Matlab2017b破解版是一款非常好用的商業(yè)數(shù)學(xué)軟件，此版本包括MATLAB和Simulink的若干新功能、六款新產(chǎn)品以及對其他86款產(chǎn)品的更新和修復(fù)補丁，軟件從數(shù)據(jù)標(biāo)注、模型搭建、訓(xùn)練與推斷還有最后的模型部署方面都能夠完整地支持深度學(xué)習(xí)開發(fā)流程。

【功能特點】

　　1、【深度學(xué)習(xí)支持】

　　R2017b中的具體深度學(xué)習(xí)特性、產(chǎn)品和功能包括：

　　Neural Network Toolbox增加了對復(fù)雜架構(gòu)的支持，包括有向無環(huán)圖(DAG)和長短期記憶(LSTM)網(wǎng)絡(luò)，并提供對 GoogLeNet 等流行的預(yù)訓(xùn)練模型的訪問。

　　Computer Vision System Toolbox中的Image Labeler應(yīng)用現(xiàn)在提供一種方便和交互的方式來標(biāo)記一系列圖像中的地面實況數(shù)據(jù)。除對象檢測工作流程外，該工具箱現(xiàn)在還利用深度學(xué)習(xí)支持語義分割、對圖像中的像素區(qū)域進行分類，以及評估和可視化分割結(jié)果。

　　新產(chǎn)品GPU Coder可自動將深度學(xué)習(xí)模型轉(zhuǎn)換為NVIDIA GPU的CUDA代碼。內(nèi)部基準(zhǔn)測試顯示，在部署階段為深度學(xué)習(xí)模型產(chǎn)生的代碼，比TensorFlow的性能提高7倍，比Caffe2的性能提高4.5倍。

　　與R2017a推出的功能相結(jié)合，可以使用預(yù)訓(xùn)練模型進行遷移學(xué)習(xí)，包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型(AlexNet、VGG-16 和 VGG-19)以及來自Caffe的模型(包括Caffe Model Zoo)?？梢詮念^開始開發(fā)模型，包括使用CNN進行圖像分類、對象檢測、回歸等。

　　“隨著智能設(shè)備和物聯(lián)網(wǎng)的發(fā)展，設(shè)計團隊面臨創(chuàng)造更加智能的產(chǎn)品和應(yīng)用的挑戰(zhàn)，他們需要自己掌握深度學(xué)習(xí)技能或依賴其他具有深度學(xué)習(xí)專長但可能不了解應(yīng)用場景的團隊，”MathWorks的MATLAB市場營銷總監(jiān)David Rich表示，“借助R2017b，工程和系統(tǒng)集成團隊可以將MATLAB拓展用于深度學(xué)習(xí)，以更好地保持對整個設(shè)計過程的控制，并更快地實現(xiàn)更高質(zhì)量的設(shè)計。他們可以使用預(yù)訓(xùn)練網(wǎng)絡(luò)，協(xié)作開發(fā)代碼和模型，然后部署到GPU和嵌入式設(shè)備。使用MATLAB可以改進結(jié)果質(zhì)量，同時通過自動化地面實況標(biāo)記App來縮短模型開發(fā)時間。” 2、其他更新：

　　除深度學(xué)習(xí)外，R2017b 還包括其他關(guān)鍵領(lǐng)域的一系列更新，包括：

　　使用MATLAB進行數(shù)據(jù)分析

　　o一款新Text Analytics Toolbox 產(chǎn)品、可擴展數(shù)據(jù)存儲、用于機器學(xué)習(xí)的更多大數(shù)據(jù)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

　　o對用于軟件環(huán)境的調(diào)度效果進行建模并實現(xiàn)可插入式組件

　　使用 Simulink 進行驗證和確認(rèn)

　　o用于需求建模、測試覆蓋率分析和合規(guī)性檢查的新工具

　　2、【數(shù)據(jù)標(biāo)注】

　　對于計算機視覺來說，Computer Vision System Toolbox 中的 Ground Truth Labeler app 可提供一種交互式的方法半自動地標(biāo)注一系列圖像。除了目標(biāo)檢測與定位外，該工具箱現(xiàn)在還支持語義分割，它能對圖像中的像素區(qū)域進行分類。陳建平說：「我們現(xiàn)在的標(biāo)注工具可以直接半自動地完成任務(wù)，它可以像 Photoshop 中的魔棒工具一樣自動標(biāo)注出像素層級的類別，我們選中圖片后工具會自動將對象摳出來。在我們完成初始化的圖像語義分割后，工具會使用自動化的手段把后續(xù)行駛過程中的其它元素都摳出來。因為中間和后續(xù)過程都是以機器為主導(dǎo)完成的，所以我們只需要在前期使用少量的人力就能完成整個標(biāo)注過程?！?/p>

