Mer dyp læring i MATLAB

Nå kommer versjon 2018b av MATLAB og Simulink - med betydelige forbedringer for kunstig intelligens og “dyp læring”.  

Publisert Sist oppdatert

Denne artikkelen er 2 år eller eldre

Det nye verktøyet Deep Learning Toolbox, som erstatter Neural Network Toolbox, skal ifølge MathWorks gi ingeniører og forskere et omfattende rammeverk for design og implementering av dype nevrale nettverk.

Blant annet betyr dette at utviklere av bildeprosessering, datasyn, signalprosessering og systemløsninger kan anvende MATLAB for å designe komplekse nettverksarkitekturer på en enklere måte, og forbedre ytelsen i deres modeller for dyp læring. 

MathWorks sluttet seg nylig til det såkalte ONNX-miljøet, for å demonstrere sin satsing på interoperabilitet, det vil si at det skal bli mulig å samarbeide mellom brukere av MATLAB og andre rammeverk for dyp læring.

Ved hjelp av den nye ONNX-omformeren i R2018b, kan utviklere importere og eksportere modeller fra støttede rammeverk, som PyTorch, MxNet, og TensorFlow. Denne interoperabiliteten gjør det mulig å benytte modeller som er trenet i MATLAB i andre rammeverk. Tilsvarende kan modeller som re trenet i andre rammeverk hentes inn i MATLAB for oppgaver som debugging, validering, og implementering i innvevde systemer. I til har R2018b et kuratert sett med referansemodeller som skal være tilgjengelig med en enkel kodelinje. 

Bruk av dyp læring skal være forenklet og forbedret gjennom The Deep Network Designer app, som gjør brukerne i stand til å skape komplekse nettverksarkitekturer eller modifisere komplekse forhåndstrenede nettverk for transferlæring.

Videre skal man få tilgang til forbedret treningsytelse utover bordmaskinkapasitet gjennom støtte for skuyleverandører, med MATLAB Deep Learning Container på NVIDIA GPU Cloud og ikke minst MATLAB referansearkitekturer for Amazon Web Services og Microsoft Azure.

Du kan se en video om oppdateringene her (ekstern lenke). 

Powered by Labrador CMS