中文微博的立场检测

分享给好友

2019-08-02 15:00:00
开始提交

2019-09-01 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 5,000
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

本次立场检测任务旨在自动确定微博作者对某一话题赞成给定topic(FAVOR),反对给定topic(AGAINST),或者两者都不是(NONE)。注意到给定topic可能不在微博文本中。这意味着立场检测不同于传统的目标检测/部分情绪分析。

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 无时间限制;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 无时间限制;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,得分超过基线并通过人工审核后可以实时获取奖金。

数据来源

StenceDet

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
ID int 不为空 ID
TARGET string 不为空 topic
TEXT string 不为空 文本内容
STANCE string 不为空 立场分类标签

参考文献:

[1]郑海洋, 高俊波, 邱杰, 焦凤. 基于词向量技术与主题词特征的微博立场检测. 计算机系统应用, 2018, 27(9): 118-123.

[2]周耘立,李珊珊.微博立场检测研究综述.四川大学计算机学院,成都,610065.

[3]白静,李霏,姬东鸿.基于注意力的BiLSTM-CNN中文微博立场检测模型.武汉大学计算机学院,湖北,武汉,430072.

[4]周艳芳,周刚,鹿忠磊.一种基于迁移学习及多表征的微博立场分析方法.数学工程与先进计算国家重点实验室,郑州,450001.

评审标准

算法输入输出格式

输入字段: TARGET, TEXT,

输出字段: STANCE,

评审指标说明

  • 精确率(Precision,简称为P):正确预测为正的占全部预测为正的比例
  • 召回率(Recall,简称为R):正确预测为正的占全部实际为正的比例
  • F1-Score 是精确率和召回率的一种加权平均,它的最大值为1,最小值为0
  • 计算公式如下:
  • 评审计算公式

