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。
88
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。
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10.22。
90
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10.07。
91
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。
92
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。
93
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。
2020-01-23
- 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
2019-04-08
- 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
2019-04-02
- 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
2019-04-01
- 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
2019-04-01
- 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
2019-03-31
- 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
2019-03-29
- 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
2019-03-26
- 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
2019-03-26
- 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
2019-03-25
- 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
2019-03-22
- 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
2019-03-22
- 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
2019-03-21
- 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
2019-03-21
- 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
2019-03-20
- 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
2019-03-20
- 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
2019-03-19
- 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
2019-03-19
- 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