Software: Deep Learning für Design, Training und Modellierung

MathWorks stellt mit dem Release 2017b neue Funktionen für MATLAB und Simulink vor: darunter sechs neue Produkte sowie Updates und Verbesserungen für 86 weitere Produkte. Besonders im Bereich Deep Learning bietet R2017b neue Funktionen, die Ingenieuren, Forschern und Experten helfen, neue Modelle schneller und einfacher zu designen, zu trainieren und zu implementieren.

Mit neuen Updates bietet die Neural Network Toolbox nun Unterstützung für komplexere Architekturen, wie zum Beispiel für gerichtete azyklische Grafen (Directed Acyclic Graph, DAG). Das verbessert die Genauigkeit und bietet die Möglichkeit, auf beliebte bereits vortrainierte Modelle wie GoogLeNet zurückzugreifen. Mit der Integration von Long Short-Term Memory (LSTM)-Netzen können Entwickler über reine Bildklassifikationen hinausgehen und Text klassifizieren sowie Zeitreihen vorhersagen. Somit wird es für Teams nicht nur schneller, sondern auch einfacher, Applikationen und Lösungen mit intelligenten Funktionen zu designen und umzusetzen.

Effizientere Klassifizierung von Bildern und semantische Segmentierung

Eine der aufwendigsten Arbeiten bei der Erstellung neuer Deep-Learning-Modelle ist die Klassifizierung von Bildern zum Trainieren des Programms. Die Image Labeler App der Computer Vision System Toolbox bietet nun eine einfache und interaktive Methode, um Referenzdaten in einer Abfolge von Bildern zu markieren. Neben Workflows für die Objekterkennung unterstützt die App nun auch semantische Segmentierung. So können zum Beispiel mithilfe von Deep Learning Pixelbereiche in Bildern klassifiziert werden oder Segmentierungsergebnisse bewertet und visualisiert werden.

Zusätzlich können zusammen mit den in R2017a vorgestellten Features vortrainierte Modelle für das Transfer Learning verwendet werden, darunter neuronale Faltungsnetzwerk-(CNN)-Modelle (AlexNet, VGG-16 und VGG-19) sowie Modelle aus Caffe (inklusive Caffe Model Zoo). Modelle können auch komplett neu erstellt werden, indem man CNNs für die Bildklassifizierung, Objekterkennung, Regression und mehr nutzt.

Schnelligkeit in der Implementierung

Der GPU Coder ist ein neues Produkt, das Deep-Learning-Modelle automatisch in CUDA-Code für NVIDIA GPUs konvertiert. Ein Grund für den anhaltenden Trend zu Deep Learning ist die enorme Verbesserung der GPU-Leistung, die allein in den letzten drei Jahren um den Faktor 60 gestiegen ist. Um diese Leistung auch für Deep-Learning-Modelle nutzen zu können, stellt der GPU Coder eine automatische Umwandlung zu CUDA-Code bereit. Somit kann der Code direkt auf NVIDIA GPUs ausgeführt werden, was eine Verarbeitung von bis zu 3'000 Bildern pro Sekunde erlaubt.
Interne Benchmarks zeigen, dass der generierte Code für die Deep-Learning-Inferenz für bereitgestellte Modelle eine bis zu 7-mal bessere Leistung als TensorFlow erreicht und eine 4,5-mal bessere Leistung als Caffe2.*

„Mit dem Siegeszug von smarten Geräten und dem Internet der Dinge sehen sich Entwickler vor der Herausforderung, mehr intelligente Geräte und Applikationen zu designen. Dafür müssen sie sich entweder selbst Deep-Learning-Kenntnisse aneignen oder sich auf Expertenteams verlassen, die eventuell die geplante Anwendung oder deren Kontext nicht verstehen“, sagt David Rich, MATLAB Marketing Director bei MathWorks. „Mit Release 2017b können Ingenieure und Systemintegrationsteams den Einsatz von MATLAB für Deep-Learning-Funktionen weiter ausbauen. So behalten sie die Kontrolle über den gesamten Entwicklungsprozess und erreichen schneller qualitativ bessere Design-Ergebnisse. Sie können vortrainierte Netzwerke verwenden, an Code und Modellen zusammenarbeiten und diese auf GPUs und Embedded Systemen bereitstellen. Mit MATLAB können sie die Qualität ihrer Ergebnisse verbessern und zugleich die Entwicklungszeit für die Modelle durch automatisierte Bildkennzeichnung verkürzen.“

Weitere Updates

Neben den Updates für Deep Learning bietet R2017b auch eine Reihe von Neuerungen für andere wichtige Bereiche:

  • Data Analytics mit MATLAB: Die neue Text Analytics Toolbox analysiert und modelliert Textdaten, individuell anpassbare Datastore-Objekte, mehr Big Data-Plots und -Algorithmen für Machine Learning, Unterstützung für die Blob-Speicherung in Microsoft Azure
  • Modellierung von Echtzeit-Software mit Simulink: Modellierung von Scheduling-Effekten und Implementierung von austauschbaren Komponenten für Softwareumgebungen
  • Verifikation und Validierung mit Simulink: Neue Tools für die Modellierung von Anforderungen, das Messen der Testabdeckung und die Einhaltung von Richtlinien und Modellierungsstandards

R2017b ist ab sofort weltweit erhältlich. Mehr Informationen und eine Liste mit sämtlichen Updates finden Sie auf der Website.

* Interne Benchmarks für die Inferenzleistung von AlexNet wurden mit einer TitanXP-GPU und Intel Xeon-CPU E5-1650 v4 mit 3,60 GHz durchgeführt. Die verwendeten Softwareversionen waren MATLAB R2017b, TensorFlow 1.2.0 und Caffe2 0.8.1. Für die Benchmarks wurden die GPU-beschleunigten Versionen der jeweiligen Software verwendet. Alle Tests wurden unter Windows 10 durchgeführt.

Bild: Deep Learning mit MATLAB: Semantische Segmentierung in Workflows für automatisiertes Fahren.

0
RSS Feed

Hat Ihnen der Artikel gefallen?
Abonnieren Sie doch unseren Newsletter und verpassen Sie keinen Artikel mehr.

Mit einem * gekennzeichnete Felder sind Pflichtfelder!

Neuen Kommentar schreiben

Entdecken Sie die Printmagazine des WIN-Verlags