matlab 2022b
dictionary 对象 将唯一键映射到值以便快速查找
» 深度学习工具箱： 直接导入 PyTorch 模型；将模型导出到 TensorFlow
» Simulink: 将库浏览器停靠在模型中
MATLAB
.NET 引擎 API：从 .NET 应用程序调用 MATLAB
编译工具：创建和运行软件编译任务
App 性能：启动速度更快，图形交互的响应更快
Fuzzy Logic Toolbox - 使用更新后的模糊逻辑设计器以交互方式设计、分析和仿真模糊推理系统 (FIS)，包括二型系统
Computer Vision Toolbox
使用异常检测和分类方法自动化任务
代码生成、GPU 和第三方支持
OpenCV 接口：将 OpenCV 4.5.0 版项目与 MATLAB 集成
使用MATLAB Coder生成 C 和 C++ 代码：支持函数
为NVIDIA GPU Coder生成CUDA代码：支持函数
https://ww2.mathworks.cn/help/vision/release-notes.html
Curve Fitting Toolbox
Simulink：将曲线拟合器结果导出到 Simulink Lookup Table 模块
Instrument Control Toolbox
NI 向量信号收发机：为空口无线测试配置生成器并获取 IQ 数据，以及设计验证工作流
Statistics and Machine Learning Toolbox
实时编辑器任务：按照降维标准降低维度
Simulink：用 KNN 分类器进行预测的模块
Signal Processing Toolbox
预处理：在信号分析器中以交互方式对信号进行滤波和编辑
MATLAB Coder
TensorFlow Lite：为预训练模型生成 C++ 代码，并将它们部署在 Windows 和 Linux 平台
TensorFlow Lite：为预训练模型生成 C++ 代码并在Windows平台上部署
使用(Deep Learning Toolbox)函数将预训练的 TensorFlow™ Lite 模型加载到(Deep Learning Toolbox)对象中。将此对象与 MATLAB 代码中的(Deep Learning Toolbox)函数结合使用，以在 MATLAB 执行、代码生成或Simulink ®模型中的MATLAB Function块内部执行推理。loadTFLiteModelTFLiteModelpredict
要使用此功能，您必须为 TensorFlow Lite 安装 Deep Learning Toolbox™ Interface。有关详细信息，请参阅使用 TensorFlow Lite 模型进行深度学习的先决条件（深度学习工具箱）。有关示例，请参阅：
在主机和 Raspberry Pi （深度学习工具箱）上部署使用 TensorFlow Lite (TFLite) 模型的超分辨率应用程序
为 TensorFlow Lite (TFLite) 模型生成代码并部署在 Raspberry Pi （深度学习工具箱）上
https://ww2.mathworks.cn/help/deeplearning/ug/generate-code-for-tensorflow-lite-model-and-deploy-on-raspberry-pi.html
在 R2022b 中，您可以为这些附加网络生成通用 C/C++ 代码：
yolov3ObjectDetector（计算机视觉工具箱） ——YOLO v3 对象检测器。此功能需要Computer Vision Toolbox™ Model for YOLO v3 Object Detection支持包中的函数。
yolov4ObjectDetector（计算机视觉工具箱） ——YOLO v4 对象检测器。此功能需要用于 YOLO v4 对象检测支持包的计算机视觉工具箱模型中的函数
ssdObjectDetector（计算机视觉工具箱） ——基于 SSD 的对象检测器。
matlab 2022A
TensorFlow Lite：为预训练模型生成 C++ 代码并部署在Linux平台上
在 R2022a 中，您可以使用loadTFLiteModel(Deep Learning Toolbox) 功能将预训练的 TensorFlow™ Lite 模型加载到TFLiteModel(Deep Learning Toolbox) 对象中。将此对象与predict(Deep Learning Toolbox) 函数结合使用，以使用预训练的 TensorFlow Lite 模型执行推理。您可以为该功能生成代码，并在您的 MATLAB 主机或 ARM ®处理器上的 Linux 平台上进行部署。
要使用此功能，您必须为 TensorFlow Lite 安装 Deep Learning Toolbox™ Interface。有关详细信息，请参阅使用 TensorFlow Lite 模型进行深度学习的先决条件(Deep Learning Toolbox)。有关示例，请参阅为 TensorFlow Lite 模型生成代码并在 Raspberry Pi（深度学习工具箱）上部署
https://www.mathworks.com/help/releases/R2022a/deeplearning/ug/generate-code-for-tensorflow-lite-model-and-deploy-on-raspberry-pi.html
CMSIS-NN 库：为量化的深度学习层生成代码并部署在ARM Cortex-M 目标上
Cortex-M MCU 上为深度学习网络生成代码
第三方先决条件
Cortex-M 硬件 - STM32F746G 探索板
CMSIS-NN 库
https://ww2.mathworks.cn/help/releases/R2022a/coder/ug/generate-code-for-quantized-lstm-network-and-deploy-on-cortex-m-target.html
您可以使用 MATLAB Coder 为部署到 Intel® 或 ARM® 处理器的深度学习网络生成 C++ 代码。生成的代码利用针对目标 CPU 进行了优化的深度学习库。硬件和软件要求取决于目标平台。
您还可以使用 MATLAB Coder 为深度学习网络生成泛型 C 或 C++ 代码。这种 C 或 C++ 代码不依赖于任何第三方库。
https://ww2.mathworks.cn/help/releases/R2022a/coder/ug/prerequisites-for-deep-learning-with-matlab-coder.html