101种食物分类预测竞赛

分享给好友

2019-01-01 15:00:00
开始提交

2019-01-31 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 3,000
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

下载当前代码

您可使用自己熟悉的编辑器实现算法并通过命令行
提交任务到FlyAI云端训练。确认下载体验吗?

$vue{upDataType ? '上传样例压缩包' : '上传代码压缩包' }

请将代码文件压缩为zip格式,文件大小不超过10M 提示:请确认删除"data"⽂件夹后进行上传操作

将文件拖拽至此处或点击此处选择文件

$vue{complete < 99 ? '上传中' : '上传完成'} $vue{complete}

$vue{fileName}
线上GPU运行环境:
FlyAl推荐如下配置,如有问题可手动添加或修改!

GPU环境

深度学习框架

其它依赖

提交
提交

提交确认

设置好参数后点击“确定“发布GPU训练任务

EPOCHS

BATCH SIZE

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

该数据集包含了101个食品类别,其中包含101,000个图像。对于每个类别。注意,训练图像没有清理,因此仍然包含一些噪音。这主要是以强烈的色彩和有时错误的标签形式出现的。所有图像都重新缩放,最大边长为512像素。

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

  • 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。

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:30<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

Food

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
image_path string 不为空 图片的相对路径
labels int 大于等于 0, 小于等于 100 图片的标注
name string 不为空 图片对应的类别

参考文献:

[1]bossard_eccv14_food-101

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: labels,

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 30分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

trick_or_treat

2441.00

batch数据为64,循环次数为350次,通过在线上环境完成训练,模型最优精度评分为83.71。

2019-03-26 16:34:29

2441.00

83.71

第三名

Zkk_hhh

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83.48。

2019-09-29 11:43:44

83.48

第三名

saber666

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78.25。

2019-11-25 21:46:41

78.25

4

玄学上分

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77.95。

2019-03-28 04:32:21

10.00

77.95

5

Teenage Dream

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75.89。

2019-04-07 10:53:47

75.89

6

大木淡漠

batch数据为32,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75.36。

2019-05-25 08:19:22

75.36

7

善假于物

10.00

batch数据为32,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75.28。

2019-03-30 21:12:13

10.00

75.28

8

zjjszj

batch数据为64,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74.77。

2019-10-09 21:32:35

74.77

9

興趣使然的吃瓜少年

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73.97。

2019-03-29 13:38:01

10.00

73.97

10

gboy

batch数据为32,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72.26。

2019-06-20 06:45:35

72.26

11

加勒比

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71.55。

2019-06-11 08:10:46

71.55

12

梯度下降

11.00

batch数据为32,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71.06。

2019-03-26 22:20:00

11.00

71.06

13

bestfitting

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70.26。

2019-04-23 01:31:08

70.26

14

Hlic

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68.87。

2019-03-26 19:06:46

10.00

68.87

15

被算法耽误的歌手

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68.26。

2020-12-15 19:57:39

68.26

16

JUSTDOIT

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62.42。

2019-04-06 19:26:41

10.00

62.42

17

快来追我呀

batch数据为32,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60.09。

2019-06-19 05:25:55

60.09

18

你猜猜我是谁

10.00

batch数据为65,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57.16。

2019-03-27 12:04:09

10.00

57.16

19

mingda

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56.24。

2019-03-26 20:57:02

10.00

56.24

20

gezp

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55.87。

2019-04-04 12:53:01

55.87

21

CSRookie

10.00

batch数据为32,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54.53。

2019-03-21 01:17:07

10.00

54.53

22

cclxx

10.00

batch数据为32,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52.89。

2019-03-28 21:19:37

10.00

52.89

23

火炎焱燚

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52.54。

2019-04-15 12:52:57

52.54

24

()

