wurden mit MATLAB R2018a mit GPU Coder, TensorRT 3.0.1, TensorFlow 1.6.0, CUDA 9.0 und cuDNN 7 auf einer NVIDIA Titan Xp GPU auf einem Linux-basierten 12-Core-Intel^® Xeon^® E5-1650 v3 PC mit 64 GB RAM ausgeführt.