Matlab und Simulink 2018b

Mathworks erweitert Deep-Learning-Funktionen im neuen Release

| Autor / Redakteur: Stefanie Michel / Nico Litzel

Der ONNX-Converter ermöglicht den Import und Export von ONNX-Modellen in Matlab für die Interoperabilität mit anderen Deep Learning Frameworks.
Der ONNX-Converter ermöglicht den Import und Export von ONNX-Modellen in Matlab für die Interoperabilität mit anderen Deep Learning Frameworks. (Bild: Mathworks)

Mathworks hat das Release 2018b von Matlab und Simulink vorgestellt, das Deep Learning in den Fokus der Neuheiten stellt. So löst beispielsweise die Deep Learning Toolbox die vorherige Neural Network Toolbox ab, um Netzarchitekturen einfacher zu entwerfen.

Das Release 2018b von Matlab und Simulink enthält wesentliche Erweiterungen für Deep Learning sowie neue Funktionen und Verbesserungen in allen Produktfamilien. Die neue Deep Learning Toolbox, welche die Neural Network Toolbox ersetzt, bietet Ingenieuren und Wissenschaftlern ein Framework für Entwurf und Implementierung tiefer neuronaler Netze. Damit sollen Bildverarbeitungs-, Computer-Vision-, Signalverarbeitungs- und Systemingenieure Matlab nutzen können, um komplexe Netzarchitekturen leichter zu entwerfen und die Leistung ihrer Deep-Learning-Modelle zu steigern.

Austausch mit anderen Deep-Learning-Frameworks möglich

Mathworks ist vor Kurzem der ONNX-Community beigetreten, um sich für die Interoperabilität einzusetzen sowie die Zusammenarbeit zwischen Anwendern von Matlab und anderen Deep-Learning-Frameworks zu ermöglichen. Mit der neuen ONNX-Konvertierungsfunktion in R2018b können Ingenieure Modelle von unterstützten Frameworks wie Py Torch, Mxnet und Tensorflow importieren und dorthin exportieren. Aufgrund dieser Interoperabilität können in Matlab trainierte Modelle auch in anderen Frameworks verwendet werden, ebenso umgekehrt. Außerdem bietet R2018b ausgewählte Referenzmodelle, auf die mithilfe einer einzigen Codezeile zugegriffen werden kann. Weitere Importfunktionen ermöglichen die Verwendung von Modellen aus Caffe und Keras-Tensorflow.

Machine Learning in der Industrie

MM Dossier

Machine Learning in der Industrie

Machine Learning oder „Maschinelles Lernen“ ist in der Industrie angekommen. Lesen Sie in unserem MM Dossier, wie aus der Fähigkeit, aus Daten zu lernen und Muster abzuleiten, neue Anwendungen und Geschäftsmodelle entstehen. weiter...

„Da Deep Learning in verschiedensten Branchen immer häufiger zum Einsatz kommt, ist es notwendig, es breit verfügbar, zugänglich und anwendbar für Ingenieure und Wissenschaftler mit unterschiedlichen Spezialisierungen zu machen“, erklärt David Rich, Matlab Marketing Director bei Mathworks. „Jetzt können Deep-Learning-Einsteiger und -Experten lernen, Methoden anzuwenden und fortgeschrittene Forschungsarbeiten durchzuführen. Hierfür können sie einen integrierten Deep-Learning-Workflow nutzen von der Forschung über Prototypen bis hin zu Produktionsanwendungen.“

Benutzerfreundlichere Deep-Learning-Workflows

Mit R2018b will Mathworks eine höhere Produktivität ermöglichen und die Benutzerfreundlichkeit für Deep-Learning-Workflows verbessern:

  • Deep Network Designer App: Anwender können komplexe Netzarchitekturen erstellen oder komplexe vortrainierte Netze für das Transfer Learning verändern.
  • Unterstützung von Cloud-Anbietern mit Matlab Deep Learning Container auf NVIDIA GPU Cloud und den Matlab-Referenzarchitekturen für Amazon Web Services und Microsoft Azure: Durch die Unterstützung von Cloud-Anbietern ist eine höhere Leistung beim Trainieren von Netzen über die Möglichkeiten von Desktop-PCs hinaus möglich.
  • Erweiterte Unterstützung fachspezifischer Workflows: Apps für die Ground-Truth-Kennzeichnung von Audio- und Videodaten und anwendungsspezifische Datastores erleichtern und beschleunigen die Arbeit mit großen Datenmengen.

Online-Kurs Wie lernt die Maschine?

In diesem Online-Kurs erhalten Sie Informationen über den freien Fall, die Wahrscheinlichkeitstheorie im Zusammenhang mit Machine Learning und der Auswahl des geeigneten Modells um die besten Ergebnisse zu erzielen (Overfit & Rauschen). Zudem erfahren Sie was neuronale Netze sind, wie das neuronale Netz lernt als auch alles Rund um das Thema Machine Learning in der Bildverarbeitung. Direkt zum Online-Kurs

Mit dem Update in R2018b soll der GPU Coder noch mehr zur Verbesserung der Inferenzleistung beitragen, indem Nvidia-Bibliotheken unterstützt werden. Hinzugekommen ist die Unterstützung für die Bereitstellung auf Intel- und ARM-Plattformen mit Intel MKL-DNN und der ARM Compute Library.

R2018b ist ab sofort verfügbar und enthält unter anderem Updates in den Bereichen Code-Generierung, Signalverarbeitung und Kommunikation sowie Verifikation und Validierung.

Dieser Artikel stammt von unserem Partnerportal Maschinenmarkt.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45549224 / Künstliche Intelligenz)