MathWorks breidt de mogelijkheden van Deep Learning uit in Release 2018b van de MATLAB and Simulink productserie

MathWorks komt vandaag met Release 2018b van MATLAB en Simulink. De release bevat aanzienlijke verbeteringen voor Deep Learning, alsmede nieuwe mogelijkheden en bugfixes voor de productserie. De nieuwe Deep Learning Toolbox, die de Neural Network Toolbox vervangt, biedt engineers en wetenschappers een kader voor het ontwerpen en implementeren van diepe neurale netwerken. Engineers in beeldverwerking, computervisie, signaalverwerking en systemen kunnen MATLAB gebruiken om gemakkelijker complexe netwerkarchitecturen te ontwerpen en om de prestatie van hun Deep Learning-modellen te verbeteren.

MathWorks trad onlangs toe tot de ONNX-gemeenschap om zijn inzet voor interoperabiliteit aan te tonen. Hierdoor kunnen gebruikers van MATLAB en andere Deep Learning-toepassingen samenwerken. Met behulp van de nieuwe ONNX-converter in R2018b kunnen engineers modellen im- en exporteren van en naar ondersteunde toepassingen zoals PyTorch, MxNet en TensorFlow. Dankzij deze interoperabiliteit kunnen in MATLAB getrainde modellen in andere toepassingen worden gebruikt. Op dezelfde wijze kunnen in andere toepassingen getrainde modellen in MATLAB worden ingelezen voor taken zoals debuggen, validatie en embedded implementatie. Daarnaast biedt R2018b een samengestelde reeks referentiemodellen die toegankelijk zijn met één enkele regel code en kunnen met de extra modelimporteurs modellen van Caffe en Keras-Tensorflow worden gebruikt.

“Omdat Deep Learning steeds meer voorkomt in diverse sectoren, moet het ruim beschikbaar, toegankelijk en toepasbaar worden gemaakt voor engineers en wetenschappers met uiteenlopende specialisaties”, zei David Rich, marketingdirecteur van MATLAB, MathWorks. “Nu kunnen beginners en experts in Deep Learning leren, toepassen en geavanceerd onderzoek uitvoeren met MATLAB door het gebruik van een geïntegreerde Deep Learning-workflow van onderzoek naar prototype naar productie.”

MathWorks blijft de productiviteit van de gebruiker en het gebruiksgemak van Deep Learning-workflows in R2018b verbeteren via:

• De Deep Network Designer app waarmee gebruikers complexe netwerkarchitecturen kunnen maken of complexe voorgetrainde netwerken kunnen wijzigen voor transfer learning
• Verbeterde training van het netwerk die verder gaat dan desktopmogelijkheden door cloudleveranciers te ondersteunen met de MATLAB Deep Learning Container op NVIDIA GPU Cloud en de MATLAB-referentiearchitecturen voor Amazon Web Services en Microsoft Azure
• Verruimde ondersteuning voor domeinspecifieke workflows, inclusief ‘ground-truth’ labeling-apps voor audio, video en toepassingsspecifieke datastores, waarmee gemakkelijker en sneller met grote gegevensverzamelingen kan worden gewerkt

In R2018b blijft GPU Coder de inference prestaties verbeteren door NVIDIA-bibliotheken te ondersteunen en optimalisaties toe te voegen zoals automatische afstemming, layer fusion en bufferminimalisatie. Daarnaast is ondersteuning toegevoegd voor implementatie op Intel- en ARM-platformen met behulp van Intel MKL-DNN en ARM Compute Library.

R2018b is per direct beschikbaar. Bekijk de R2018b Highlights video voor informatie over alle nieuwe mogelijkheden en bugfixes van de MATLAB en Simulink productserie.