MathWorks erweitert Deep-
Learning-Funktionen in Release 2018b

» Beitrag melden

Neues Release 2018b für MATLAB und Simulink enthält
wesentliche Erweiterung für Deep-Learning-Funktionen

MathWorks erweitert Deep-Learning-Funktionen in Release 2018b
Grossansicht Bild
Deep Network Designer App: Die Deep Network Designer App unterstützt Entwickler beim Erstellen, Visualisieren und Bearbeiten von Deep-Learning-Netzwerken.
Archiv | 25.09.2018 | MathWorks stellt Release 2018b von MATLAB und Simulink vor. Das Release enthält wesentliche Erweiterungen für Deep Learning sowie neue Funktionen und Verbesserungen in allen Produktfamilien. Die neue Deep Learning Toolbox, welche die Neural Network Toolbox ersetzt, bietet Ingenieuren und Wissenschaftlern ein Framework für Entwurf und Implementierung tiefer neuronaler Netze. Jetzt können Bildverarbeitungs-, Computer-Vision-, Signalverarbeitungs- und Systemingenieure MATLAB nutzen, um komplexe Netzarchitekturen leichter zu entwerfen und die Leistung ihrer Deep-Learning-Modelle zu steigern.

MathWorks ist vor Kurzem der ONNX-Community beigetreten, um sich für die Interoperabilität einzusetzen sowie die Zusammenarbeit zwischen Anwendern von MATLAB und anderen Deep-Learning-Frameworks zu ermöglichen. Mit der neuen ONNX-Konvertierungsfunktion in R2018b können Ingenieure Modelle von unterstützten Frameworks wie PyTorch, MxNet und TensorFlow importieren und dorthin exportieren. Dank dieser Interoperabilität können in MATLAB trainierte Modelle auch in anderen Frameworks verwendet werden. Ebenso können in anderen Frameworks trainierte Modelle in MATLAB eingebunden werden, wo dann Aufgaben wie das Debugging, die Validierung und der Einsatz auf Embedded-Plattformen durchgeführt werden können. Ausserdem bietet R2018b sorgfältig ausgewählte Referenzmodelle, auf die mithilfe einer einzigen Codezeile zugegriffen werden kann. Weitere Importfunktionen ermöglichen die Verwendung von Modellen aus Caffe und Keras-TensorFlow.


„Da Deep Learning in verschiedensten Branchen immer häufiger zum Einsatz kommt, ist es notwendig, es breit verfügbar, zugänglich und anwendbar für Ingenieure und Wissenschaftler mit unterschiedlichen Spezialisierungen zu machen“, erklärt David Rich, MATLAB Marketing Director bei MathWorks. „Jetzt können Deep-Learning-Einsteiger und -Experten mit MATLAB lernen, Methoden anwenden und fortgeschrittene Forschungsarbeiten durchführen. Hierfür können sie einen integrierten Deep-Learning-Workflow nutzen von der Forschung über Prototypen bis hin zu Produktionsanwendungen.“

 

Grossansicht Bild
Interoperabilität mit Deep-Learning-Frameworks: Der ONNX Converter ermöglicht den Import und Export von ONNX-Modellen in MATLAB für die Interoperabilität mit anderen Deep Learning Frameworks.

Mit R2018b bietet MathWorks eine höhere Produktivität für Anwender und verbessert die Benutzerfreundlichkeit für Deep-Learning-Workflows in R2018b:

  • Die Deep Network Designer App, mit der Anwender komplexe Netzarchitekturen erstellen oder komplexe vortrainierte Netze für das Transfer Learning verändern können
  • Höhere Leistung beim Trainieren von Netzen über die Möglichkeiten von Desktop-PCs hinaus durch Unterstützung von Cloud-Anbietern mit MATLAB Deep Learning Container auf NVIDIA GPU Cloud und den MATLAB-Referenzarchitekturen für Amazon Web Services und Microsoft Azure
  • Erweiterte Unterstützung fachspezifischer Workflows, wie Apps für die Ground-Truth-Kennzeichnung von Audio- und Videodaten und anwendungsspezifische Datastores, welche die Arbeit mit grossen Datenmengen erleichtern und beschleunigen

Mit dem Update in R2018b trägt der GPU Coder noch mehr zur Verbesserung der Inferenzleistung bei, indem NVIDIA-Bibliotheken unterstützt werden und Optimierungen wie Auto-Tuning, Layer-Fusion und Pufferminimierung hinzukommen. Ebenfalls hinzugekommen ist die Unterstützung für die Bereitstellung auf Intel- und ARM-Plattformen mit Intel MKL-DNN und der ARM Compute Library.


R2018b ist ab sofort verfügbar und enthält unter anderem Updates in den Bereichen Code-Generierung, Signalverarbeitung und Kommunikation sowie Verifikation und Validierung. Weiterführende Informationen zu allen neuen Funktionen und Bugfixes für die MATLAB- und Simulink-Produktfamilien erhalten Sie im Video R2018b Highlights.

Video/Präsentation:


Fragen und Kommentare (0)