CIFAR-10 图片分类预测

分享给好友

2019-01-01 12:00:00
开始提交

2019-01-31 12:00:00
最终提交结束

自由训练

剩余奖金 ¥ 291
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}

$vue{csvName}上传成功
取消 确认提交

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

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!
第三名

Teenage Dream

36.00

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。

2019-04-12 09:41:09

36.00

96.39

第三名

chenfengshf

8.00

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。

2020-01-20 18:18:04

8.00

95.80

第三名

trick_or_treat

71.00

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。

2019-04-04 11:31:37

71.00

94.47

4

isaiah

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。

MXNet

CNN

2019-07-16 00:42:54

93.43

5

YY

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。

2019-07-25 04:11:31

93.38

6

killf

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。

2020-04-18 22:20:58

91.47

7

AHU张雨

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。

2020-07-02 17:28:40

91.29

8

你猜猜我是谁

245.00

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。

torch

CNN

2019-03-20 11:35:27

245.00

91.08

9

Victor Hong

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。

MXNet

ResNet

2019-09-24 09:50:25

90.28

10

sakuranew

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。

2019-06-20 13:35:30

89.95

11

dtrimina

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。

2019-08-05 23:46:06

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。

2019-05-28 11:54:38

88.88

13

VARTAN

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。

2020-02-20 09:58:21

88.80

14

五叶草

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。

2019-04-08 17:23:31

88.62

15

篠筱筱

10.00

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。

2019-03-30 15:18:57

10.00

87.65

16

无......有

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。

2019-04-08 16:15:06

86.49

17

给我两块啊

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。

2019-04-12 08:09:32

84.30

18

Winteriscoming

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。

2019-04-10 16:24:36

84.18

19

蜗牛、Gray

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。

2019-07-10 19:34:17

82.70

20

善假于物

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。

PyTorch

ResNet18

2019-04-03 13:23:03

82.63

21

bestfitting

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。

2019-04-13 14:51:58

81.08

22

搬砖的长工

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。

2019-09-16 16:07:43

80.75

23

kongd

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。

2019-04-04 20:46:29

79.60

24

smooklazz

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。

2019-04-04 11:28:25

79.46

25

李小白

10.00

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。

2019-03-21 18:01:57

10.00

79.00

26

Water

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。

2019-04-16 21:28:12

78.69

27

第七秒的鱼

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。

2020-07-09 19:06:09

78.13

28

Seeney

10.00

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。

2019-03-23 00:22:46

10.00

78.02

29

上山打老鼠

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。

Mxnet

Resnet

2019-08-06 14:45:21

77.93

30

开拓者

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。

2019-10-27 22:06:30

77.91

31

I admit myself

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。

2019-07-20 17:26:18

77.41

32

看你很6哦

10.00

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。

2019-04-02 20:50:22

10.00

75.47

33

Hallo

115.00

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。

2019-03-19 00:57:58

115.00

75.43

34

全群最菜

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。

2019-08-07 09:17:32

74.43

35

Rank

10.00

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。

2019-04-02 16:46:17

10.00

74.41

36

cyh12315

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。

2020-03-24 22:40:57

72.94

37

DDBG

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。

2019-03-19 21:37:21

72.91

38

cnn

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。

2019-07-02 10:49:09

72.32

39

顺子

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。

2019-11-29 17:34:29

70.93

40

Jackko

10.00

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。

2019-03-19 11:37:49

10.00

70.83

41

Swaggy

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。

2019-12-09 17:12:39

69.87

42

lkkkkkkkk

10.00

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。

2019-03-25 22:01:36

10.00

69.23

43

cookie

10.00

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。

2019-03-21 12:35:16

10.00

68.93

44

ROC

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。

2019-04-03 23:07:25

67.91

45

Hnecl

10.00

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。

2019-03-26 22:17:35

10.00

67.67

46

chenyl

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。

2019-04-07 22:39:12

67.10

47

cclxx

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。

2019-04-08 22:55:00

66.89

48

火炎焱燚

10.00

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。

torch

CNN

2019-04-04 20:54:02

10.00

66.73

49

Mengcius

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。

PyTorch

resnet

2019-09-26 01:08:19

65.81

50

lyming

10.00

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。

2019-03-21 22:58:13

10.00

64.87

51

sigmoid

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。

2019-10-13 21:06:59

64.32

52

月之涯

10.00

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。

2019-04-02 23:18:14

10.00

61.92

53

王璐

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。

2019-05-25 22:58:09

60.53

54

小瓶盖子

10.00

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。

2019-04-03 15:08:47

10.00

60.35

55

LzM_

10.00

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。

2019-03-22 15:17:51

10.00

59.13

56

AD.Fu

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。

2019-07-09 19:13:16

58.58

57

莫须有の嚣张

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。

2019-06-25 22:29:59

