MATLAB 和 Simulink 产品系列中扩展了深度学习功能

MathWorks 宣布，于今日推出了 2018b 版本的 MATLAB 和 Simulink。该版本包含重要的深度学习增强功能，以及各个产品系列中的新功能和Bug修复。新的 Deep Learning Toolbox 取代了 Neural Network Toolbox，为工程师和科学家提供了用于设计和实现深度神经网络的框架。现在，图像处理、计算机视觉、信号处理和系统工程师可以使用 MATLAB 更轻松地设计复杂的网络架构，并改进其深度学习模型的性能。

MathWorks 最近加入了 ONNX 社区，表明其对互操作性的支持，从而实现 MATLAB 用户与其他深度学习框架用户之间的协作。使用 R2018b 中的新 ONNX 转换器，工程师可以从支持的框架（如 PyTorch、MxNet 和 TensorFlow）导入和导出模型。凭借这种互操作性，在 MATLAB 中训练的模型能够用于其他框架。同样，可以将在其他框架中训练的模型导入 MATLAB，以执行调试、验证和嵌入式部署等任务。而且，R2018b 提供了一组精心打造的参考模型，只需一行代码即可访问。此外，附加的模型导入器支持使用来自 Caffe 和 Keras-Tensorflow 的模型。

“随着深度学习在多个行业中变得越来越流行，需要让其得到广泛普及、变得容易获取，并且适用于具有不同专业背景的工程师和科学家，”MathWorks 的 MATLAB 营销总监 David Rich 表示。“现在，通过使用从研究到原型再到生产的集成式深度学习工作流程，深度学习新手和专家都可以使用 MATLAB 来学习、应用和开展高级研究。”

通过以下方式，MathWorks 在 R2018b 中继续改进用户工作效率和深度学习工作流程的易用性：

用户可以使用 Deep Network Designer 应用程序创建复杂的网络架构，或修改复杂的预训练网络以进行迁移学习；

通过 NVIDIA GPU Cloud 上的 MATLAB Deep Learning Container 以及用于 Amazon Web Services 和 Microsoft Azure 的 MATLAB 参考架构来支持云供应商，网络训练性能得到改进并超越了桌面能力；

扩展了对特定领域工作流程的支持，包括用于音频、视频和应用程序特定数据存储的真实值（ground-truth）标注应用程序，使得处理大型数据集变得更容易和更快捷。

在 R2018b 中，GPU Coder 通过支持 NVIDIA 库和增加自动调优、层融合和缓冲区最小化等优化，继续提升推理性能。此外，还增加了对使用 Intel MKL-DNN 和 ARM Compute Library 的 Intel 和 ARM 平台的部署支持。

R2018b 已经上市。有关 MATLAB 和 Simulink 产品系列的所有新功能和Bug修复的信息，请观看 R2018b 亮点视频。