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

树泉

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81.66。

2019-11-28 13:14:06

81.66

第三名

xsevenx

batch数据为16,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68.21。

2019-12-30 15:22:44

68.21

第三名

NLP-Learner

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67.17。

2019-08-04 18:48:27

67.17

4

DaBing

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67.09。

TensorFlow

BERT+textCNN

2019-11-30 16:32:37

67.09

5

endinggy

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66.57。

2019-12-26 17:32:27

66.57

6

玻纤消光的三叶虫

batch数据为16,循环次数为7次,通过在线上环境完成训练,模型最优精度评分为66.19。

2020-02-05 20:41:25

66.19

7

Calf

batch数据为4,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65.54。

2020-08-09 01:11:20

65.54

8

SHUU

batch数据为16,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65.10。

2019-11-28 16:06:22

65.10

9

鸡毛飞上天

batch数据为16,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为63.93。

2020-01-05 11:57:27

63.93

10

flyai会员1585392774

batch数据为32,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63.89。

2020-06-23 16:29:09

63.89

11

麦小杨

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63.75。

2019-10-11 23:32:36

63.75

12

killf

batch数据为64,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63.73。

Paddle

ERNIE

2019-08-05 01:21:14

63.73

13

乐百事

batch数据为32,循环次数为9次,通过在线上环境完成训练,模型最优精度评分为63.69。

2020-01-09 12:46:14

63.69

14

朱!倩倩

batch数据为32,循环次数为9次,通过在线上环境完成训练,模型最优精度评分为63.56。

2019-10-28 11:57:15

63.56

15

dosonleung

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63.52。

2020-02-11 15:26:39

63.52

16

Jeremy

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63.39。

2019-10-15 21:34:48

63.39

17

凉心半浅良心人

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63.38。

2019-08-01 13:59:51

63.38

18

sakuranew

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63.17。

2019-08-01 14:50:18

63.17

19

Sherlock

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63.09。

2020-02-20 23:09:10

63.09

20

lyzz

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62.27。

2020-03-12 17:37:14

62.27

21

AngelA

batch数据为32,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61.78。

2020-06-15 01:07:36

61.78

22

玖月初识

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61.08。

2019-08-06 19:38:11

61.08

23

夏纪柏榭

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59.77。

2020-06-15 10:39:09

59.77

24

chenfengshf

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59.68。

paddlepaddle

BERT

2019-12-06 09:49:49

59.68

25

做自己的唯一

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59.65。

2019-10-24 15:25:59

59.65

26

Oklahoma

batch数据为32,循环次数为18次,通过在线上环境完成训练,模型最优精度评分为58.40。

2019-08-02 16:32:43

58.40

27

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58.13。

2019-08-19 15:45:31

58.13

28

NLP_Rookie

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56.84。

2020-03-30 21:58:30

56.84

29

机器学渣

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56.52。

2019-08-02 10:40:28

56.52

30

flyahu

batch数据为32,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53.90。

2020-04-06 08:42:28

53.90

31

释然

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53.74。

2019-08-12 02:03:53

53.74

32

AMERICA

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52.71。

2019-10-07 22:32:14

52.71

33

会员1568255337

batch数据为32,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52.25。

2019-09-24 16:32:25

52.25

34

未名湖畔的落叶

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47.98。

torch

BERT

2019-08-03 16:31:58

47.98

35

cong

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47.70。

2019-08-23 11:03:35

47.70

36

‭九件

batch数据为64,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44.88。

TensorFlow

Gated Transformer

2020-03-19 15:37:24

44.88

37

chen_tesdt

batch数据为32,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42.96。

2019-12-29 17:08:56

42.96

38

wxl

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42.40。

2020-01-14 10:04:59

42.40

39

Ouy_Kai

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42.37。

2020-04-22 15:58:48

42.37

40

BMW开空调

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39.17。

2019-08-02 12:22:44

39.17

41

GREENDWOOD

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39.17。

2019-08-02 21:51:00

39.17

42

robotliu0327

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39.17。

2019-08-03 12:52:33

39.17

43

biu.biu.biu

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39.17。

2019-08-03 18:56:16

39.17

44

空谷幽兰

batch数据为500,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39.17。

2019-08-04 01:30:26

39.17

45

陈子浩

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39.17。

2019-08-04 11:40:37

39.17

46

这个宇宙不太短

batch数据为200,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39.17。

2019-08-04 21:24:15

39.17

47

Ian

batch数据为1000,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39.17。

2019-08-06 16:52:48

39.17

48

Meowooo

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39.17。

2019-08-07 16:16:12

39.17

49

红头和尚

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39.17。

2019-08-07 17:03:31

39.17

50

michael...

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39.17。

2019-08-08 15:37:37

39.17

51

呜啦啦啦

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39.17。

2019-08-08 20:23:32

39.17

52

余生有我

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39.17。

2019-08-08 23:06:36

39.17

53

0o0

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39.17。

2019-08-09 23:31:11

39.17

54

白开水

batch数据为100,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39.17。

2019-08-10 19:42:56

39.17

55

208.