　　這種半自動方法確實可以大大提升標(biāo)注的效率，特別是標(biāo)注車道邊界線和汽車邊界框等視覺系統(tǒng)目標(biāo)。在這種自動標(biāo)注框架下，算法可以快速地完成整個數(shù)據(jù)集的標(biāo)注，而隨后我們只需要少量的監(jiān)督與驗證就能構(gòu)建一個精確的數(shù)據(jù)集。如下所示，MATLAB 文檔向我們展示了如何創(chuàng)建車道線自動標(biāo)注。

　　3、【模型構(gòu)建】

　　在模型構(gòu)建方面，Neural Network Toolbox 增加了對復(fù)雜架構(gòu)的支持，包括有向無環(huán)圖（DAG）和長短期記憶（LSTM）網(wǎng)絡(luò)等，并提供對 GoogLeNet 等流行的預(yù)訓(xùn)練模型的訪問方式。陳建平表示：「其實 MATLAB 在 2016 年的時候就已經(jīng)支持一些深度學(xué)習(xí)模型，而現(xiàn)在不僅支持 VGGNet 和 GoogleNet 等流行的預(yù)訓(xùn)練模型，同時還支持使用 Caffe Model Importer 直接從 Caffe 中導(dǎo)入。」

　　因為我們可以直接從 Caffe Model Zoo 中導(dǎo)入各種優(yōu)秀與前沿的模型，所以 MATLAB 在模型方面可以提供廣泛的支持。但直接從 Caffe 中導(dǎo)入模型又會產(chǎn)生一個疑惑，即如果我們在 Python 環(huán)境下使用 Caffe 構(gòu)建了一個模型，那么導(dǎo)入 MATLAB 是不是需要轉(zhuǎn)寫代碼，會不會需要做一些額外的工作以完成導(dǎo)入？對此，陳建平解答到：「假設(shè)我們使用 Python 和 Caffe 完成了一個模型，并保存以 Caffe 格式，那么 Caffe Model Importer 會直接從保存的 Caffe 格式中讀取模型。在這個過程中，Caffe 并不需要為 MATLAB 做額外的工作，所有的轉(zhuǎn)換結(jié)果都是 MATLAB 完成的?！?/p>

　　在導(dǎo)入模型后，我們可以直接使用類似于 Keras 的高級 API 修改模型或重建模型。下面將簡要介紹如何導(dǎo)入預(yù)訓(xùn)練 AlexNet，并修改完成遷移學(xué)習(xí)。

　　首先我們需要導(dǎo)入 AlexNet，如果 Neural Network Toolbox 中沒有安裝 AlexNet，那么軟件會提供下載地址。net =alexnet;net.Layers

　　上面的語句將導(dǎo)入 AlexNet，并如下所示展示整個 CNN 的神經(jīng)網(wǎng)絡(luò)架構(gòu)。其中 MATLAB 會展示所有的操作層，每一層都給出了層級名、操作類型和層級參數(shù)等關(guān)鍵信息。例如第二個操作層『conv1』表示一個卷積運算，該運算采用了 96 個卷積核，每一個卷積核的尺寸為 11×11×3、步幅為 4，該卷積運算采用了padding。

　　這種描述不僅有利于我們了解整個神經(jīng)網(wǎng)絡(luò)的架構(gòu)，同時還有助于調(diào)整架構(gòu)以匹配特定的任務(wù)。由上可知最后的全連接層、softmax 層和分類輸出層是與 ImageNet 任務(wù)相關(guān)聯(lián)的配置，因此我們需要去除這三個層級并重新構(gòu)建與當(dāng)前任務(wù)相關(guān)聯(lián)的層級。MATLAB 可以十分簡潔地實現(xiàn)這一過程：layersTransfer =net.Layers(1:end-3);numClasses =numel(categories(trainingImages.Labels))layers =[layersTransferfullyConnectedLayer(numClasses,'WeightLearnRateFactor',20,'BiasLearnRateFactor',20)softmaxLayerclassificationLayer];

