- 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
Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
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
IRIS
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 |
| sepal_length |
float |
不为空 |
花萼长度，单位是cm |
| sepal_width |
float |
不为空 |
花萼宽度，单位是cm; |
| petal_length |
float |
不为空 |
花瓣长度，单位是cm; |
| petal_width |
float |
不为空 |
花瓣宽度，单位是cm; |
| variety |
int |
大于等于 0, 小于等于 2 |
花的种类 |
参考文献：
[1]https://archive.ics.uci.edu/ml/machine-learning-databases/iris/
评审标准
算法输入输出格式
输入字段：
sepal_length,
sepal_width,
petal_length,
petal_width,
输出字段：
variety,
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！
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100.00。
batch数据为60，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100.00。
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100.00。
4
batch数据为32，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为96.67。
5
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96.67。
6
batch数据为32，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96.67。
7
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96.67。
8
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96.67。
9
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96.67。
10
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96.67。
11
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96.67。
12
batch数据为32，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96.67。
13
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96.67。
14
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96.67。
15
batch数据为32，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96.67。
16
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96.67。
17
batch数据为10，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96.67。
18
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96.67。
19
batch数据为64，循环次数为4000次，通过在线上环境完成训练，模型最优精度评分为96.67。
20
batch数据为500，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96.67。
21
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96.67。
22
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96.67。
23
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96.67。
24
batch数据为64，循环次数为512次，通过在线上环境完成训练，模型最优精度评分为96.67。
25
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96.67。
26
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96.67。
27
batch数据为200，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96.67。
28
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96.67。
29
batch数据为32，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96.67。
30
batch数据为32，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为96.67。
31
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96.67。
32
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96.67。
33
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96.67。
34
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96.67。
35
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96.67。
36
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93.33。
37
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93.33。
38
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93.33。
39
batch数据为500，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93.33。
40
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93.33。
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93.33。
42
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93.33。
43
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93.33。
44
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93.33。
45
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93.33。
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93.33。
47
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93.33。
48
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93.33。
49
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93.33。
50
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93.33。
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93.33。
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93.33。
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93.33。
54
batch数据为100，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93.33。
55
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93.33。
56
batch数据为86，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93.33。
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93.33。
58
batch数据为40，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93.33。
59
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93.33。
60
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93.33。
61
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93.33。
62
batch数据为32，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93.33。
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93.33。
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93.33。
65
batch数据为128，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93.33。
66
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93.33。
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93.33。
68
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93.33。
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93.33。
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93.33。
71
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93.33。
72
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93.33。
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93.33。
74
batch数据为500，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93.33。
75
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86.67。
76
batch数据为32，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76.67。
77
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73.33。
78
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63.33。
79
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63.33。
80
batch数据为5，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63.33。
81
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63.33。
82
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63.33。
83
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63.33。
84
batch数据为32，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63.33。
85
batch数据为50，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63.33。
86
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63.33。
87
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63.33。
88
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63.33。
89
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60.00。
90
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60.00。
91
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36.67。
92
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26.67。
93
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0.00。
- gboy
-
模型得分为100，本次获得排名奖奖金为25元
2019-05-25 15:00:01
- 淋雨
-
模型得分为100，本次获得排名奖奖金为37.5元
2019-05-25 15:00:01
- =
-
模型得分为100，本次获得排名奖奖金为62.5元
2019-05-25 15:00:01
- 淋雨
-
模型得分为100，本次获得排名奖奖金为25元
2019-05-06 15:00:02
- =
-
模型得分为100，本次获得排名奖奖金为37.5元
2019-05-06 15:00:02
- gboy
-
模型得分为100，本次获得实时奖励奖金为4.69元
2019-04-30 10:55:02
- 淋雨
-
模型得分为100，本次获得实时奖励奖金为9.38元
2019-04-29 16:30:54
- =
-
模型得分为100，本次获得实时奖励奖金为18.75元
2019-04-28 12:48:05
- 小麦
-
模型得分为96.67，本次获得实时奖励奖金为1.17元
2019-04-26 15:06:11
- Gifford
-
模型得分为96.67，本次获得实时奖励奖金为2.34元
2019-04-26 13:34:31
- Gifford
-
模型得分为93.33，本次获得实时奖励奖金为1.5元
2019-04-26 13:34:25
- Hallo
-
模型得分为96.67，本次获得实时奖励奖金为4.69元
2019-04-26 10:34:55
- 江枫渔火
-
模型得分为96.67，本次获得实时奖励奖金为9.38元
2019-04-26 10:34:40
- =
-
模型得分为96.67，本次获得实时奖励奖金为18.75元
2019-04-26 10:34:30
- 恋旧却念旧
-
模型得分为93.33，本次获得实时奖励奖金为3元
2019-04-26 10:34:10
- Hallo
-
模型得分为90，本次获得实时奖励奖金为1.5元
2019-04-26 10:34:07
- kongd
-
模型得分为93.33，本次获得实时奖励奖金为64元
2019-04-26 10:34:03
