- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
CIFAR-10数据集是一组图像，通常用于训练机器学习和计算机视觉算法。它是机器学习研究中使用最广泛的数据集之一。 CIFAR-10数据集包含10个不同类别的60,000个32x32彩色图像。 10个不同的类别代表飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船和卡车。每个类别有6000张图片，该数据集共有5万张训练图片以及1万张测试图片
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
- 方式一：
- 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
- 方式二：
- 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分，在本地进行代码调试的教程请查看[文档中心]
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| FlyAI挑战奖 |
所有挑战者 |
奖金获取标准：60<Score<=100 按照得分比例获取奖金池金额 |
| 新框架奖励 |
所有人 |
项目中首次使用排行榜中未出现的新框架搭建模型，可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练，获取奖金池高额奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦
数据来源
CIFAR10
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据，可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| image_path |
string |
不为空 |
图片的相对路径 |
| label |
float |
大于等于 0, 小于等于 9 |
图片的标注标签 |
| name |
int |
不为空 |
图片上对应的类别 |
参考文献：
[1]Learning Multiple Layers of Features from Tiny Images, Alex Krizhevsky, 2009.
评审标准
算法输入输出格式
输入字段：
image_path,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 60分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为256，循环次数为7000次，通过在线上环境完成训练，模型最优精度评分为96.39。
batch数据为20，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为95.80。
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为94.47。
4
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为93.43。
5
batch数据为200，循环次数为160次，通过在线上环境完成训练，模型最优精度评分为93.38。
6
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为91.47。
7
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为91.29。
8
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为91.08。
9
batch数据为128，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为90.28。
10
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为89.95。
11
batch数据为256，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为88.98。
12
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为88.88。
13
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为88.80。
14
batch数据为36000，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为88.62。
15
batch数据为128，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为87.65。
16
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为86.49。
17
batch数据为128，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为84.30。
18
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为84.18。
19
batch数据为512，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为82.70。
20
batch数据为512，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为82.63。
21
batch数据为256，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为81.08。
22
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为80.75。
23
batch数据为1024，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为79.60。
24
batch数据为128，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为79.46。
25
batch数据为256，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为79.00。
26
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为78.69。
27
batch数据为128，循环次数为160次，通过在线上环境完成训练，模型最优精度评分为78.13。
28
batch数据为32，循环次数为30000次，通过在线上环境完成训练，模型最优精度评分为78.02。
29
batch数据为128，循环次数为240次，通过在线上环境完成训练，模型最优精度评分为77.93。
30
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为77.91。
31
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为77.41。
32
batch数据为100，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为75.47。
33
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为75.43。
34
batch数据为256，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为74.43。
35
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为74.41。
36
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为72.94。
37
batch数据为512，循环次数为30000次，通过在线上环境完成训练，模型最优精度评分为72.91。
38
batch数据为100，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为72.32。
39
batch数据为256，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为70.93。
40
batch数据为128，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为70.83。
41
batch数据为256，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为69.87。
42
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为69.23。
43
batch数据为256，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为68.93。
44
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为67.91。
45
batch数据为256，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为67.67。
46
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为67.10。
47
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为66.89。
48
batch数据为64，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为66.73。
49
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为65.81。
50
batch数据为512，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为64.87。
51
batch数据为256，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为64.32。
52
batch数据为128，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为61.92。
53
batch数据为96，循环次数为8000次，通过在线上环境完成训练，模型最优精度评分为60.53。
54
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为60.35。
55
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为59.13。
56
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为58.58。
57
batch数据为10000，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为58.24。
58
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为57.83。
59
batch数据为50，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为57.51。
60
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为57.03。
61
batch数据为256，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为56.80。
62
