Release R2018b Matlab en Simulink beschikbaar

4 oktober 2018 

De nieuwe versie R2018b van Matlab en Simulink bevat aanzienlijke verbeteringen voor deep learning, alsmede nieuwe mogelijkheden en bugfixes voor de productserie. De nieuwe Deep Learning Toolbox vervangt de Neural Network Toolbox en biedt engineers en wetenschappers een kader voor het ontwerpen en implementeren van diepe neurale netwerken. Engineers in beeldverwerking, computervisie, signaalverwerking en systemen kunnen Matlab gebruiken om gemakkelijker complexe netwerkarchitecturen te ontwerpen en om de prestatie van hun deep learning-modellen te verbeteren.

Gebruik Matlab-getrainde modellen in andere toepassingen

Mathworks trad onlangs toe tot de ONNX-gemeenschap om zijn inzet voor interoperabiliteit aan te tonen. Hierdoor kunnen gebruikers van Matlab en andere deep learning-toepassingen samenwerken. Met behulp van de nieuwe ONNX-converter in R2018b kunnen engineers modellen importeren en exporteren van en naar ondersteunde toepassingen zoals Pytorch, Mxnet en Tensorflow. Dankzij deze interoperabiliteit kunnen in Matlab getrainde modellen in andere toepassingen worden gebruikt. Op dezelfde wijze kunnen in andere toepassingen getrainde modellen in Matlab worden ingelezen voor taken zoals debuggen, validatie en embedded implementatie. Daarnaast biedt R2018b een samengestelde reeks referentiemodellen die toegankelijk zijn met een enkele regel code en kunnen met de extra modelimporteurs modellen van Caffe en Keras-Tensorflow worden gebruikt.

Verbeteringen in workflows

Mathworks verbetert de productiviteit van de gebruiker en het gebruiksgemak van Deep-Learning-workflows in R2018b via:

  • De app Deep Network Designer waarmee gebruikers complexe netwerkarchitecturen kunnen maken of complexe voorgetrainde netwerken kunnen wijzigen voor transfer learning.
  • Verbeterde training van het netwerk die verder gaat dan desktopmogelijkheden door cloudleveranciers te ondersteunen met de Matlab Deep Learning Container op Nvidia GPU cloud en de Matlab-referentiearchitecturen voor Amazon web services en Microsoft Azure.
  • Verruimde ondersteuning voor domeinspecifieke workflows, inclusief ground-truth labeling-apps voor audio, video en toepassingsspecifieke datastores, waarmee gemakkelijker en sneller met grote gegevensverzamelingen kan worden gewerkt.

In R2018b blijft GPU Coder de inferentieprestaties verbeteren door Nvidia-bibliotheken te ondersteunen en optimalisaties toe te voegen zoals automatische afstemming, layer fusion en bufferminimalisatie. Daarnaast is ondersteuning toegevoegd voor implementatie op Intel- en Arm-platformen met behulp van Intel MKL-DNN en Arm Compute Library.

AGENDA

Topbanen
Ministerie van Defensie

Word technicus bij Defensie

Ministerie van Defensie

Nederland

Verbruggen

Manager Assembly & FAT

Verbruggen

Emmeloord

Techwatch

Techwatch | bv | Novio Tech Campus | Transistorweg 7-H | 6534 AT Nijmegen
T. +31 (0)24 - 350 3532 | info@techwatch.nl

Copyright ©  2018 Mechatronica&Machinebouw - All Rights Reserved

×