- 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
命名实体识别,英文简称NER,主要任务是识别文本中具有特定意义的实体,主要包括人名、地名、机构名称、专有的名词等,以及关于时间、数量、货币、比例数值等文字。
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
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) |
参与奖(总奖金30%) |
所有人 |
不同得分区间获得相应的竞赛奖金 |
突破奖(总奖金20%) |
所有人 |
更新排行榜得分,获取相应竞赛奖金 |
排名奖(总奖金50%) |
第一周/月前3名(冠、亚、季军) |
项目上线第一周、第一个月; Time_P(周) = 0.5,Time_P(月) = 0.5;K1=0.5,K2=0.3,K3=0.2; |
不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练,获取奖金池奖金。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
NER_new
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。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
source |
string |
不为空 |
句子 |
target |
string |
不为空 |
标签 |
参考文献:
[1]NER
评审标准
算法输入输出格式
输入字段:
source,
输出字段:
target,
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 80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48,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86.35。
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84.87。
batch数据为12,循环次数为11次,通过在线上环境完成训练,模型最优精度评分为84.57。
4
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83.33。
5
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82.81。
6
batch数据为1,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82.12。
7
batch数据为32,循环次数为8次,通过在线上环境完成训练,模型最优精度评分为80.59。
8
batch数据为32,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为80.17。
9
batch数据为16,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为78.23。
10
batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为77.95。
11
batch数据为16,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77.66。
12
batch数据为64,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77.35。
13
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76.99。
14
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76.67。
15
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76.51。
16
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76.32。
17
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75.58。
18
batch数据为50,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75.43。
19
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75.42。
20
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75.29。
21
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75.08。
22
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74.73。
23
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74.53。
24
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74.33。
25
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74.33。
26
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74.33。
27
batch数据为100,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74.33。
28
batch数据为128,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74.33。
29
batch数据为64,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74.33。
30
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74.33。
31
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74.33。
32
batch数据为256,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74.33。
33
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74.33。
34
batch数据为500,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74.33。
35
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74.33。
36
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74.33。
37
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74.33。
38
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74.33。
39
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为74.33。
40
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74.33。
41
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74.33。
42
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74.33。
43
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74.33。
44
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74.33。
45
batch数据为12,循环次数为11次,通过在线上环境完成训练,模型最优精度评分为74.33。
46
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74.33。
47
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74.33。
48
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74.33。
49
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74.33。
50
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74.33。
51
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74.33。
52
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74.33。
53
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74.33。
54
batch数据为128,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74.33。
55
batch数据为64,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74.33。
56
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74.33。
57
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74.33。
58
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74.33。
59
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74.33。
60
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74.33。
61
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74.33。
62
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74.33。
63
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74.33。
64
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74.33。
65
batch数据为256,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74.33。
66
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74.33。
67
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74.33。
68
batch数据为256,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74.33。
69
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74.33。
70
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74.33。
71
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为74.33。
72
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74.33。
73
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74.33。
74
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74.33。
75
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74.33。
76
batch数据为64,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74.33。
77
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74.33。
78
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74.33。
79
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74.33。
80
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74.33。
81
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74.33。
82
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74.33。
83
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74.33。
84
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74.33。
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74.33。
86
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74.33。
87
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为74.33。
88
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74.33。
89
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74.33。
90
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74.33。
91
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74.33。
92
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74.33。
93
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74.33。
94
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74.33。
95
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74.33。
96
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74.33。
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74.33。
98
batch数据为512,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74.33。
99
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74.33。
100
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74.33。
101
batch数据为12,循环次数为11次,通过在线上环境完成训练,模型最优精度评分为74.33。
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74.33。
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74.33。
104
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74.33。
105
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74.33。
106
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74.33。
107
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74.33。
108
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74.33。
109
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74.33。
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74.33。
111
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74.33。
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74.33。
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74.33。
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74.33。
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74.33。
116
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74.33。
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74.33。
118
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74.33。
119
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74.33。
120
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74.33。
121
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74.33。
122
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74.33。
123
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74.33。
124
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74.33。
125
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74.33。
126
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74.33。
127
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74.33。
128
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74.33。
129
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74.33。
130
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74.33。
131
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74.33。
132
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74.33。
133
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74.33。
134
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74.33。
135
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74.33。
136
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74.33。
137
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74.33。
138
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74.33。
139
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74.33。
140
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74.33。
141
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74.33。
142
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74.33。
143
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74.33。
144
batch数据为64,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74.33。
145
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74.33。
146
batch数据为64,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74.33。
147
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74.33。
148
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74.33。
149
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74.33。
150
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74.33。
151
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74.33。
152
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74.33。
153
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74.33。
154
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74.33。
155
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74.33。
156
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74.33。
157
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74.33。
158
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74.33。
159
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74.33。
160
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74.33。
161
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74.33。
162
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74.33。
163
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74.33。
164
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74.33。
165
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74.33。
166
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74.33。
167
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74.33。
168
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74.33。
169
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74.33。
170
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74.33。
171
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74.33。
172
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73.68。
173
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73.49。
174
batch数据为128,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72.40。
175
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72.20。
176
batch数据为128,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71.95。
177
batch数据为64,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为71.60。
178
batch数据为16,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71.09。
179
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69.28。
180
batch数据为128,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69.28。
181
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69.24。
182
batch数据为256,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69.07。
183
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68.98。
184
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67.92。
185
batch数据为64,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67.46。
186
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67.02。
187
batch数据为64,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66.20。
188
batch数据为1024,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63.53。
189
batch数据为1024,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63.27。
190
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56.10。
191
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55.87。
192
batch数据为1024,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为54.60。
193
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53.46。
194
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28.61。
195
batch数据为1,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13.76。
196
batch数据为256,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11.63。
197
batch数据为64,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0.00。
2019-10-21
- 雨中冰言
-
模型得分为86.35,本次获得实时奖励奖金为24元
2019-10-21 11:36:14
- 雨中冰言
-
模型得分为85.49,本次获得实时奖励奖金为23.5元
2019-10-21 11:35:21
2019-09-23
- julymin
-
模型得分为84.87,本次获得实时奖励奖金为7元
2019-09-23 11:21:48
- julymin
-
模型得分为84.56,本次获得实时奖励奖金为30元
2019-09-23 11:14:40
2019-09-09
- NLP-Learner
-
模型得分为83.33,本次获得排名奖奖金为375元
2019-09-09 11:23:35
- sakuranew
-
模型得分为84.57,本次获得排名奖奖金为625元
2019-09-09 11:23:34
- sakuranew
-
模型得分为84.57,本次获得实时奖励奖金为90元
2019-09-09 11:09:16
2019-08-14
- NLP-Learner
-
模型得分为83.33,本次获得排名奖奖金为625元
2019-08-14 15:00:02
- sakuranew
-
模型得分为83.11,本次获得排名奖奖金为375元
2019-08-14 15:00:02
2019-08-12
- NLP-Learner
-
模型得分为83.33,本次获得实时奖励奖金为23元
2019-08-12 12:31:15
- sakuranew
-
模型得分为82.24,本次获得实时奖励奖金为25元
2019-08-12 12:09:53
2019-08-09
- sakuranew
-
模型得分为80.62,本次获得实时奖励奖金为3.75元
2019-08-09 16:07:08
2019-08-08
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:31
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:31
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:30
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:30
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:30
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:30
- NLP-Learner
-
模型得分为80.93,本次获得实时奖励奖金为12元
2019-08-08 12:04:22
- NLP-Learner
-
模型得分为80.25,本次获得实时奖励奖金为187元
2019-08-08 12:03:29