MathWorks annonce la sortie de la version 2017b des familles de produits MATLAB et Simulink

MathWorks a présenté aujourd’hui la version 2017b (R2017b), qui inclut de nouvelles fonctionnalités dans MATLAB et Simulink, six nouveaux produits, ainsi que des mises à jour et des correctifs d’erreurs pour 86 autres produits. La nouvelle version apporte de nouvelles capacités en matière de Deep Learning, simplifiant la conception, l’apprentissage et le déploiement des modèles.

Le Deep Learning avec MATLAB

La version R2017b inclut des fonctionnalités, produits et capacités spécifiques au Deep Learning :

• Neural Network Toolbox comporte un meilleur support des architectures complexes, y compris les graphes orientés acycliques (DAG) et réseaux à longues mémoires court-terme (LSTM), et fournit l’accès à des modèles courants préentraînés tels que GoogLeNet.
• L’application Image Labeler dans Computer Vision System Toolbox permet maintenant de labelliser facilement et de manière interactive les données dans une séquence d’images issue de la vérité terrain. Outre les processus de détection d’objets, la toolbox supporte maintenant la segmentation sémantique en utilisant le Deep Learning pour classer les régions de pixels dans les images, et évaluer et visualiser les résultats de la segmentation.
• Le nouveau produit GPU Coder convertit automatiquement des modèles de Deep Learning en code CUDA destiné aux GPU NVIDIA. Des tests internes montrent que le code généré pour les inférences de Deep learning est jusqu’à 7 fois plus performant que TensorFlow et 4.5 fois plus performant que Caffe2 pour les modèles déployés.*

Associés aux fonctionnalités de la version R2017a, les modèles préentraînés peuvent être utilisés pour l’apprentissage par transfert, y compris les modèles de réseaux de neurones à convolution (CNN) (AlexNet, VGG-16, et VGG-19), ainsi que les modèles issus de Caffe (y compris de Caffe Model Zoo). Les modèles peuvent être développés de toute pièce, y compris en utilisant des modèles CNN pour la classification des images, la détection d’objets, la régression, etc.

« Avec l’essor des appareils intelligents et de l’IoT, les équipes de design doivent créer davantage d’applications et de produits intelligents, soit en développant en interne de nouvelles compétences en Deep Learning ou alors en s’appuyant sur d’autres équipes compétentes en Deep Learning, mais qui ne maîtrisent pas forcément le contexte de l’application », déclare David Rich, directeur marketing MATLAB chez MathWorks. « Avec la version R2017b, les équipes d’ingénierie et d’intégration systèmes peuvent étendre leur utilisation de MATLAB au Deep Learning. Elles disposent ainsi d’un meilleur contrôle sur l’intégralité du processus de design pour obtenir plus rapidement un design de meilleure qualité. Ces équipes peuvent utiliser des réseaux préentraînés, collaborer sur le code et les modèles, et déployer le code vers des GPU et dispositifs embarqués. L’utilisation de MATLAB améliore la qualité des résultats tout en réduisant le temps de développement des modèles grâce à l’automatisation de la labellisation des données issues de la vérité terrain. »

Autres mises à jour

Outre le Deep Learning, la version R2017b inclut également une série de mises à jour concernant d’autres domaines clés, y compris :

• Le data analytics avec MATLAB
  • Un nouveau produit, Text Analytics Toolbox, un conteneur de données extensible, plus de fonctions de visualisation de big data et d’algorithmes pour le machine learning, et le support du stockage blob Microsoft Azure.
• La modélisation de logiciel temps réel avec Simulink
  • Modélisation des effets d’ordonnancement et implémentation de composants intégrables pour les environnements logiciels
• La vérification et validation avec Simulink
  • De nouveaux outils pour la modélisation des exigences, l’analyse de la couverture de test et la vérification de la conformité

La version R2017b est disponible dès à présent dans le monde entier. Pour de plus amples informations sur la liste complète des mises à jour, consultez la page de la nouvelle version.