10.00

batch数据为32,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51.45。

2019-03-29 21:22:30

10.00

51.45

25

flyai会员1584168567

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49.83。

2020-06-14 19:09:31

49.83

26

天天向上

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48.74。

2019-03-29 02:54:51

10.00

48.74

27

willer

10.00

batch数据为10000,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46.61。

2019-03-29 01:45:36

10.00

46.61

28

silen

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45.36。

2019-03-19 16:24:37

10.00

45.36

29

Joker Song

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43.60。

2019-04-03 14:38:37

10.00

43.60

30

AiFool

batch数据为300,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41.67。

2019-06-16 11:52:57

41.67

31

纶巾

batch数据为128,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37.12。

2019-06-27 13:59:44

37.12

32

cyh12315

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36.89。

2020-03-25 22:00:58

36.89

33

hiccup

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36.42。

2019-08-10 09:14:02

36.42

34

随逸

batch数据为64,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34.47。

2019-08-12 12:38:17

34.47

35

killers

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25.55。

2019-11-27 22:37:13

25.55

36

探索者1553567528

10.00

batch数据为32,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24.85。

2019-04-01 15:03:27

10.00

24.85

37

看你很6哦

10.00

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24.34。

2019-04-02 18:38:14

10.00

24.34

38

Mengcius

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21.17。

2019-04-22 12:48:25

21.17

39

李小白

10.00

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20.75。

2019-03-22 23:35:26

10.00

20.75

40

Jackko

10.00

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20.51。

2019-03-18 23:57:03

10.00

20.51

41

Seeney

10.00

batch数据为32,循环次数为9000次,通过在线上环境完成训练,模型最优精度评分为18.09。

2019-03-28 01:54:36

10.00

18.09

42

Simplestory

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16.91。

2019-04-07 17:54:02

16.91

43

人间正道是沧桑

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16.91。

2019-06-23 14:33:08

16.91

44

swan777

batch数据为2048,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16.51。

2019-04-16 23:39:49

16.51

45

Hallo

10.00

batch数据为128,循环次数为2222次,通过在线上环境完成训练,模型最优精度评分为15.85。

2019-03-29 19:58:21

10.00

15.85

46

L

10.00

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12.88。

2019-03-24 19:27:02

10.00

12.88

47

小北

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12.58。

2019-03-29 21:51:47

10.00

12.58

48

阿笨哥

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12.49。

2019-04-04 10:51:08

12.49

49

cv1557321940

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11.66。

2019-08-07 21:24:26

11.66

50

BATIGOL

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10.98。

2019-04-01 23:16:24

10.00

10.98

51

sinh

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10.50。

2019-04-06 14:41:47

10.50

52

吴小白

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10.39。

2019-04-13 23:02:54

10.39

53

月之涯

10.00

batch数据为96,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7.54。

2019-03-29 18:26:05

10.00

7.54

54

'code and paper'

