- 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
本数据集是Mozilla收集的汉语普通话语音数据集,旨在帮助教会机器真人的说话方式。数据集共包含6234条语音文件,内容涵盖了历史、文学、科学等多方面知识。
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 |
audio_path |
url |
不为空 |
语音文件路径 |
label |
string |
不为空 |
标注 |
参考文献:
[1]无
评审标准
算法输入输出格式
输入字段:
audio_path,
输出字段:
label,
评审指标说明
- 评审参考指标: WER(字错误率,Word Error Rate)
- 最终得分根据词错误率百分比差值计算,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 50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40.93。
batch数据为16,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26.98。
batch数据为2,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4.51。
4
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3.77。
5
batch数据为16,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0.58。
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0.10。
7
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0.05。
8
batch数据为64,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为0.00。
9
batch数据为50,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0.00。
10
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0.00。
11
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0.00。
12
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0.00。
13
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0.00。
14
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。
15
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。
16
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。
17
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。
18
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。
19
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。
20
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。
21
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。
22
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。
23
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。
24
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0.00。
25
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。
26
batch数据为16,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。
27
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。
28
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。
29
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。
30
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。
31
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0.00。
32
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。
33
batch数据为12,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0.00。
34
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。
35
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0.00。
36
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0.00。
37
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。
38
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。
39
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。
40
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0.00。
41
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。
42
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。
43
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。
44
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。
45
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0.00。
46
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。