batch数据为64，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为55.92。
63
batch数据为64，循环次数为7000次，通过在线上环境完成训练，模型最优精度评分为55.60。
64
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为50.25。
65
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为48.68。
66
batch数据为128，循环次数为1500次，通过在线上环境完成训练，模型最优精度评分为48.52。
67
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为48.19。
68
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为48.07。
69
batch数据为128，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为47.88。
70
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为47.24。
71
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为46.95。
72
batch数据为128，循环次数为512次，通过在线上环境完成训练，模型最优精度评分为45.57。
73
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为41.67。
74
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为41.19。
75
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为41.15。
76
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为37.39。
77
batch数据为256，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为36.39。
78
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为30.74。
79
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为30.72。
80
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为24.51。
81
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为21.93。
82
batch数据为256，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为21.42。
83
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为20.12。
84
batch数据为128，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为16.65。
85
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为13.71。
86
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为12.03。
87
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为11.32。
88
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为11.32。
89
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为11.32。
90
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为10.62。
91
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为10.22。
92
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为10.22。
93
batch数据为128，循环次数为600次，通过在线上环境完成训练，模型最优精度评分为10.05。
94
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为9.75。
95
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为9.59。
96
batch数据为100，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.00。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
98
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为0.00。
99
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
100
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为0.00。
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
102
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
103
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
105
batch数据为512，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为0.00。
106
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为0.00。
107
batch数据为64，循环次数为90次，通过在线上环境完成训练，模型最优精度评分为0.00。
108
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.00。
109
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为0.00。
110
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
111
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为0.00。
112
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
113
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
114
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
115
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
116
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
117
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.00。
- chenfengshf
-
模型得分为95.8，本次获得实时奖励奖金为8元
2020-01-23 17:13:47
- Teenage Dream
-
模型得分为95.65，本次获得实时奖励奖金为36元
2019-04-08 13:53:05
- 无名小辈
-
模型得分为95.02，本次获得实时奖励奖金为191元
2019-04-02 13:20:22
- 小瓶盖子
-
模型得分为18.43，本次获得实时奖励奖金为10元
2019-04-01 19:40:34
- 看你很6哦
-
模型得分为74.35，本次获得实时奖励奖金为10元
2019-04-01 19:04:36
- Rank
-
模型得分为58.96，本次获得实时奖励奖金为10元
2019-04-01 16:39:03
- zhiduanqingchang
-
模型得分为55.92，本次获得实时奖励奖金为10元
2019-04-01 10:52:10
- WayPlus
-
模型得分为54.43，本次获得实时奖励奖金为10元
2019-03-31 23:20:14
- 木鱼
-
模型得分为50.25，本次获得实时奖励奖金为10元
2019-03-31 15:49:59
- ys
-
模型得分为11.03，本次获得实时奖励奖金为10元
2019-03-29 19:52:45
- 火炎焱燚
-
模型得分为10.42，本次获得实时奖励奖金为10元
2019-03-29 18:42:44
- Daiccccc
-
模型得分为24.51，本次获得实时奖励奖金为10元
2019-03-29 16:52:15
- 月之涯
-
模型得分为54.43，本次获得实时奖励奖金为10元
2019-03-29 12:36:10
- Hnecl
-
模型得分为63.04，本次获得实时奖励奖金为10元
2019-03-26 18:56:38
- ziz
-
模型得分为23.69，本次获得实时奖励奖金为10元
2019-03-26 09:23:28
- 乔帮主
-
模型得分为30.74，本次获得实时奖励奖金为10元
2019-03-26 09:07:13
- lkkkkkkkk
-
模型得分为62.64，本次获得实时奖励奖金为10元
2019-03-25 21:19:06
- mj1553236471
-
模型得分为16.79，本次获得实时奖励奖金为10元
2019-03-25 21:09:39
- 篠筱筱
-
模型得分为85.21，本次获得实时奖励奖金为10元
2019-03-25 18:28:19
- 就是很任性
-
模型得分为51.09，本次获得实时奖励奖金为10元
2019-03-22 23:38:27
- LzM_
-
模型得分为59.13，本次获得实时奖励奖金为10元
2019-03-22 15:17:51
- Seeney
-
模型得分为76.99，本次获得实时奖励奖金为10元
2019-03-22 08:17:54
- lyming
-
模型得分为64.87，本次获得实时奖励奖金为10元
2019-03-21 22:58:13
- trick_or_treat
-
模型得分为89.2，本次获得实时奖励奖金为20元
2019-03-21 16:28:36
- cookie
-
模型得分为62.74，本次获得实时奖励奖金为10元
2019-03-21 01:09:13
- 李小白
-
模型得分为47.33，本次获得实时奖励奖金为10元
2019-03-20 13:31:02
- 你猜猜我是谁
-
模型得分为88.63，本次获得实时奖励奖金为235元
2019-03-20 09:02:47
- 你猜猜我是谁
-
模型得分为55.47，本次获得实时奖励奖金为10元
2019-03-20 02:53:04
- Jackko
-
模型得分为70.83，本次获得实时奖励奖金为10元
2019-03-19 11:37:49
- trick_or_treat
-
模型得分为78.65，本次获得实时奖励奖金为51元
2019-03-19 11:25:01
- Hallo
-
模型得分为75.43，本次获得实时奖励奖金为8元
2019-03-19 00:57:58
- Hallo
-
模型得分为74.68，本次获得实时奖励奖金为53元
2019-03-19 00:46:52
- 罐子
-
模型得分为40.04，本次获得实时奖励奖金为10元
2019-03-18 23:18:54
- Hallo
-
模型得分为67.63，本次获得实时奖励奖金为54元
2019-03-18 23:11:13
