社交网站消息内容分类

分享给好友

2019-06-21 15:00:00
开始提交

2019-07-21 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 1,303
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

此数据集包含超过10000条社交平台Twitter上的推文,其中包括对一些'着火'、'隔离'、'混乱'等关键词的搜索,判断推文内容是否涉及灾难性的事件(这里排除对一些文字、电影评论或者非灾难事件等开玩笑的内容)。

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)
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

DisasterDet

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
text string 不为空 文本
label int 大于等于 0, 小于等于 1 分类标签

参考文献:

[1]Figure Eight

评审标准

算法输入输出格式

输入字段: text,

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 90分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

大木淡漠

468.75

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94.67。

2019-07-01 12:26:11

468.75

94.67

第三名

NLP-Learner

730.50

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90.40。

2019-06-28 08:52:34

730.50

90.40

第三名

凉心半浅良心人

batch数据为32,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85.02。

2019-06-21 20:22:49

85.02

4

未名湖畔的落叶

batch数据为128,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84.38。

2019-06-21 16:54:55

84.38

5

sakuranew

batch数据为16,循环次数为44次,通过在线上环境完成训练,模型最优精度评分为84.24。

2019-06-21 20:00:48

84.24

6

chenfengshf

batch数据为32,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84.15。

2019-12-13 10:25:29

84.15

7

弱鸡瑟瑟发抖

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83.92。

2020-01-23 17:00:22

83.92

8

infinite

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83.73。

2019-12-27 16:22:11

83.73

9

AiFool

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83.27。

2019-07-02 21:18:58

83.27

10

麦小杨

batch数据为16,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83.18。

PyTorch

TextCNN

2019-06-25 23:44:56

83.18

11

yphacker

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82.86。

2019-09-03 04:35:06

82.86

12

ChangeBio

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82.72。

2019-06-24 16:50:06

82.72

13

trickornot

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81.89。

2019-06-22 15:15:39

81.89

14

gboy

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81.76。

2019-06-28 16:10:40

81.76

15

P@tricK

batch数据为64,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81.62。

2019-08-07 15:10:36

81.62

16

瞻彼淇奥

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81.57。

2019-07-17 23:32:01

81.57

17

guoyilin

batch数据为32,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80.74。

2019-07-19 22:31:02

80.74

18

zzy99

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80.65。

2020-01-21 13:14:37

80.65

19

learnFromBest

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80.51。

2019-07-17 20:41:12

80.51

20

岭南水电工

batch数据为128,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为80.19。

torch

bert

2019-07-10 20:22:29

80.19

21

树泉

batch数据为225,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80.10。

2019-12-06 17:28:48

80.10

22

✿ 蒋小米要fighting✿

batch数据为32,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79.37。

2019-06-21 19:12:41

79.37

23

chyang

batch数据为128,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79.04。

2019-06-22 16:06:54

79.04

24

Xin Yao

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78.77。

2019-07-14 15:03:23

78.77

25

快来追我呀

batch数据为1024,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78.58。

2019-06-21 18:38:41

78.58

26

藏锋1558175243

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78.54。

2020-01-05 01:22:12

78.54

27

玖月初识

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78.35。

2019-08-09 19:56:52

78.35

28

zhiduanqingchang

batch数据为256,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78.26。

2019-08-05 12:19:10

78.26

29

RuthlessDragon

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78.26。

2019-12-11 18:10:55

78.26

30

Eternal1565189079

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78.12。

2019-08-07 22:54:29

78.12

31

晨曦

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78.12。

2019-08-29 16:10:47

78.12

32

ljy

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78.12。

2019-09-06 15:16:54

78.12

33

lvlang

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78.12。

2019-09-17 15:37:34

78.12

34

idleuncle

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78.12。

2019-09-18 12:38:22

78.12

35

batch数据为10,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78.12。

2019-09-19 16:57:35

78.12

36

DrLauPen

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78.12。

2019-10-03 15:59:25

78.12

37

星期二

batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为78.12。

2019-10-10 11:48:19

78.12

38

assassination

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78.12。

2019-10-10 15:46:55

78.12

39

sishiwu

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78.12。

2019-10-26 13:54:04

78.12

40

lyzz

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78.12。

2019-11-05 21:24:45

78.12

41

晓东yue

batch数据为32,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78.12。

2019-11-07 15:45:00

78.12

42

黑桃

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78.12。

2019-11-21 14:19:52

78.12

43

15188605521

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78.12。

2019-11-24 20:22:55

78.12

44

0.0呔!

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78.12。

2019-11-25 08:52:50

78.12

45

润°

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78.12。

2019-12-05 10:35:14

78.12

46

€瑜

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78.12。

2019-12-05 14:55:12

78.12

47

Do it

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78.12。

2019-12-19 16:50:59

78.12

48

奔跑中的小新

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78.12。

2019-12-21 15:01:17

78.12

49

twss

batch数据为256,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78.12。

2019-12-22 16:51:25

78.12

50

super +

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78.12。

2019-12-24 13:05:00

78.12

51

空谷幽兰

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78.12。

2020-01-23 17:49:23

78.12

52

Jat Hoi Cheung

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78.12。

2020-01-28 17:40:43

78.12

53

fming

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78.12。

2020-02-21 11:47:09

78.12

54

lsc

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78.12。

2020-03-31 10:45:57

78.12

55

wmqian

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78.12。

2020-04-02 21:53:54

78.12

56

Andy1590413510

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78.12。

2020-05-26 19:31:10

78.12

57

张亚男42013

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78.12。

2020-09-22 16:35:55

78.12

58

趋吉避凶

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78.12。

2020-12-01 15:21:44

78.12

59

宋濠志

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78.12。

2020-12-06 11:00:30

78.12

60

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78.12。

2021-03-12 22:29:17

78.12

61

正在学机器学习的学习机器

batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为78.12。

2021-03-18 11:56:17

78.12

62

nlp-ygq

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77.53。

2019-07-22 14:47:17

77.53

63

newland_tianyan

batch数据为256,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为76.84。

2020-04-09 10:12:41

76.84

64

灵翼侠

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76.52。

2019-07-20 10:29:35

76.52

65

Learning

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76.47。

2019-07-02 23:09:16

76.47

66

linlh

batch数据为1024,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76.42。

2019-07-16 02:39:31

76.42

67

?..

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76.24。

2019-06-21 23:18:45

76.24

68

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75.87。

2019-06-24 10:50:53

75.87

69

Frodo_X

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73.85。

Keras

bert

2019-06-26 17:04:40

73.85

70

Jeremy

batch数据为128,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66.54。

2019-10-14 10:27:43

66.54

71

sblyx

batch数据为512,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58.50。

2019-06-21 20:55:34

58.50

72

Blue

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41.41。

2019-07-11 17:55:40

41.41

73

ykdsir

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29.73。

2019-07-12 12:00:46

29.73

2019-07-21
大木淡漠

模型得分为94.67,本次获得排名奖奖金为312.5

2019-07-21 15:00:01

NLP-Learner

模型得分为90.4,本次获得排名奖奖金为187.5

2019-07-21 15:00:01

2019-07-02
大木淡漠

模型得分为94.67,本次获得实时奖励奖金为156.25

2019-07-02 10:30:01

2019-06-28
NLP-Learner

模型得分为90.4,本次获得排名奖奖金为312.5

2019-06-28 15:00:01

NLP-Learner

模型得分为90.4,本次获得实时奖励奖金为230.5

2019-06-28 12:04:00

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