.jpg "Neue Deep-Learning-Funktionen für Matlab und Simulink")
Besonders im Bereich Deep Learning bietet der neue Release R2017b von Mathworks 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
Mit neuen Updates bietet die Neural Network Toolbox nun Unterstützung für komplexere Architekturen, wie zum Beispiel für gerichtete azyklische Grafen (Directed Acyclic Graph, DAG). Das verbessert die Genauigkeit und bietet die Möglichkeit, auf beliebte bereits vortrainierte Modelle wie GoogLeNet zurückzugreifen. Mit der Integration von Long Short-Term Memory (LSTM)-Netzen können Entwickler über reine Bildklassifikationen hinausgehen und Text klassifizieren sowie Zeitreihen vorhersagen.
Effizientere Klassifizierung von Bildern und semantische Segmentierung
Eine der aufwendigsten Arbeiten bei der Erstellung neuer Deep-Learning-Modelle ist die Klassifizierung von Bildern zum Trainieren des Programms. 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.
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.
Implementierung beschleunigen
Der GPU Coder ist ein neues Produkt, das Deep-Learning-Modelle automatisch in CUDA-Code für Nvidia GPUs konvertiert. Ein Grund für den anhaltenden Trend zu Deep Learning ist die enorme Verbesserung der GPU-Leistung, die allein in den letzten drei Jahren um den Faktor 60 gestiegen ist. Um diese Leistung auch für Deep-Learning-Modelle nutzen zu können, stellt der GPU Coder eine automatische Umwandlung zu CUDA-Code bereit.
Weitere Updates und Features
Die neue Text Analytics Toolbox analysiert und modelliert Textdaten. Außerdem enthlt das Update Individuell anpassbare Datastore-Objekte, mehr Big Data-Plots und -Algorithmen für Machine Learning. Es wird ab sofort auch die Blob-Speicherung in Microsoft Azure unterstützt.
Mit Simulink lassen sich Scheduling-Effekte modellieren und austauschbare Komponenten für Softwareumgebungen implementieren. MIt dabei sind auch neue Tools für die Modellierung von Anforderungen, das Messen der Testabdeckung und die Einhaltung von Richtlinien und Modellierungsstandards