58.24

58

WayPlus

10.00

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。

2019-04-05 10:11:48

10.00

57.83

59

做自己的唯一

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。

2019-09-06 09:13:02

57.51

60

就是很任性

10.00

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。

2019-03-29 21:51:53

10.00

57.03

61

ziz

10.00

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。

2019-03-26 12:40:39

10.00

56.80

62

zhiduanqingchang

10.00

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。

2019-04-01 10:52:10

10.00

55.92

63

Kit

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。

2019-12-03 12:48:39

55.60

64

木鱼

10.00

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。

2019-03-31 15:49:59

10.00

50.25

65

hiccup

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。

2019-10-13 10:43:12

48.68

66

罐子

10.00

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。

2019-03-21 02:35:27

10.00

48.52

67

ys

10.00

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。

2019-03-29 21:33:15

10.00

48.19

68

mj1553236471

10.00

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。

2019-03-25 21:22:36

10.00

48.07

69

Jeremy

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。

2019-09-16 20:04:01

47.88

70

wrzhenian

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。

2019-07-13 16:12:15

47.24

71

iris

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。

2019-04-04 18:04:21

46.95

72

未名湖畔的落叶

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。

2020-02-20 15:55:14

45.57

73

五月^V^

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。

2019-04-10 12:12:14

41.67

74

不讲5的

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。

2020-12-26 21:10:10

41.19

75

不语

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。

2019-07-10 00:34:29

41.15

76

seven.Qi

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。

2019-04-11 07:53:40

37.39

77

GNU

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。

2020-04-25 22:53:07

36.39

78

乔帮主

10.00

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。

2019-03-26 09:07:13

10.00

30.74

79

huzhong

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。

2019-04-09 16:46:38

30.72

80

Daiccccc

10.00

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。

2019-03-29 16:52:15

10.00

24.51

81

会飞的猪

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。

2019-08-15 10:57:21

21.93

82

第五轻柔

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。

2019-08-19 14:20:20

21.42

83

FlyAI小助手

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。

2020-09-08 20:12:33

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。

2019-04-15 23:43:34

16.65

85

西风古道

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。

2019-11-27 22:51:08

13.71

86

(ಡωಡ)

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。

2019-08-16 11:23:30

12.03

87

这个宇宙不太短

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。

2019-08-05 14:09:20

11.32

88

candyriver

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。

2019-08-11 18:25:02

11.32

89

芦花似雪

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。

2019-08-12 23:48:48

11.32

90

lemonade

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。

2019-09-19 22:41:50

10.62

91

ChangeBio

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。

2019-04-29 20:25:30

10.22

92

参赛小学生

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。

2019-05-08 02:16:59

10.22

93

EnfantImparfait

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。

2019-04-02 22:45:30

10.05

94

一个人的单打独斗

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。

2019-06-15 17:52:50

9.75

95

kuchengcheng

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。

2019-09-04 17:08:38

9.59

96

Demino

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。

2019-08-17 14:59:27

0.00

97

Vincent_609

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。

2019-08-29 14:52:28

0.00

98

chk爱酸奶

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。

2019-09-14 00:44:31

0.00

99

AI小助手

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。

2019-09-17 10:44:20

0.00

100

Honay, King

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。

2019-09-17 12:00:09

0.00

101

Mispore

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。

2019-09-30 17:01:20

0.00

102

信息-杨波

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。

2019-10-28 16:06:04

0.00

103

BeNhNp

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。

2019-11-06 20:01:49

0.00

104

h1566452233

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。

2019-11-17 13:13:09

0.00

105

NOBUG_W

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。

2019-11-22 15:02:59

0.00

106

rhapsody

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。

2019-11-30 16:26:12

0.00

107

ssatcc

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。

2019-12-09 21:44:07

0.00

108

。1577103723

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。

2020-01-08 20:12:13

0.00

109

听雨望风

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。

2020-02-06 19:55:36

0.00

110

demo1582115791

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。

2020-02-19 21:39:43

0.00

111

FFTW

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。

2020-02-28 20:09:00

0.00

112

flyai会员1584096333

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。

2020-03-13 19:02:51

0.00

113

杨泽鹏

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。

2020-07-06 21:15:24

0.00

114

段露洋

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。

2020-08-05 19:18:07

0.00

115

she

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。

2020-11-02 14:56:25

0.00

116

山代王

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。

2020-11-14 22:44:23

0.00

117

指间砂

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。

2021-01-25 16:16:45

0.00

2020-01-23
chenfengshf

模型得分为95.8,本次获得实时奖励奖金为8

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

2019-03-18 23:11:13

讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心