广告
Mathworks在最新的Matlab和Simulink版本中扩展了深度学习功能
MathWorks推出了Matlab和Simulink的Release 2018b。该版本为深度学习提供了大量增强功能，以及产品系列中的新功能和错误修复。深度学习工具箱取代了网络工具箱，
MathWorks推出了Matlab和Simulink的Release 2018b。该版本为深度学习提供了大量增强功能，以及产品系列中的新功能和错误修复。
深度学习工具箱取代了网络工具箱，为工程师和科学家提供了设计和实现深度神经网络的框架。现在，图像处理，计算机视觉，信号处理和系统工程师可以使用Matlab更轻松地设计复杂的网络架构并提高其深度学习模型的性能。
MathWorks最近加入了Onnx社区，以展示其对互操作性的承诺，实现Matlab用户与其他深度学习框架之间的协作。使用R2018b中的新Onnx转换器，工程师可以从支持的框架（如PyTorch，MxNet和TensorFlow）导入和导出模型。
这种互操作性使得在Matlab中训练的模型能够用于其他框架。类似地，可以将在其他框架中训练的模型引入Matlab，用于调试，验证和嵌入式部署等任务。
此外，Release 2018b提供了一组参考模型，只需一行代码即可访问。此外，其他模型导入器可以使用Caffe和Keras-Tensorflow的模型。
MathWorks的Matlab市场总监David Rich说：“随着深层学习在多个行业中越来越普遍，有必要使其广泛可用、易于获取并适用于具有不同专业背景的工程师和科学家。”
现在，深层学习的新手和专家可以通过使用从研究到原型到生产的集成的深层学习工作流程来学习、应用并利用Matlab进行高级研究。
深度学习工具箱取代了网络工具箱，为工程师和科学家提供了设计和实现深度神经网络的框架。现在，图像处理，计算机视觉，信号处理和系统工程师可以使用Matlab更轻松地设计复杂的网络架构并提高其深度学习模型的性能。
MathWorks最近加入了Onnx社区，以展示其对互操作性的承诺，实现Matlab用户与其他深度学习框架之间的协作。使用R2018b中的新Onnx转换器，工程师可以从支持的框架（如PyTorch，MxNet和TensorFlow）导入和导出模型。
这种互操作性使得在Matlab中训练的模型能够用于其他框架。类似地，可以将在其他框架中训练的模型引入Matlab，用于调试，验证和嵌入式部署等任务。
此外，Release 2018b提供了一组参考模型，只需一行代码即可访问。此外，其他模型导入器可以使用Caffe和Keras-Tensorflow的模型。
MathWorks的Matlab市场总监David Rich说：“随着深层学习在多个行业中越来越普遍，有必要使其广泛可用、易于获取并适用于具有不同专业背景的工程师和科学家。”
现在，深层学习的新手和专家可以通过使用从研究到原型到生产的集成的深层学习工作流程来学习、应用并利用Matlab进行高级研究。
广告
编辑推荐
最新资讯
-
NI×怿星：联合打造行业领先的L4自动驾驶数
2024-05-06 13:57
-
特斯拉FSD自动驾驶方案要点解读
2024-05-06 11:35
-
蔚赫信息储能BMS HiL系统：揭秘能源管理新
2024-05-06 10:49
-
如何规划汽车电子零部件的DV实验
2024-05-06 10:46
-
全国智能网联汽车测试评价行业产教融合共同
2024-05-06 10:41
广告
广告
