R2017b에는 ‘매트랩’ 및 ‘시뮬링크’의 새로운 기능과 6개의 신제품, 기타 86개 제품에 대한 업데이트 및 버그 수정이 포함된다. 또한 이번 R2017b에는 엔지니어, 연구원 및 기타 도메인 전문가가 모델을 설계, 교육 및 배포하는 방식을 간소화하는 새로운 딥러닝 주요 기능이 추가됐다.

‘뉴럴 네트워크 툴박스(Neural Network Toolbox)’에는 방향성 비사이클 그래프(DAG) 및 장단기메모리(LSTM) 네트워크를 비롯한 복합 아키텍처에 대한 지원이 추가됐다. 또한 구글넷(GoogLeNet) 등의 잘 알려진 사전 학습 모델에 액세스할 수 있다.

‘컴퓨터 비전 시스템 툴박스(Computer Vision System Toolbox)’의 ‘이미지 라벨러(Image Labeler)’ 앱에서는 연속적 이미지에서 지상 실측 데이터에 레이블을 지정하는 대화형 방식이 제공된다. 또한 객체 감지 워크플로 외에도 딥러닝을 사용해 이미지의 픽셀 영역을 분류하고 분할 결과를 평가 및 시각화할 수 있는 ‘시맨틱 분할(Symantic Segmentation)’을 지원한다.

신제품인 ‘GPU 코더(GPU Coder)’는 딥러닝 모델을 엔비디아(NVIDIA) GPU용 ‘쿠다(CUDA)’ 코드로 자동 변환한다. 딥러닝 추론용으로 생성된 코드는 배포된 모델에서 ‘카페2(Caffe2)’보다 성능이 최대 4.5배 향상됐으며, 텐서플로우(TensorFlow)보다 성능이 7배 향상됐다.

R2017a에 도입된 기능과 더불어, 사전 학습 모델은 알렉스넷(AlexNet), VGG-16 및 VGG-19를 포함한 컨벌루션 신경망(Convolutional Neural Network, CNN) 모델은 물론, 카페 모델 주(Caffe Model Zoo)를 포함한 카페 모델 등의 전이 학습에 사용할 수 있다. 또한, CNN을 사용한 이미지 분류, 객체 감지 및 회귀 등의 여러 모델링을 처음부터 개발할 수 있다.

데이비드 리치(David Rich) 매스웍스 매트랩마케팅책임자는 “R2017b를 통해 기업의 엔지니어링 팀과 시스템 통합 팀은 전체 설계 프로세스에 대한 제어력을 강화하고 고품질 설계를 구현할 수 있다”며, “또한 ‘매트랩’을 사용하면 지상 실측 데이터의 레이블 지정 작업을 자동화함으로써 모델 개발 시간을 단축시키는 동시에 품질을 향상시킬 수 있을 것”이라고 말했다.