　　由上面的代碼可知我們只提取了 AlexNet 預(yù)訓(xùn)練模型的前 22 層，而后依次新建了全連接層、softmax 層和分類輸出層。完成整個層級重構(gòu)后，剩下的就只需使用以下代碼訓(xùn)練新的模型。其中 trainingImages 為當(dāng)前任務(wù)的訓(xùn)練樣本、layers 為前面修正的層級，而 options 是我們設(shè)置的一組訓(xùn)練參數(shù)，包括優(yōu)化算法、最小批量大小、初始化學(xué)習(xí)率、繪制訓(xùn)練過程和驗證集配置等設(shè)定。

　　由上，我們發(fā)現(xiàn) MATLAB 的深度學(xué)習(xí)代碼非常簡潔，調(diào)用高級 API 能快速完成模型的搭建。陳建平說：「MATLAB 上的高級 API 是一個完整的體系，它們完全是針對深度學(xué)習(xí)而設(shè)計的。當(dāng)然我們還是會用基礎(chǔ)的運算，因為 MATLAB 這么多年的累積可以充分體現(xiàn)在基礎(chǔ)運算上，但是深度學(xué)習(xí)這一套高級 API 確實是新設(shè)計的?！?/p>

　　其實不只是 AlexNet，很多 Caffe 模型都能夠?qū)氲?MATLAB。那么，MATLAB 為什么會選擇 Caffe 作為對接的深度學(xué)習(xí)框架，而不是近來十分流行的 TensorFlow？

　　4、【訓(xùn)練與推斷】

　　對于模型訓(xùn)練來說，最重要的可能就是能支持大規(guī)模分布式訓(xùn)練。因為目前的深度模型都有非常多的參數(shù)和層級，每一次正向或反向傳播都擁有海量的矩陣運算，所以這就要求 MATLAB 能高效地執(zhí)行并行運算。當(dāng)然，我們知道 MATLAB 在并行運算上有十分雄厚的累積，那么在硬件支持上，目前其支持 CPU 和 GPU 之間的自動選擇、單塊 GPU、本地或計算機集群上的多塊 GPU。此外，由于近來采用大批量 SGD 進行分布式訓(xùn)練的方法取得了十分優(yōu)秀的結(jié)果，我們可以使用 MATLAB 調(diào)用整個計算機集群上的 GPU，并使用層級對應(yīng)的適應(yīng)率縮放（Layer-wise Adaptive Rate Scaling/LARS）那樣的技術(shù)快速完成整個模型的訓(xùn)練。

　　在模型訓(xùn)練中，另外一個比較重要的部分就是可視化，我們需要可視化整個訓(xùn)練過程中的模型準(zhǔn)確度、訓(xùn)練損失、驗證損失、收斂情況等信息。當(dāng)然 MATLAB 一直以來就十分重視可視化，在上例執(zhí)行遷移學(xué)習(xí)時，我們也能得到整個訓(xùn)練過程的可視化信息。如下所示，上部分為訓(xùn)練準(zhǔn)確度和驗證準(zhǔn)確度隨迭代數(shù)的變化趨勢，下部分為訓(xùn)練損失和驗證損失隨迭代數(shù)的變化趨勢，該遷移學(xué)習(xí)基本上到第 3 個 epoch 就已經(jīng)收斂。

　　對于推斷來說，新產(chǎn)品 GPU Coder 可自動將深度學(xué)習(xí)模型轉(zhuǎn)換為 NVIDIA GPU 的 CUDA 代碼。內(nèi)部基準(zhǔn)測試顯示，GPU Coder 產(chǎn)生的 CUDA 代碼，比 TensorFlow 的性能提高 7 倍，比 Caffe2 的性能提高 4.5 倍。

　　5、【模型部署】

　　在 MATLAB 部署模型其實也很簡單，MATLAB 很早就支持生成獨立于其開發(fā)環(huán)境的其它語言，比如利用 MATLAB Coder 可以將 MATLAB 代碼轉(zhuǎn)換為 C 或 C++代碼。而該最新版提供了新的工具 GPU Coder，我們能利用它將生成的 CUDA 代碼部署到 GPU 中并進行實時處理，這一點對于應(yīng)用場景是極其重要的。

【破解教程】

　　1、安裝完成后，打開破解文件夾“R2017b”，將將破解補丁復(fù)制到安裝目錄覆蓋源文件

　　將：“R2017b”復(fù)制到\MATLAB目錄下覆蓋源文件

　　將：“l(fā)icense_server.lic”和“l(fā)icense_standalone.lic”復(fù)制到\MATLAB\R2017b\licenses\目錄下

　　2、安裝完成，運行桌面快捷方式就可以體驗新版MATLAB2017B帶來的魅力了