关于加强深度学习能力以简化设计、训练和部署模型分析和介绍

MATLAB Release 2017b(R2017b) 今日正式推出，其中包括MATLAB和Simulink的若干新功能、六款新产品以及对其他 86 款产品的更新和修复补丁。此发行版还添加了新的重要的深度学习功能，可简化工程师、研究人员及其他领域专家设计、训练和部署模型的方式。

随着智能设备和物联网的发展，设计团队面临创造更加智能的产品和应用的挑战，他们需要自己掌握深度学习技能或依赖其他具有深度学习专长但可能不了解应用场景的团队。借助 R2017b，工程和系统集成团队可以将 MATLAB 拓展用于深度学习，以更好地保持对整个设计过程的控制，并更快地实现更高质量的设计。可以通过使用预训练网络，协作开发代码和模型，然后部署到 GPU 和嵌入式设备。使用 MATLAB 可以改进结果质量，同时通过自动化地面实况标记 App 来缩短模型开发时间。

R2017b中的具体深度学习特性、产品和功能包括：

Neural Network Toolbox增加了对复杂架构的支持，包括有向无环图 (DAG) 和长短期记忆 (LSTM) 网络，并提供对 GoogLeNet 等流行的预训练模型的访问。

Computer Vision System Toolbox中的 Image Labeler 应用现在提供一种方便和交互的方式来标记一系列图像中的地面实况数据。除对象检测工作流程外，该工具箱现在还利用深度学习支持语义分割，对图像中的像素区域进行分类，以及评估和可视化分割结果。

MATLAB深度学习：为自动驾驶的工作流程提供语义分割

新产品GPU Coder可自动将深度学习模型转换为 NVIDIA GPU 的 CUDA 代码。内部基准测试显示，在部署阶段为深度学习模型产生的代码，比 TensorFlow 的性能提高 7倍，比 Caffe2的性能提高4.5 倍。

注：使用 TitanXP GPU 和 Intel(R) Xeon(R) CPU E5-1650 v4 @ 3.60GHz 对 AlexNet 的推理性能执行了内部基准测试。使用的软件版本是 MATLAB(R2017b)、TensorFlow(1.2.0) 和 Caffe2(0.8.1)。每个软件的 GPU 加速版本用于基准测试。所有测试均在 Windows 10 上运行。

与 R2017a 推出的功能相结合，可以使用预训练模型进行迁移学习，包括卷积神经网络 (CNN) 模型（AlexNet、VGG-16 和 VGG-19）以及来自 Caffe 的模型（包括 Caffe Model Zoo）。可以从头开始开发模型，包括使用 CNN 进行图像分类、对象检测、回归等。

其他系列更新：

除深度学习外，R2017b 还包括其他关键领域的一系列更新，包括：

使用 MATLAB 进行数据分析：一款新 Text Analytics Toolbox 产品、可扩展数据存储、用于机器学习的更多大数据绘图和算法，以及 Microsoft Azure Blob 存储支持

使用 Simulink 进行实时软件建模：对用于软件环境的调度效果进行建模并实现可插入式组件

使用 Simulink 进行验证和确认：用于需求建模、测试覆盖率分析和合规性检查的新工具

MathWorks是数学计算软件领域世界领先的开发商。它所推出的MATLAB是一种用于算法开发、数据分析、可视化和数值计算的程序设计环境，称为“科学计算的语言”。Simulink是一种图形环境，可用于对多域动态系统和嵌入式系统进行仿真和基于模型设计。全球的工程师和科学家们都依赖于MathWorks公司所提供的这些产品系列，来加快在汽车、航空、电子、金融服务、生物医药以及其他行业的发明、创新及开发的步伐。