【51CTO.com原創稿件】隨著技術的不斷成熟，人工智能開始應用于生活中的方方面面，從智能音箱、自動駕駛到智慧城市、智慧醫療等等，人工智能無處不正，英特爾、英偉達、聯想、浪潮、百度、谷歌等大牌廠商都積極投入到人工智能領域的研發當中，希望能夠把握先機，奪取競爭優勢。

　　談到人工智能，就不得不提深度學習，它顛覆了語音識別、圖像分類、文本理解等眾多領域的算法設計思路，漸漸形成了一種從訓練數據出發，經過一個端到端的模型直接輸出得到最終結果的一種新模式。在深度學習工具方面，基于開源架構的方案并不少見，像英特爾的BigDL等。作為一家軟件公司，MATLAB在今年9月份正式推出了***的R2017b版本專注于深度學習，據MathWorks陳建平介紹，新版本把深度學習的整個流程全都補齊了，無需離開MATLAB 開發環境，即可完成從數據獲取到應用部署的完整流程。

　　深度學習不是一個特別容易的技術

　　雖然深度學習技術有著諸多優勢，普及速度也相當快，包括語音識別，語義分析等都已經用上深度學習的能力，但是由于其在整個行業中剛剛開始應用，是難學難精的技術。陳建平認為，深度學習的具體應用并不是非常容易，特別是從頭開始訓練一個全新的深度模型。他表示，很多企業并沒有從頭開發深度學習應用的時間和能力，而對于做深度學習的技術工程師來講又缺乏相應的領域知識;因此，怎么把兩者結合到一起，是深度學習落地的價值所在。除此之外，由于深度學習的開發流程長，從數據獲取到學習模型再到產出結果，如何將整個鏈條打通，也是企業面臨的***困難。

　　MATLAB R2017b，讓深度學習變得易學好用

　　雖然深度學習比機器學習更高效也更加精準，但在深度學習技術的應用上，仍然面臨著諸多的挑戰。陳建平認為，深度學習當前主要面臨著三個方面的挑戰：一是如何快速精準的給數據打標簽;二是怎樣獲取和訓練***的模型;三是如何將應用部署到新的系統上去。

　　陳建平表示，MATLAB提供了完整的解決方案，從數據來源及數據預處理到建立模型再到模型的訓練，以及將訓練好的模型部署到實際的運行環境中，新的R2017b一次性把整個鏈條打通。此外，在深度學習的每一個階段，MATLAB都提供了一些實用工具，去幫助開發者降低開發難度。

　　在數據提取階段，MATLAB提供了自動標簽工具，能夠自動實現語義分割，自動完成圖像提取。在模型訓練階段，MATLAB提供了眾多現成的模型讓開發者使用，并支持多個GPU同時進行訓練。此外，還能夠跟蹤整個訓練過程中的中間結果。在部署階段，R2017b提供了全新的GPUCoder，它能夠將訓練的深度模型轉化成能夠運行到NVIDIA GPU上的CUDA代碼，并將它部署到硬件之中去。

　　除了打通深度學習的全部鏈條和提供了豐富的實用工具之外，MATLAB還大幅提高了模型訓練的效率。據陳建平介紹， MATLAB通過并行計算工具箱支持多塊GPU同時訓練，還支持云端多GPU訓練，因此能夠大幅提升訓練效率。另外，數據顯示，通過GPU Coder 把深度模型轉化為CUDA 代碼，相比較TensorFlow推斷效率將提高7倍，相比較Caffe2的推斷效率將提升4.5倍。

　　寫在***：

　　MATLAB以好學、易用和豐富的工具箱深受開發者喜愛，本次R2017b的發布，非但補齊了其在深度學習方面的短板，而且強大且豐富的實用工具加快了深度學習的開發效率，讓深度學習的技術能夠更快的得以應用。對于開發者來講，新版本上手同樣沒有任何的難度，這無疑加速了深度學習技術的普及，讓更多的企業受益。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】