MATLAB Release 2017b(R2017b) 今日正式推出，其中包括MATLAB和Simulink的若干新功能、六款新產品以及對其他 86 款產品的更新和修復補丁。此發行版還添加了新的重要的深度學習功能，可簡化工程師、研究人員及其他領域專家設計、訓練和部署模型的方式。

隨著智能設備和物聯網的發展，設計團隊面臨創造更加智能的產品和應用的挑戰，他們需要自己掌握深度學習技能或依賴其他具有深度學習專長但可能不了解應用場景的團隊。借助 R2017b，工程和系統集成團隊可以將 MATLAB 拓展用于深度學習，以更好地保持對整個設計過程的控制，并更快地實現更高質量的設計。可以通過使用預訓練網絡，協作開發代碼和模型，然后部署到 GPU 和嵌入式設備。使用 MATLAB 可以改進結果質量，同時通過自動化地面實況標記 App 來縮短模型開發時間。

R2017b中的具體深度學習特性、產品和功能包括：

Neural Network Toolbox增加了對復雜架構的支持，包括有向無環圖 (DAG) 和長短期記憶 (LSTM) 網絡，并提供對 GoogLeNet 等流行的預訓練模型的訪問。

Computer Vision System Toolbox中的 Image Labeler 應用現在提供一種方便和交互的方式來標記一系列圖像中的地面實況數據。除對象檢測工作流程外，該工具箱現在還利用深度學習支持語義分割，對圖像中的像素區域進行分類，以及評估和可視化分割結果。

MATLAB深度學習：為自動駕駛的工作流程提供語義分割

新產品GPU Coder可自動將深度學習模型轉換為 NVIDIA GPU 的 CUDA 代碼。內部基準測試顯示，在部署階段為深度學習模型產生的代碼，比 TensorFlow 的性能提高 7倍，比 Caffe2的性能提高4.5 倍。

注：使用 TitanXP GPU 和 Intel(R) Xeon(R) CPU E5-1650 v4 @ 3.60GHz 對 AlexNet 的推理性能執行了內部基準測試。使用的軟件版本是 MATLAB(R2017b)、TensorFlow(1.2.0) 和 Caffe2(0.8.1)。每個軟件的 GPU 加速版本用于基準測試。所有測試均在 Windows 10 上運行。

與 R2017a 推出的功能相結合，可以使用預訓練模型進行遷移學習，包括卷積神經網絡 (CNN) 模型（AlexNet、VGG-16 和 VGG-19）以及來自 Caffe 的模型（包括 Caffe Model Zoo）。可以從頭開始開發模型，包括使用 CNN 進行圖像分類、對象檢測、回歸等。

其他系列更新：

除深度學習外，R2017b 還包括其他關鍵領域的一系列更新，包括：

使用 MATLAB 進行數據分析：一款新 Text Analytics Toolbox 產品、可擴展數據存儲、用于機器學習的更多大數據繪圖和算法，以及 Microsoft Azure Blob 存儲支持

使用 Simulink 進行實時軟件建模：對用于軟件環境的調度效果進行建模并實現可插入式組件

使用 Simulink 進行驗證和確認：用于需求建模、測試覆蓋率分析和合規性檢查的新工具

MathWorks是數學計算軟件領域世界領先的開發商。它所推出的MATLAB是一種用于算法開發、數據分析、可視化和數值計算的程序設計環境，稱為“科學計算的語言”。Simulink是一種圖形環境，可用于對多域動態系統和嵌入式系統進行仿真和基于模型設計。全球的工程師和科學家們都依賴于MathWorks公司所提供的這些產品系列，來加快在汽車、航空、電子、金融服務、生物醫藥以及其他行業的發明、創新及開發的步伐。