Un résumé de mon demi-marathon à Lachine

Le 23 août dernier, j’ai participé à mon quatrième demi-marathon à vie. Cette journée a été spéciale pour moi, car je m’étais fixé l’objectif de réaliser ma course sous la barre des deux heures au demi-marathon de Montréal. Dans mon plan d’entrainement, la course de Lachine est considérée comme un test en vue de la grande course du 20 septembre.

Au mois de janvier passé, j’avais initialement opté pour un demi-marathon de moins de 02:10:00 pour septembre. Toutefois, puisque j’ai réalisé cet objectif en mai passé, j’ai pris la décision de me dépasser et d’y aller pour un demi-marathon sous le 02:00:00.

Ma dernière course datait donc du 10 mai dernier. Il s’était écoulé quinze semaines depuis ma participation à un événement de course. Durant cette période, il a fallu que je travaille sur un plan de transition pour augmenter mon rythme de course à l’entrainement et sur la planification de mon entrainement de dix semaines pour que cela concorde avec le demi-marathon Oasis de Montréal.

Les premières semaines d’entrainement avaient été assez intenses. À l’entrainement, mon rythme de base (6m 10s) était le même que celui que j’ai eu lorsque j’ai complété mon plus récent demi-marathon. C’était la seule façon d’y arriver, n’est-ce pas? Le plan d’entrainement actuel est calibré pour un demi-marathon en 01h 55m. Cela représente une course à un rythme d’environs 05m 27s. Ça commence à être quelque chose!

Le résultat

Sans plus tarder…

J’ai complété la distance du demi-marathon en 01:54:29.5. J’en suis trèèèèèèèèèèèèèèèèès fier! Il s’agit de mon meilleur résultat à vie au demi-marathon. Il est à noter qu’en plus d’avoir réalisé mon meilleur temps, j’ai aussi terminé dans la première moitié des coureurs pour le classement général (270/1067), par genre (217/567) et dans ma catégorie (61/125).

Du progrès

Ce qui me rassure le plus dans ma performance c’est le progrès vis-à-vis mes performances précédentes. Sommairement, cette progression ressemble à ceci:

  • Lachine 2014 : 02:23:39.7
  • Montréal 2014 : 02:29:53.9
  • Châteauguay 2015 : 02:09:20.1
  • Lachine 2015 : 01:54:29.5

Il y a plusieurs façons de regarder les résultats. J’ai retranché trente minutes en comparaison à mon temps de l’an passé à Lachine. J’ai aussi amélioré mon temps de quinze minutes en comparaison avec ma course du début de saison.

La performance en chiffres

lachine-stats

Deux choses sont à noter dans ces statistiques.

  • La constance aura été la clé de mon succès. J’ai maintenu un rythme moyen de 5:25 minutes/km pendant une très grande partie de la course. Les petites pointes représentent les brefs arrêts aux différentes stations d’hydratation.
  • Mon rythme cardiaque a augmenté graduellement pendant toute la course. Il a augmenté jusqu’à 190 BPM à la toute fin de la course.

En une photo

pascal-lachine

Yar! Ça, c’est du coureur!

Le prochain rendez-vous

Ma prochaine compétition sera le 20 septembre pour le demi-marathon au Marathon de Montréal. C’est une course significativement plus difficile que celle de Lachine en raison du dénivelé du parcours.

L’objectif de réaliser le demi-marathon à Montréal en dessous des deux heures est toujours celui que je vise. J’ai bien hâte de voir comment mes jambes vont prendre le coup. L’an passé, il y a quand même eu six minutes entre ma performance de Lachine et de Montréal.

Chose certaine, c’est que je n’ai jamais été aussi préparé et en forme qu’en ce moment. Je m’en vais à cette course avec le moral gonflé à bloc!

Les liens de la semaine – Édition #147

Développement

.NET

Web

Technologie

Science et autres

Rêver plus loin avec Deep Dream

La semaine dernière, lorsque j’ai présenté Google Deep Dream, il a fallu que je prenne une décision éditoriale afin de garder le billet dans une taille raisonnable. Configurer Docker et mettre en place le nécessaire pour « rêver » sur sa première image était déjà une bouchée raisonnable à mastiquer, à mon avis.

Alors, une fois que vous avez Deep Dream, que pouvez-vous faire de plus? DE LA SCIENCE!

Le code source

La plateforme utilisée par Deep Dream pour exécuter le code source permettant de faire fonctionner la machine à rêver est IPython. IPython permet, notamment, d’exécuter de façon interactive du code source Python à même votre navigateur web.

En particulier, avec l’exemple de Deep Dream, des explications sont fournies pour chaque extrait de code source que vous serez invité à exécuter. Parlant de code source, j’ai extrait le code de la page interactive de Deep Dream afin que vous puissiez voir une idée de ce que cela représente.

Je ne crois pas que vous devez être vraiment familier avec Python pour comprendre le fonctionnement sommaire de ce code. La principale chose à savoir avec Python est que l’indentation va servir à identifier un bloc d’exécution. Alors, pas d’accolades comme en C# avec Python.

Des jeux de données supplémentaires

Lorsque vous exécutez Deep Dream dans la machine virtuelle Docker de mon billet précédent, un jeu de données nommé bvlc_googlenet est utilisé. Ce jeu de modèle, mis en place par Google, est reconnu pour sa capacité à reconnaître et classer des images.

Si vous êtes du genre à pousser l’expérience un peu plus loin, vous pouvez télécharger ces modèles de données et les exécuter sur votre instance Deep Dream. Par exemple, bvlc_googlenet et bvlc_alexnet servent des buts différents et donnent des résultants qui sont, en conséquent, différents.

Voici les étapes pour y arriver:

  1. Cloner le repository git https://github.com/BVLC/caffe.git
  2. Copier le contenu du dossier /Models/ dans /deepdream (le répertoire où vous avez mappé le répertoire /src dans la commande de démarrage du conteneur Docker dans les instructions du précédent billet)
  3. Pour chaque jeu de données, se référer aux instructions pour télécharger le fichier à l’extension .caffemodel et le déposer à la racine du dossier du jeu de données que vous désirez utiliser.

Pour modifier le code précédemment cité, afin de faire fonctionner des jeux de données différents, vous devez ajuster les bouts de code suivants:

  • La variable model_path: afin d’y spécifier le répertoire de votre jeu de données (portez attention à l’emplacement débutant par /src
  • La variable param_fn: spécifiez-y le nom de votre fichier .caffemodel
  • La fonction make_step: modifiez le contenu du paramètre end pour un des layers de votre jeu de données. Pour trouver le nom d’un layer, consultez le fichier deploy.prototxt de votre jeu de données. Il s’agit d’un fichier JSON qui contient la définition des layers à votre disposition
  • La fonction deepdream: idem au point précédent.
  • La variable img: spécifiez le nom de l’image que vous désirez utiliser.

Faites de beaux rêves!

Les liens de la semaine – Édition #146

Développement

.NET

Web

Technologie

Science et autres

 

Les liens de la semaine – Édition #145

Développement

.NET

Web

Technologie

Science et autres

 

Suivre

Recevez les nouvelles publications par courriel.

Joignez-vous à 380 autres abonnés