MathWorks kondigt Release 2017b van MATLAB en Simulink aan

21 september 2017

MathWorks heeft Release 2017b (R2017b) geïntroduceerd met nieuwe functies in MATLAB en Simulink, zes nieuwe producten en updates en bugfixes voor 86 andere producten. Met de release is ook meer deep learning functionaliteit toegevoegd, waarmee engineers, onderzoekers en andere domeinexperts modellen eenvoudiger kunnen ontwerpen, trainen en implementeren.

 

Features, producten en functies voor deep learning in R2017b zijn:

  • De Neural Network Toolbox heeft extra ondersteuning voor complexe architecturen, zoals netwerken op basis van directed acyclic graph (DAG) en long short-term memory (LSTM) en geeft toegang tot voorgetrainde modellen als GoogLeNet.
  • De Image Labeler app in de Computer Vision System Toolbox biedt nu een eenvoudige en interactieve manier om ground truth data in een serie afbeeldingen te labelen.
  • Een nieuw product, GPU Coder, converteert deep learning modellen automatisch naar CUDA code voor NVIDIA GPU’s.

Samen met functies geïntroduceerd in R2017a kunnen voorgetrainde modellen worden gebruikt voor transfer learning, inclusief convolutional neural network (CNN) modellen (AlexNet, VGG-16 en VGG-19) en modellen van Caffe (inclusief Caffe Model Zoo). Ook kunnen modellen volledig zelf worden opgebouwd, inclusief toepassing van CNN’s voor classificatie van afbeeldingen, detectie van objecten, regressie en nog veel meer.

“Met de groei van slimme apparaten en IoT staan ontwerpteams voor de uitdaging om slimmere producten en toepassingen te maken door ofwel zelf deep learning kennis te ontwikkelen of door op andere teams te vertrouwen die deep learning expertise hebben maar geen expertise hebben in het toepassingsgebied,” aldus David Rich, marketingdirecteur MATLAB, MathWorks.

Website MathWorks

Comments are closed.