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39.17。

2019-08-10 22:14:12

39.17

56

candyriver

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39.17。

2019-08-11 18:20:02

39.17

57

无线不循环

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39.17。

2019-08-23 12:19:42

39.17

58

AiFool

batch数据为64,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39.17。

2019-08-24 07:23:25

39.17

59

qiufengyuyi

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39.17。

2019-08-27 15:56:35

39.17

60

aigame

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39.17。

2019-08-27 17:16:04

39.17

61

修远

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39.17。

2019-08-29 17:43:02

39.17

62

绝缘体

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39.17。

2019-09-05 22:59:50

39.17

63

Ziv

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39.17。

2019-09-09 14:15:12

39.17

64

akeeper

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39.17。

2019-09-12 09:58:36

39.17

65

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39.17。

2019-09-18 12:06:30

39.17

66

向凌阳

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39.17。

2019-09-22 15:35:58

39.17

67

不醒猫

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39.17。

2019-09-29 10:03:48

39.17

68

Leroll

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39.17。

2019-09-30 16:41:16

39.17

69

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39.17。

2019-10-03 16:04:37

39.17

70

Uniquee

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39.17。

2019-10-05 14:26:25

39.17

71

fangh06

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39.17。

2019-10-07 21:38:49

39.17

72

青山不老

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39.17。

2019-10-09 17:52:33

39.17

73

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39.17。

2019-10-09 18:14:22

39.17

74

星期二

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39.17。

2019-10-10 11:42:58

39.17

75

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39.17。

2019-10-12 19:41:22

39.17

76

jkx、

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39.17。

2019-10-20 11:02:40

39.17

77

Ysoretarded

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39.17。

2019-10-21 10:10:26

39.17

78

jumb_high

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39.17。

2019-10-21 18:39:48

39.17

79

柯南

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39.17。

2019-10-21 20:19:01

39.17

80

milkboylyf

batch数据为22,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39.17。

2019-10-21 21:19:28

39.17

81

双层吉士堡

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39.17。

2019-10-22 15:54:45

39.17

82

十九

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39.17。

2019-10-26 16:01:55

39.17

83

左撇子

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39.17。

2019-10-30 16:50:58

39.17

84

夏1564457098

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39.17。

2019-10-31 14:44:50

39.17

85

Redemption

batch数据为16,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39.17。

2019-11-01 11:19:18

39.17

86

AlphaU

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39.17。

2019-11-01 13:37:48

39.17

87

蘅芜风醉

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39.17。

2019-11-01 14:03:32

39.17

88

王浪

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39.17。

2019-11-01 15:28:41

39.17

89

96 °

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39.17。

2019-11-01 22:53:20

39.17

90

朱师傅哈

batch数据为32,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39.17。

2019-11-02 11:12:28

39.17

91

Zmystery

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39.17。

2019-11-04 14:00:48

39.17

92

Tambo。

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39.17。

2019-11-05 21:46:39

39.17

93

Tyler

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39.17。

2019-11-06 13:07:04

39.17

94

DrunKuK

batch数据为32,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39.17。

2019-11-06 15:05:32

39.17

95

klaywen

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39.17。

2019-11-07 20:43:08

39.17

96

天雨龙马

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39.17。

2019-11-11 16:05:41

39.17

97

zk

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39.17。

2019-11-12 17:26:29

39.17

98

AMiFans

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39.17。

2019-11-12 20:06:08

39.17

99

rush_byr

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39.17。

2019-11-13 11:00:54

39.17

100

Pluto1573636641

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39.17。

2019-11-13 17:24:56

39.17

101

Si1573657729

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39.17。

2019-11-13 23:12:10

39.17

102

upas

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39.17。

2019-11-14 13:38:29

39.17

103

帅蛋帅帅

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39.17。

2019-11-15 10:52:21

39.17

104

jieliorz

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39.17。

2019-11-15 14:26:02

39.17

105

凤栖梧桐

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39.17。

2019-11-16 12:33:56

39.17

106

Chory

batch数据为22,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39.17。

2019-11-16 19:52:28

39.17

107

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39.17。

2019-11-18 09:39:50

39.17

108

Rhine

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39.17。

2019-11-19 19:50:19

39.17

109

Hurry.

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39.17。

2019-11-20 11:50:50

39.17

110

Honay, King

batch数据为64,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39.17。

2019-11-20 12:20:58

39.17

111

joleo

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39.17。

2019-11-24 17:24:10

39.17

112

冯黎明

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39.17。

2019-11-24 17:32:04

39.17

113

星星归山

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39.17。

2019-11-25 09:58:57

39.17

114

请叫我小吴

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39.17。

2019-11-25 17:47:22

39.17

115

独奏~Æ

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39.17。

2019-11-26 08:39:29

39.17

116

Axhy

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39.17。

2019-11-26 20:50:00

39.17

117

跟我走吧

batch数据为32,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为39.17。

2019-11-28 10:34:01

39.17

118

北京大枣

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39.17。

2019-11-30 17:26:29

39.17

119

rhapsody

batch数据为32,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39.17。

2019-12-01 19:36:41

39.17

120

Violety

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39.17。

2019-12-01 21:19:03

39.17

121

梓泽

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39.17。

2019-12-01 23:16:41

39.17

122

曹晨臭猪

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39.17。

2019-12-02 20:31:37

39.17

123

颠倒梦想

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39.17。

2019-12-03 09:07:28

39.17

124

有分儿就行

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39.17。

2019-12-04 09:38:32

39.17

125

ai1575436938

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39.17。

2019-12-04 13:35:10

39.17

126

€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39.17。

2019-12-05 14:35:22

39.17

127

浪矢

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39.17。

2019-12-06 14:47:36

39.17

128

白大虾

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39.17。

2019-12-09 20:34:24

39.17

129

flyai会员1575965252

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39.17。

2019-12-10 16:12:23

39.17

130

flyai会员1576049375

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39.17。

2019-12-11 15:35:01

39.17

131

YingbinLi

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39.17。

2019-12-11 19:54:36

39.17

132

认真工作认真陪女盆友

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39.17。

2019-12-12 15:57:46

39.17

133

头重脚轻

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39.17。

2020-01-08 23:29:59

39.17

134

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39.17。

2020-03-22 22:42:38

39.17

135

Starlit

batch数据为64,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39.17。

2020-05-01 16:54:28

39.17

136

灬长相思兮

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39.17。

2020-05-10 16:58:29

39.17

137

吴彦祖

batch数据为500,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39.17。

2020-06-08 18:57:03

39.17

138

Leo

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39.17。

2020-09-12 10:34:35

39.17

139

mu

batch数据为500,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39.17。

2020-11-10 14:43:53

39.17

140

nlp-ygq

batch数据为48,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为35.93。

2019-08-01 17:00:28

35.93

141

菜菜来了

batch数据为1024,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34.21。

2019-08-01 15:07:32

34.21

142

迷途小书童

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24.49。

2019-09-11 02:41:11

24.49

143

chris_zhang

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22.17。

2019-08-02 11:01:14

22.17

144

cnn

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18.93。

2019-08-01 10:55:21

18.93

145

一叶

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18.93。

2019-11-26 09:40:35

18.93

146

xiamaozi11

batch数据为30,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18.76。

2019-08-02 12:11:12

18.76

147

北部湾的落日

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18.76。

2019-08-03 22:44:16

18.76

148

小数定理

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18.76。

2019-08-26 18:00:32

18.76

149

emmm我还没想好

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18.76。

2019-11-06 09:57:28

18.76

150

ahaaaa

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18.76。

2019-11-20 12:51:24

18.76

151

夏拓草

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18.76。

2019-11-26 10:35:26

18.76

152

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7.40。

2020-01-23 17:47:22

7.40

还没有奖金记录哦~ 快去参赛吧!

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