鸢尾花识别

分享给好友

2019-04-25 15:00:00
开始提交

2019-05-25 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 117
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
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})

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

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

  • 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

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,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
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。

$vue{item.rank_name}

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

提供者:=

137.50

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100.00。

2019-04-27 06:59:33

137.50

100.00

第三名

提供者:淋雨

71.88

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。

2019-04-29 12:32:11

71.88

100.00

第三名

提供者:gboy

29.69

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。

2019-04-29 17:12:22

29.69

100.00

4

提供者:江枫渔火

9.38

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。

2019-04-26 00:12:55

9.38

96.67

5

提供者:Hallo

6.19

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。

2019-04-26 07:10:44

6.19

96.67

6

提供者:Gifford

3.84

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。

2019-04-26 10:35:34

3.84

96.67

7

提供者:小麦

1.17

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。

2019-04-26 14:31:42

1.17

96.67

8

提供者:Silence

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。

2019-04-26 17:46:26

96.67

9

提供者:Joshua

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。

2019-04-27 11:43:45

96.67

10

提供者:老头骑单车1554899022

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。

2019-04-27 15:38:03

96.67

11

提供者:哇咔咔

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。

2019-04-29 00:06:44

96.67

12

提供者:XW

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。

2019-04-30 09:27:05

96.67

13

提供者:jky

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。

2019-04-30 15:13:35

96.67

14

提供者:星光与默示

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。

2019-05-04 16:23:15

96.67

15

提供者:从小跑开始

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。

2019-05-07 02:41:25

96.67

16

提供者:x

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。

2019-05-08 22:33:08

96.67

17

提供者:温佳俊

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。

2019-05-09 04:00:35

96.67

18

提供者:无止境的调参

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。

2019-05-10 15:18:34

96.67

19

提供者:austinyan

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。

2019-05-15 15:11:08

96.67

20

提供者:有分儿就行

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。

2019-05-18 13:27:28

96.67

21

提供者:宇宙

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。

2019-05-23 22:21:05

96.67

22

提供者:鹦武鸟

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。

2019-05-23 22:40:57

96.67

23

提供者:?..

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。

2019-05-23 23:28:00

96.67

24

提供者:亚豪

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。

2019-05-25 10:49:48

96.67

25

提供者:Again

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。

2019-06-06 10:53:13

96.67

26

提供者:朱小丰的丰

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。

2019-06-13 21:29:14

96.67

27

提供者:MistoFeng

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。

2019-06-15 15:01:24

96.67

28

提供者:INSH

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。

2019-07-08 03:05:35

96.67

29

提供者:pprp

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。

2019-07-19 16:44:27

96.67

30

提供者:ON-looker

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。

2019-07-22 23:58:59

96.67

31

提供者:你看我还有机会吗

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。

2020-02-21 12:22:34

96.67

32

提供者:独饮浊酒

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。

2020-03-24 17:21:24

96.67

33

提供者:chino

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。

2020-04-15 18:48:12

96.67

34

提供者:我爱杨超越

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。

2020-09-03 13:34:36

96.67

35

提供者:arXiv

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。

2020-12-31 14:46:30

96.67

36

提供者:kongd

64.00

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。

2019-04-25 20:52:19

64.00

93.33

37

提供者:恋旧却念旧

3.00

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。

2019-04-25 22:00:21

3.00

93.33

38

提供者:凉心半浅良心人

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。

2019-05-03 22:18:22

93.33

39

提供者:cnn

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。

2019-06-04 17:23:24

93.33

40

提供者:轻い羽すい

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。

2019-08-09 19:47:19

93.33

41

提供者:infinite

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。

2019-12-26 19:51:02

93.33

42

提供者:Nauxnewnah

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。

2019-04-26 19:20:38

86.67

43

提供者:ys

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。

2019-05-15 11:27:36

76.67

44

提供者:oh la la

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。

2019-08-12 18:19:06

73.33

45

提供者:ChangeBio

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。

2019-04-30 03:51:29

63.33

46

提供者:一纸酸酸

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。

2019-05-05 22:04:50

63.33

47

提供者:hiccup

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。

2019-05-09 20:01:47

63.33

48

提供者:Carol

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。

2019-05-12 22:22:22

63.33

49

提供者:Sunny^_^Today

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。

2019-06-28 16:01:24

63.33

50

提供者:不语

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。

2019-07-07 12:34:38

63.33

51

提供者:月在孤城

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。

2019-08-09 12:53:19

63.33

52

提供者:随逸

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。

2019-08-09 14:00:36

63.33

53

提供者:谢涛

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。

2019-09-19 16:23:01

63.33

54

提供者:木森善哉

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。

2020-01-10 15:22:46

63.33

55

提供者:修竹墨客

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。

2020-04-21 22:09:34

63.33

56

提供者:王许

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。

2019-04-26 19:21:16

60.00

57

提供者:I admit myself

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。

2019-07-02 16:28:48

60.00

58

提供者:会员1564889039

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36.67。

2019-08-04 12:58:51

36.67

59

提供者:Jeremy

batch数据为256,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36.67。

2019-09-16 14:23:31

36.67

60

提供者:yangmijing

batch数据为1,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36.67。

2019-11-02 21:33:42

36.67

61

提供者:alexandsunny

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。

2020-04-17 01:03:19

36.67

62

提供者:Jason

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。

2019-05-09 00:30:25

26.67

63

提供者:anticlockwise

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。

2019-08-07 08:05:43

0.00

2019-05-25
gboy

模型得分为100,本次获得排名奖奖金为25

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

2019-05-25 15:00:01

=

模型得分为100,本次获得排名奖奖金为62.5

2019-05-25 15:00:01

2019-05-06
淋雨

模型得分为100,本次获得排名奖奖金为25

2019-05-06 15:00:02

=

模型得分为100,本次获得排名奖奖金为37.5

2019-05-06 15:00:02

2019-04-30
gboy

模型得分为100,本次获得实时奖励奖金为4.69

2019-04-30 10:55:02

2019-04-29
淋雨

模型得分为100,本次获得实时奖励奖金为9.38

2019-04-29 16:30:54

2019-04-28
=

模型得分为100,本次获得实时奖励奖金为18.75

2019-04-28 12:48:05

2019-04-26
小麦

模型得分为96.67,本次获得实时奖励奖金为1.17

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

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

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

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

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

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

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

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

2019-04-26 10:34:03

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

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