深度学习支持
R2017b中的具体深度学习特性、产品和功能包括：
• Neural Network Toolbox增加了对复杂架构的支持，包括有向无环图（DAG）和长短期记忆（LSTM）网络，并提供对 GoogLeNet 等流行的预训练模型的访问。
• Computer Vision System Toolbox中的Image Labeler应用现在提供一种方便和交互的方式来标记一系列图像中的地面实况数据。除对象检测工作流程外，该工具箱现在还利用深度学习支持语义分割、对图像中的像素区域进行分类，以及评估和可视化分割结果。
• 新产品GPU Coder可自动将深度学习模型转换为NVIDIA GPU的CUDA代码。内部基准测试显示，在部署阶段为深度学习模型产生的代码，比TensorFlow的性能提高7倍，比Caffe2的性能提高4.5倍。*
图示：MATLAB深度学习——为自动驾驶的工作流程提供语义分割
与R2017a推出的功能相结合，可以使用预训练模型进行迁移学习，包括卷积神经网络（CNN）模型（AlexNet、VGG-16 和 VGG-19）以及来自Caffe的模型（包括Caffe Model Zoo）。可以从头开始开发模型，包括使用CNN进行图像分类、对象检测、回归等。
“随着智能设备和物联网的发展，设计团队面临创造更加智能的产品和应用的挑战，他们需要自己掌握深度学习技能或依赖其他具有深度学习专长但可能不了解应用场景的团队，”MathWorks的MATLAB市场营销总监David Rich表示，“借助R2017b，工程和系统集成团队可以将MATLAB拓展用于深度学习，以更好地保持对整个设计过程的控制，并更快地实现更高质量的设计。他们可以使用预训练网络，协作开发代码和模型，然后部署到GPU和嵌入式设备。使用MATLAB可以改进结果质量，同时通过自动化地面实况标记App来缩短模型开发时间。”
其他更新
除深度学习外，R2017b 还包括其他关键领域的一系列更新，包括：
• 使用 MATLAB 进行数据分析
o 一款新 Text Analytics Toolbox 产品、可扩展数据存储、用于机器学习的更多大数据绘图和算法，以及 Microsoft Azure Blob 存储支持
• 使用 Simulink 进行实时软件建模
o 对用于软件环境的调度效果进行建模并实现可插入式组件
• 使用 Simulink 进行验证和确认
o 用于需求建模、测试覆盖率分析和合规性检查的新工具