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7.14。

2019-04-01 22:27:26

10.00

7.14

55

Despicable Me

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6.38。

2019-12-03 13:53:15

6.38

56

Hnecl

10.00

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6.33。

2019-03-26 22:32:06

10.00

6.33

57

yangsmile

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6.18。

2019-05-02 23:02:04

6.18

58

围生

10.00

batch数据为64,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5.98。

2019-04-02 10:04:23

10.00

5.98

59

10.00

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5.66。

2019-03-30 14:08:31

10.00

5.66

60

k一起旅行

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5.02。

2019-04-02 14:22:33

5.02

61

。yhq

batch数据为100,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4.85。

2019-04-18 17:11:39

4.85

62

CooKo1552966657

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3.79。

2019-03-21 21:55:34

10.00

3.79

63

pprp

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3.54。

2019-07-09 23:44:14

3.54

64

圣上

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2.76。

2019-04-01 23:14:33

10.00

2.76

65

Zongshen

batch数据为32,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2.67。

2019-04-03 15:16:02

2.67

66

银杏树

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2.56。

2019-06-14 13:47:59

2.56

67

麦田

10.00

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2.28。

2019-04-02 00:16:36

10.00

2.28

68

沐阳听风

10.00

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1.68。

2019-03-30 10:24:38

10.00

1.68

69

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1.55。

2019-12-26 14:10:04

1.55

70

第五轻柔

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1.54。

2019-07-17 20:11:16

1.54

71

Value_H

10.00

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1.39。

2019-03-19 17:21:56

10.00

1.39

72

Winteriscoming

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1.37。

2019-05-30 17:58:38

1.37

73

正直怪人

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1.34。

2019-04-18 23:48:03

1.34

74

sytv587

10.00

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1.21。

2019-03-15 22:02:29

10.00

1.21

75

dtrimina

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1.19。

2019-08-05 16:51:11

1.19

76

Island

10.00

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1.17。

2019-03-27 22:24:19

10.00

1.17

77

10.00

batch数据为32,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为1.13。

2019-03-25 01:50:21

10.00

1.13

78

mom

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1.08。

2019-10-04 23:06:10

1.08

79

.co

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1.07。

2019-03-25 18:36:19

1.07

80

在北等你

10.00

batch数据为12,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1.07。

2019-03-29 08:25:40

10.00

1.07

81

不形于色

10.00

batch数据为64,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1.05。

2019-03-27 09:38:36

10.00

1.05

82

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1.05。

2019-04-29 22:24:18

1.05

83

Rank

10.00

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1.01。

2019-03-29 09:37:17

10.00

1.01

84

宇宙

batch数据为10000,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1.01。

2019-05-20 22:51:27

1.01

85

deepGreeBear

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1.00。

2019-03-25 02:09:07

10.00

1.00

86

Lune

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1.00。

2019-09-13 22:10:55

1.00

87

cnn

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1.00。

2019-10-09 16:13:15

1.00

88

会飞的猪

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1.00。

2019-10-17 16:12:25

1.00

89

听雪夜阁

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1.00。

2019-11-23 20:14:17

1.00

90

陈美玲

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1.00。

2019-11-25 06:43:32

1.00

91

rhapsody

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1.00。

2019-11-30 16:10:29

1.00

92

peizh

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1.00。

2019-12-14 15:46:49

1.00

93

flyai会员1586756568

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1.00。

2020-04-14 09:51:45

1.00

94

耳朵君

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1.00。

2020-09-15 15:38:35

1.00

95

Ws1618283180

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1.00。

2021-04-13 11:08:44

1.00

96

MonsterLemon

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1.00。

2021-10-30 22:30:43

1.00

97

一家三口

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1.00。

2021-11-28 10:36:19

1.00

98

chunqiu

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1.00。

2021-11-28 15:14:42

1.00

99

cookie

10.00

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0.97。

2019-03-20 16:18:30

10.00

0.97

100

ON-looker

batch数据为22,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0.97。

2019-07-23 02:07:50

0.97

101

Reluminia

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0.95。

2019-04-17 19:02:58

0.95

102

析构

10.00

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0.92。

2019-03-27 02:43:53

10.00

0.92

103

萌萌

10.00

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0.91。

2019-03-27 08:48:42

10.00

0.91

104

clayne

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0.91。

2019-11-26 01:55:09

0.91

105

kongd

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0.88。

2019-04-02 01:58:32

10.00

0.88

106

丁丁虫

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0.88。

2019-11-21 06:55:09

0.88

107

Leong_Logan

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0.85。

2019-04-02 19:57:37

0.85

108

Y1573477609

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0.84。

2019-11-29 05:21:15

0.84

109

八哥

10.00

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0.79。

2019-03-30 18:14:04

10.00

0.79

2019-04-02
围生

模型得分为5.98,本次获得实时奖励奖金为10

2019-04-02 10:04:23

2019-04-02
kongd

模型得分为0.88,本次获得实时奖励奖金为10

2019-04-02 01:58:32

麦田

模型得分为2.28,本次获得实时奖励奖金为10

2019-04-02 00:16:36

圣上

模型得分为2.76,本次获得实时奖励奖金为10

2019-04-01 23:14:33

BATIGOL

模型得分为0.89,本次获得实时奖励奖金为10

2019-04-01 20:50:36

2019-04-01
看你很6哦

模型得分为0.97,本次获得实时奖励奖金为10

2019-04-01 02:18:15

2019-03-30
'code and paper'

模型得分为0.97,本次获得实时奖励奖金为10

2019-03-30 19:32:31

八哥

模型得分为0.79,本次获得实时奖励奖金为10

2019-03-30 18:14:04

2019-03-29

模型得分为1.05,本次获得实时奖励奖金为10

2019-03-29 22:18:29

沐阳听风

模型得分为1.25,本次获得实时奖励奖金为10

2019-03-29 18:38:00

小北

模型得分为8.63,本次获得实时奖励奖金为10

2019-03-29 17:17:58

()

