Software-Entwicklung Matlab 2017b mit Deep-Learning-Werkzeugen

Semantische Segmentierung mit der Neuronal-Network-Toolbox von Matlab/Simulink.
Semantische Segmentierung mit der Neuronal-Network-Toolbox von Matlab/Simulink.

Das Release 2017b von Matlab und Simulink bringt neue Bibliotheken für Deep Learning und neuronale Netze mit. Ein GPU-Codegenerator erzeugt automatisch CUDA-Code für Nvidia-Grafikprozessoren.

MathWorks stellt mit dem Release 2017b neue Funktionen für Matlab und Simulink vor: darunter sechs neue Produkte sowie Updates und Verbesserungen für 86 weitere Produkte. Besonders im Bereich Deep Learning gibt es neue Funktionen, die helfen, neue Modelle schneller und einfacher zu entwickeln, zu trainieren und zu implementieren.

Erweiterter Support für Deep Learning

Die überarbeitete Neural Network Toolbox unterstützt nun Unterstützung komplexere Architekturen, wie z.B. 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.