Mathworks renforce l’apprentissage profond de ses outils

Rédigé par  jeudi, 04 octobre 2018 15:48

Dans leur version R2018b, Matlab et Simulink intègrent désormais la nouvelle boîte à outils Deep Learning.

L’américain Mathworks, l’éditeur de logiciels pour les calculs mathématiques (Matlab et Simulink), vient de mettre sur le marché leurs versions R2018b. Ils intègrent désormais des améliorations importantes dans le domaine de l’apprentissage profond (deep learning), avec de nouvelles fonctionnalités et la correction de bugs.

La nouvelle boîte à outils Deep Learning, qui remplace la Neural Network, fournit aux ingénieurs et aux scientifiques un cadre (framework) pour la conception et l’implémentation de réseaux de neuraux profonds. Les ingénieurs de traitement d’image, de vision, de traitement de signal et de systèmes peuvent désormais utiliser bien plus facilement Matlab pour des architectures complexes et améliorer les performances de leurs modèles.

Après avoir rejoint la communauté ONNX, Mathworks a intégré le nouveau convertisseur ONNX dans la version R2018b, ce qui permet l’importation et l’exportation de modèles depuis un framework supporté, tels que PyTorch, MxNet et TensorFlow.

« Désormais, les novices et les experts de l'apprentissage profond peuvent apprendre, appliquer et mener des recherches avancées avec Matlab en utilisant un flux de travail intégré, de la recherche au prototype en passant par la production », explique David Rich, directeur du marketing Matlab chez MathWorks.

Connectez-vous pour commenter

logo_80ans

02/09/2020 - 03/09/2020
Expobiogaz
03/09/2020 - 04/09/2020
Sido
16/09/2020 - 17/09/2020
Analyse industrielle
23/09/2020 - 24/09/2020
IoT World + MtoM Embedded
23/09/2020 - 24/09/2020
Microwave & RF
29/09/2020 - 01/10/2020
Carrefour des fournisseurs de l’industrie agroalimentaire (CFIA)
29/09/2020 - 01/10/2020
Sepem Industrie Avignon/Forum de l'électronique
07/10/2020 - 08/10/2020
Forum Labo
14/10/2020 - 15/10/2020
Mesures Solutions Expo

Non classé
Memograph M RSG45

L'enregistreur graphique évolué est un système flexible et performant pour l'organisation des valeurs [...]

Pour communiquer sur vos produits,
Nathalie HEURLIN
Chef de publicité
n.heurlin@mesures.com - 02.98.27.79.99
  • Indicateurs Atex/IECEx Ex eb Indicateurs Atex/IECEx Ex eb
    Certifiés Atex et IECEx Ex eb Zones 1 et 2, les indicateurs 4-20 mA Hart alimentés par la boucle BA304SG et BA324SG de Beka représentent des alternatives plus économiques aux indicateurs antidéflagrants Ex d, sans mettre en œuvre une barrière Zener ou un isolateur.
    Lire la suite >
  • Transmetteur de pression Transmetteur de pression
    Krohne a ajouté le transmetteur de pression Optibar PM 3050, en remplacement de l’Optibar P 3050, pour les applications de mesure de pression et de niveau sur des gaz, des liquides ou des vapeurs, dans de nombreuses industries (Atex et IECEx Ex ia, 3A, EHEDG…).
    Lire la suite >
  • Détecteurs de niveau à lames vibrantes Détecteurs de niveau à lames vibrantes
    La nouvelle génération des détecteurs à lames vibrantes Liquiphant FTL51B d’Endress+Hauser communique désormais en Bluetooth, avec l'application propriétaire SmartBlue (Android et iOS).
    Lire la suite >
Repliement de spectres

La transformée de Fourier permet d'obtenir le spectre en fréquence d'un signal. Lorsque l'on numérise un signal et que l'on calcule son spectre, on obtient le spectre du signal, mais aussi une duplication de ce spectre en un nombre infini (du moins en théorie) d'exemplaires. Les différents spectres obtenus sont centrés autour des différents multiples de la fréquence d'échantillonnage (Fe, 2 Fe, 3 Fe, etc.). Si le théorème de Shannon a été respecté (voir définition de ce terme), c'est-à-dire si la fréquence d'échantillonnage est au moins deux fois plus élevée que la fréquence maximale contenue dans le signal, il suffit de faire un filtrage autour de ± Fe/2 pour obtenir le spectre du signal.

Si par contre le théorème de Shannon n'est pas respecté, les différents spectres répliqués se recouvrent "sur les bords" et au niveau des zones de recouvrement, les spectres s'additionnent. Tout se passe comme s'il y avait un repliement du spectre sur lui-même. Le spectre restitué après filtrage ne correspond donc pas totalement au spectre réel du signal et les analyses sont donc faussées. Plus le recouvrement est important, moins le spectre restitué correspond au spectre réel du signal.