模型得分为4.02,本次获得实时奖励奖金为10

2019-03-29 15:35:59

2019-03-29
Rank

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-29 09:37:17

在北等你

模型得分为0.95,本次获得实时奖励奖金为10

2019-03-29 08:10:55

2019-03-28
cclxx

模型得分为52.89,本次获得实时奖励奖金为10

2019-03-28 21:19:37

天天向上

模型得分为0.92,本次获得实时奖励奖金为10

2019-03-28 18:23:42

探索者1553567528

模型得分为1.7,本次获得实时奖励奖金为10

2019-03-28 17:38:54

Joker Song

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-28 15:54:21

玄学上分

模型得分为75.32,本次获得实时奖励奖金为10

2019-03-28 13:52:33

2019-03-28
willer

模型得分为2.58,本次获得实时奖励奖金为10

2019-03-28 12:38:48

月之涯

模型得分为1.85,本次获得实时奖励奖金为10

2019-03-28 09:03:58

2019-03-27
Island

模型得分为1.17,本次获得实时奖励奖金为10

2019-03-27 22:24:19

興趣使然的吃瓜少年

模型得分为58.51,本次获得实时奖励奖金为10

2019-03-27 15:46:21

2019-03-27
萌萌

模型得分为0.91,本次获得实时奖励奖金为10

2019-03-27 08:48:42

善假于物

模型得分为43.14,本次获得实时奖励奖金为10

2019-03-27 03:03:42

析构

模型得分为0.92,本次获得实时奖励奖金为10

2019-03-27 02:43:53

2019-03-26
Hnecl

模型得分为6.33,本次获得实时奖励奖金为10

2019-03-26 22:32:06

Hlic

模型得分为68.87,本次获得实时奖励奖金为10

2019-03-26 19:06:46

mingda

模型得分为8.7,本次获得实时奖励奖金为10

2019-03-26 15:23:43

2019-03-26
JUSTDOIT

模型得分为1.25,本次获得实时奖励奖金为10

2019-03-26 00:49:17

不形于色

模型得分为0.94,本次获得实时奖励奖金为10

2019-03-25 21:47:41

2019-03-25
deepGreeBear

模型得分为1,本次获得实时奖励奖金为10

2019-03-25 02:09:07

2019-03-22
李小白

模型得分为20.75,本次获得实时奖励奖金为10

2019-03-22 23:35:26

Hallo

模型得分为1.29,本次获得实时奖励奖金为10

2019-03-22 22:02:26

2019-03-21

模型得分为1.04,本次获得实时奖励奖金为10

2019-03-21 11:50:39

2019-03-20
Seeney

模型得分为1.07,本次获得实时奖励奖金为10

2019-03-20 23:53:56

cookie

模型得分为0.97,本次获得实时奖励奖金为10

2019-03-20 16:18:30

2019-03-19
CooKo1552966657

模型得分为2.98,本次获得实时奖励奖金为10

2019-03-19 20:02:48

L

模型得分为1.05,本次获得实时奖励奖金为10

2019-03-19 19:47:11

Value_H

模型得分为1.39,本次获得实时奖励奖金为10

2019-03-19 17:21:56

silen

模型得分为45.36,本次获得实时奖励奖金为10

2019-03-19 16:24:37

2019-03-19
CSRookie

模型得分为10.91,本次获得实时奖励奖金为10

2019-03-19 01:30:20

2019-03-18
Jackko

模型得分为13.5,本次获得实时奖励奖金为10

2019-03-18 00:25:14

2019-03-17
你猜猜我是谁

模型得分为18.61,本次获得实时奖励奖金为10

2019-03-17 15:15:50

sytv587

模型得分为1.08,本次获得实时奖励奖金为10

2019-03-17 13:25:53

trick_or_treat

模型得分为77.68,本次获得实时奖励奖金为2441

2019-03-17 09:16:54

2019-03-09
笑尘

模型得分为55.53,本次获得实时奖励奖金为170

2019-03-09 22:26:37

梯度下降

模型得分为39.31,本次获得实时奖励奖金为11

2019-03-09 17:24:34

2019-03-08
S1NH.org

模型得分为25,本次获得实时奖励奖金为10

2019-03-08 16:44:54

2019-03-01
mac

模型得分为0.9,本次获得实时奖励奖金为10

2019-03-01 13:35:35

讨论
500字
表情
发送
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...

  • 参赛流程
  • 常见问题

第一步:参赛选手从FlyAI官网选择比赛报名,需下载样例代码

下载的项目中不包含数据集,运行main.py会自动下载调试数据集

本地调试根据不同数据集会提供10%~100%数据,全量数据提交到GPU后会自动更新替换

下载样例代码,解压后在样例代码上编写自己的模型代码,压缩后再在上传代码位置进行上传,就可以查看自己得分。

第二步:本地代码调试

本地配置Python3.5以上的运行环境,并安装项目运行所需的Python依赖包 app.json是项目的配置文件

在main.py中编写神经网络,没有框架限制

在prediction.py测试模型是否评估成功

main.py中需在class Main(FlyAI) 类中实现自己的训练过程

第三步:提交到GPU训练,保存模型

本地调试完成之后,提交代码到GPU,在全量数据上训练模型,保存最优模型。

提交GPU的方式有:网站在线提交。

第四步:评估模型,获取奖金,实时提现

GPU训练完成后,会调用prediction.py中的predict方法进行评估,并给出最后得分

高分的参赛选手,可实时获取奖金,通过微信提现

Q:如何获得奖金?

A:超过项目设置的最低分,根据公式计算,就可以获得奖金。

Q:比赛使用什么框架?

A: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等。

Q:怎么参加比赛,需不需要提交csv文件?

A:FlyAI竞赛平台无需提交csv文件,在网页上点击报名,下载项目,使用你熟练的框架,修改main.py中的网络结构和数据处理,在prediction.py中进行加载模型及预测。将代码文件压缩为.zip格式,文件大小不超过10M,之后在网站进行在线提交就可以了。

Q:比赛排行榜分数怎么得到的?

A:参加项目竞赛必须实现 prediction.py 中的predict方法。调用模型得出评分。

Q:平台机器什么配置?

A:目前每个训练独占一块V100显卡,显存10G。

Q:本地数据集在哪?

A:可以本地使用ide运行 main.py 下载数据。

Q:FAI训练积分不够用怎么办?

A:目前GPU免费使用,可以进入到:我的积分,通过签到和分享等途径获得大量积分。

Q:离线训练代码不符合规范问题?

A:main.py中可以使用args.EPOCHS和args.BATCH。