Framework für Entwurf und Implementierung tiefer neuronaler Netze

| Redakteur: Sebastian Gerstl

Die Deep Network Designer App in Release Version 2018b von Matlab und Simulink erlaubt das schnelle Design und die Implementierung Neuronaler Netzwerke in Embedded-Lösungen.
Die Deep Network Designer App in Release Version 2018b von Matlab und Simulink erlaubt das schnelle Design und die Implementierung Neuronaler Netzwerke in Embedded-Lösungen. (Bild: Mathworks)

Das Release 2018b für MATLAB und Simulink enthält wesentliche Erweiterung für Deep-Learning-Funktionen. Mit der Deep Learning Toolbox steht nun ein Framework für Entwurf und Implementierung tiefer neuronaler Netze u.a. für Anwendungen in der Bildverarbeitung, Signalverarbeitung, Computer Vision und System-Design bereit.

MathWorks hat die Verfügbarkeit des Release 2018b von MATLAB und Simulink bekannt gegeben. Diese Version enthält wesentliche Erweiterungen für Deep Learning sowie neue Funktionen und Verbesserungen in allen Produktfamilien. Eine Deep Learning Toolbox, welche die Neural Network Toolbox ersetzt, soll Ingenieuren und Wissenschaftlern ein leicht zugängliches Framework für Entwurf und Implementierung tiefer neuronaler Netze bieten. Bildverarbeitungs-, Computer-Vision-, Signalverarbeitungs- und Systemingenieure können nun MATLAB nutzen, um komplexe Netzarchitekturen leichter zu entwerfen und die Leistung ihrer Deep-Learning-Modelle zu steigern.

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 PyTorch, MxNet und TensorFlow importieren und dorthin exportieren. Dank dieser Interoperabilität können in MATLAB trainierte Modelle auch in anderen Frameworks verwendet werden. Ebenso können in anderen Frameworks trainierte Modelle in MATLAB eingebunden werden, wo dann Aufgaben wie das Debugging, die Validierung und der Einsatz auf Embedded-Plattformen durchgeführt werden können. Außerdem bietet R2018b sorgfältig ausgewählte Referenzmodelle, auf die mithilfe einer einzigen Codezeile zugegriffen werden kann. Weitere Importfunktionen ermöglichen die Verwendung von Modellen aus Caffe und Keras-TensorFlow.

„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 mit MATLAB lernen, Methoden anwenden und fortgeschrittene Forschungsarbeiten durchführen. Hierfür können sie einen integrierten Deep-Learning-Workflow nutzen von der Forschung über Prototypen bis hin zu Produktionsanwendungen.“

Für einfacheren Umgang mit Deep-Learning-Funktionen

Mit R2018b bietet MathWorks eine höhere Produktivität für Anwender und verbessert die Benutzerfreundlichkeit für Deep-Learning-Workflows in R2018b:

  • Die Deep Network Designer App, mit der Anwender komplexe Netzarchitekturen erstellen oder komplexe vortrainierte Netze für das Transfer Learning verändern können
  • Höhere Leistung beim Trainieren von Netzen über die Möglichkeiten von Desktop-PCs hinaus durch Unterstützung von Cloud-Anbietern mit MATLAB Deep Learning Container auf NVIDIA GPU Cloud und den MATLAB-Referenzarchitekturen für Amazon Web Services und Microsoft Azure
  • Erweiterte Unterstützung fachspezifischer Workflows, wie Apps für die Ground-Truth-Kennzeichnung von Audio- und Videodaten und anwendungsspezifische Datastores, welche die Arbeit mit großen Datenmengen erleichtern und beschleunigen

Mit dem Update in R2018b trägt der GPU Coder noch mehr zur Verbesserung der Inferenzleistung bei, indem NVIDIA-Bibliotheken unterstützt werden und Optimierungen wie Auto-Tuning, Layer-Fusion und Pufferminimierung hinzukommen. Ebenfalls 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.

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

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.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45530420 / Tools & Softwarekomponenten)