深度學(xué)習(xí)支持
R2017b中的具體深度學(xué)習(xí)特性、產(chǎn)品和功能包括：
• Neural Network Toolbox增加了對復(fù)雜架構(gòu)的支持，包括有向無環(huán)圖（DAG）和長短期記憶（LSTM）網(wǎng)絡(luò)，并提供對 GoogLeNet 等流行的預(yù)訓(xùn)練模型的訪問。
• Computer Vision System Toolbox中的Image Labeler應(yīng)用現(xiàn)在提供一種方便和交互的方式來標(biāo)記一系列圖像中的地面實況數(shù)據(jù)。除對象檢測工作流程外，該工具箱現(xiàn)在還利用深度學(xué)習(xí)支持語義分割、對圖像中的像素區(qū)域進行分類，以及評估和可視化分割結(jié)果。
• 新產(chǎn)品GPU Coder可自動將深度學(xué)習(xí)模型轉(zhuǎn)換為NVIDIA GPU的CUDA代碼。內(nèi)部基準(zhǔn)測試顯示，在部署階段為深度學(xué)習(xí)模型產(chǎn)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(xué)習(xí)——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(jié)合，可以使用預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型（AlexNet、VGG-16 和 VGG-19）以及來自Caffe的模型（包括Caffe Model Zoo）�？梢詮念^開始開發(fā)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(shè)備和物聯(lián)網(wǎng)的發(fā)展，設(shè)計團隊面臨創(chuàng)造更加智能的產(chǎn)品和應(yīng)用的挑戰(zhàn)，他們需要自己掌握深度學(xué)習(xí)技能或依賴其他具有深度學(xué)習(xí)專長但可能不了解應(yīng)用場景的團隊，”MathWorks的MATLAB市場營銷總監(jiān)David Rich表示，“借助R2017b，工程和系統(tǒng)集成團隊可以將MATLAB拓展用于深度學(xué)習(xí)，以更好地保持對整個設(shè)計過程的控制，并更快地實現(xiàn)更高質(zhì)量的設(shè)計。他們可以使用預(yù)訓(xùn)練網(wǎng)絡(luò)，協(xié)作開發(fā)代碼和模型，然后部署到GPU和嵌入式設(shè)備。使用MATLAB可以改進結(jié)果質(zhì)量，同時通過自動化地面實況標(biāo)記App來縮短模型開發(fā)時間。”
其他更新
除深度學(xué)習(xí)外，R2017b 還包括其他關(guān)鍵領(lǐng)域的一系列更新，包括：
• 使用 MATLAB 進行數(shù)據(jù)分析
o 一款新 Text Analytics Toolbox 產(chǎn)品、可擴展數(shù)據(jù)存儲、用于機器學(xué)習(xí)的更多大數(shù)據(jù)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(huán)境的調(diào)度效果進行建模并實現(xiàn)可插入式組件
• 使用 Simulink 進行驗證和確認(rèn)
o 用于需求建模、測試覆蓋率分析和合規(guī)性檢查的新工具
共0條 [查看全部] 網(wǎng)友評論