MathWorks annuncia la Release 2017b delle famiglie di prodotti MATLAB e Simulink

MathWorks ha presentato oggi la Release 2017b (R2017b), che include nuove funzionalità in MATLAB e Simulink, sei nuovi prodotti, nonché aggiornamenti e correzione di bug per altri 86 prodotti. Inoltre, la release aggiunge nuove importanti funzionalità di deep learning che facilitano la progettazione, l’addestramento e la distribuzione di modelli da parte di ingegneri, ricercatori e altri esperti del settore. 

Supporto al deep learning

Le funzionalità e i prodotti specifici per il deep learning nella release R2017b includono: 

• Neural Network Toolbox supporta ora architetture complesse, tra cui reti Directed Acyclic Graph (DAG) e Long Short-Term Memory (LSTM), e consente di accedere a comuni modelli pre-addestrati, per esempio GoogLeNet. 
• L’app Image Labeler in Computer Vision System Toolbox fornisce ora un modo comodo e interattivo per etichettare dati sul campo in una sequenza di immagini. Oltre ai flussi di lavoro per la rilevazione di oggetti, il toolbox supporta ora la segmentazione semantica tramite deep learning per classificare le regioni di pixel nelle immagini e per valutare e visualizzare i risultati della segmentazione. 
• Un nuovo prodotto, GPU Coder, converte automaticamente i modelli di deep learning in codice CUDA per le GPU NVIDIA. I benchmark interni dimostrano che il codice generato per l’inferenza del deep learning è in grado di fornire prestazioni fino a 7 volte superiori rispetto a TensorFlow e a 4.5 volte superiori rispetto a Caffe2 for per i modelli distribuiti. * 

Insieme alle funzionalità già introdotte nella R2017a, i modelli pre-addestrati possono essere utilizzati per il transfer learning, per esempio i modelli di reti neurali convoluzionali (CNN) (AlexNet, VGG-16 e VGG-19) e i modelli da Caffe (tra cui Caffe Model Zoo). I modelli possono essere sviluppati da zero, per esempio utilizzando le CNN per la classificazione di immagini, la rilevazione di oggetti, la regressione e altro ancora.

“Data la crescita dei dispositivi intelligenti e di IOT, i team di progettisti si trovano a dover creare prodotti e applicazioni sempre più intelligenti, sviluppando loro stessi le abilità di apprendimento del deep learning oppure affidandosi ad altri team di esperti di deep learning, che potrebbero non comprendere il contesto applicativo”, dichiara David Rich, marketing director di MATLAB presso MathWorks. “Con la release R2017b, i team di progettazione e integrazione dei sistemi possono estendere l’uso di MATLAB per il deep learning per gestire al meglio l’intero processo di progettazione e creare più rapidamente prodotti di alta qualità. Possono utilizzare reti pre-addestrate, collaborare alla generazione di codice e modelli e distribuire questi ultimi a GPU e dispositivi embedded. L’utilizzo di MATLAB può migliorare la qualità del risultato riducendo al contempo i tempi di sviluppo del modello, grazie all’automazione dell’etichettatura sul campo”.     

Ulteriori aggiornamenti

In aggiunta al deep learning, la release R2017b include una serie di aggiornamenti in altre aree importanti, tra cui:

• Analisi dati con MATLAB
  • Un nuovo prodotto Text Analytics Toolbox, datastore estensibile, nuovi grafici e algoritmi di big data per il machine learning e supporto per l’archiviazione dei BLOB di Microsoft Azure.
• Modellazione software in tempo reale con Simulink
  • Modellare gli effetti della pianificazione e implementare componenti plug-in per gli ambienti software
• Verifica e validazione con Simulink
  • Nuovi strumenti per la modellazione dei requisiti, l’analisi di test coverage e la verifica di conformità 

La release R2017b è disponibile da subito in tutto il mondo. Per ulteriori informazioni sull’elenco completo degli aggiornamenti, visitare la pagina della nuova release.