【51CTO.com原创稿件】随着技术的不断成熟，人工智能开始应用于生活中的方方面面，从智能音箱、自动驾驶到智慧城市、智慧医疗等等，人工智能无处不正，英特尔、英伟达、联想、浪潮、百度、谷歌等大牌厂商都积极投入到人工智能领域的研发当中，希望能够把握先机，夺取竞争优势。
谈到人工智能，就不得不提深度学习，它颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，渐渐形成了一种从训练数据出发，经过一个端到端的模型直接输出得到最终结果的一种新模式。在深度学习工具方面，基于开源架构的方案并不少见，像英特尔的BigDL等。作为一家软件公司，MATLAB在今年9月份正式推出了***的R2017b版本专注于深度学习，据MathWorks陈建平介绍，新版本把深度学习的整个流程全都补齐了，无需离开MATLAB 开发环境，即可完成从数据获取到应用部署的完整流程。
深度学习不是一个特别容易的技术
虽然深度学习技术有着诸多优势，普及速度也相当快，包括语音识别，语义分析等都已经用上深度学习的能力，但是由于其在整个行业中刚刚开始应用，是难学难精的技术。陈建平认为，深度学习的具体应用并不是非常容易，特别是从头开始训练一个全新的深度模型。他表示，很多企业并没有从头开发深度学习应用的时间和能力，而对于做深度学习的技术工程师来讲又缺乏相应的领域知识;因此，怎么把两者结合到一起，是深度学习落地的价值所在。除此之外，由于深度学习的开发流程长，从数据获取到学习模型再到产出结果，如何将整个链条打通，也是企业面临的***困难。
MATLAB R2017b，让深度学习变得易学好用
虽然深度学习比机器学习更高效也更加精准，但在深度学习技术的应用上，仍然面临着诸多的挑战。陈建平认为，深度学习当前主要面临着三个方面的挑战：一是如何快速精准的给数据打标签;二是怎样获取和训练***的模型;三是如何将应用部署到新的系统上去。
陈建平表示，MATLAB提供了完整的解决方案，从数据来源及数据预处理到建立模型再到模型的训练，以及将训练好的模型部署到实际的运行环境中，新的R2017b一次性把整个链条打通。此外，在深度学习的每一个阶段，MATLAB都提供了一些实用工具，去帮助开发者降低开发难度。
在数据提取阶段，MATLAB提供了自动标签工具，能够自动实现语义分割，自动完成图像提取。在模型训练阶段，MATLAB提供了众多现成的模型让开发者使用，并支持多个GPU同时进行训练。此外，还能够跟踪整个训练过程中的中间结果。在部署阶段，R2017b提供了全新的GPUCoder，它能够将训练的深度模型转化成能够运行到NVIDIA GPU上的CUDA代码，并将它部署到硬件之中去。
除了打通深度学习的全部链条和提供了丰富的实用工具之外，MATLAB还大幅提高了模型训练的效率。据陈建平介绍， MATLAB通过并行计算工具箱支持多块GPU同时训练，还支持云端多GPU训练，因此能够大幅提升训练效率。另外，数据显示，通过GPU Coder 把深度模型转化为CUDA 代码，相比较TensorFlow推断效率将提高7倍，相比较Caffe2的推断效率将提升4.5倍。
写在***：
MATLAB以好学、易用和丰富的工具箱深受开发者喜爱，本次R2017b的发布，非但补齐了其在深度学习方面的短板，而且强大且丰富的实用工具加快了深度学习的开发效率，让深度学习的技术能够更快的得以应用。对于开发者来讲，新版本上手同样没有任何的难度，这无疑加速了深度学习技术的普及，让更多的企业受益。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
