心脏病诊断预测

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 ¥ 249
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

此数据集来自克利夫兰医学研究中心的心脏病患者数据,可用于建立心脏病诊断模型。该数据集包括270个样本,每条数据涵盖了年龄,性别,血浆类固醇含量以及是否患有心脏病等14个属性

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

HeartDisease

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
age int 大于等于 29, 小于等于 77 年龄
sex int 大于等于 0, 小于等于 1 性别
cp int 大于等于 1, 小于等于 4 胸痛类型
trestbps float 不为空 静息血压
chol float 大于等于 126, 小于等于 564 血浆类固醇含量
fbs int 大于等于 0, 小于等于 1 空腹血糖>120mg/dl
restecg int 大于等于 0, 小于等于 2 静息心电图结果
thalach float 大于等于 71, 小于等于 202 最高心率
exang int 大于等于 0, 小于等于 1 运动型心绞痛
oldpeak float 大于等于 0, 小于等于 6.2 运动引起的ST下降
slope int 大于等于 1, 小于等于 3 最大运动量时心电图ST的斜率
ca int 大于等于 0, 小于等于 3 使用荧光染色法测定的主血管数
thal int 大于等于 3, 小于等于 7 THAL
label int 大于等于 0, 小于等于 1 是否患有心脏病

参考文献:

[1]https://www.ajconline.org/article/0002-9149(89)90524-9/abstract

评审标准

算法输入输出格式

输入字段: age, sex, cp, trestbps, chol, fbs, restecg, thalach, exang, oldpeak, slope, ca, thal,

输出字段: label,

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:gboy

118.75

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。

2019-05-02 21:04:10

118.75

100.00

第三名

提供者:hhy

75.25

batch数据为256,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94.44。

Sklearn

RandomForest

2019-05-04 12:03:38

75.25

94.44

第三名

提供者:Fannngxun

batch数据为128,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90.74。

2020-02-18 03:50:25

90.74

4

提供者:前排100分是作弊的吗

batch数据为250,循环次数为250次,通过在线上环境完成训练,模型最优精度评分为90.74。

2020-02-21 15:25:28

90.74

5

提供者:淋雨

batch数据为216,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85.19。

2019-04-29 11:29:03

85.19

6

提供者:reallocing

batch数据为512,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85.19。

PyTorch

膜拜大佬100%

2019-04-29 13:43:00

85.19

7

提供者:Songsong

batch数据为270,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85.19。

2019-04-29 20:37:27

85.19

8

提供者:爬行的青蛙

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85.19。

Sklearn

RandomForest

2019-09-27 07:22:42

85.19

9

提供者:我有一个亿

batch数据为216,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85.19。

2020-11-26 02:09:12

85.19

10

提供者:kongd

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83.33。

2019-04-27 07:09:13

83.33

11

提供者:=

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83.33。

2019-04-29 15:08:11

83.33

12

提供者:markov_future

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83.33。

2019-05-30 19:20:08

83.33

13

提供者:poplar

batch数据为32,循环次数为550次,通过在线上环境完成训练,模型最优精度评分为83.33。

sklearn

SVM

2019-06-05 23:43:47

83.33

14

提供者:大佬们带带我

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83.33。

scikit-learn

ML

2019-07-02 21:21:01

83.33

15

提供者:哭过の眼眸*

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83.33。

2019-12-04 21:09:46

83.33

16

提供者:汤包岂是盘中物

batch数据为128,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81.48。

2019-04-29 21:34:08

81.48

17

提供者:zhiduanqingchang

batch数据为128,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81.48。

2019-05-02 06:34:38

81.48

18

提供者:imhecc

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81.48。

2019-05-17 14:21:51

81.48

19

提供者:EnfantImparfait

batch数据为256,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81.48。

2019-05-26 12:46:40

81.48

20

提供者:凉心半浅良心人

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81.48。

2019-06-24 10:02:46

81.48

21

提供者:雨中冰言

batch数据为300,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81.48。

2019-07-17 04:09:19

81.48

22

提供者:麦麦旋风

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81.48。

2019-08-02 17:14:34

81.48

23

提供者:Lucy

batch数据为500,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81.48。

scikit-learn

机器学习

2019-08-24 00:43:13

81.48

24

提供者:pjs

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81.48。

2019-12-04 15:31:26

81.48

25

提供者:jesse01

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81.48。

2020-09-01 13:41:57

81.48

26

提供者:哦哦

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79.63。

2019-04-26 04:29:19

79.63

27

提供者:Hallo

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79.63。

2019-04-26 07:13:44

79.63

28

提供者:WayPlus

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79.63。

2019-04-28 09:55:46

79.63

29

提供者:.1556887678

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79.63。

2019-05-04 16:02:01

79.63

30

提供者:张洪银

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79.63。

2019-05-07 19:20:24

79.63

31

提供者:sw2009

batch数据为128,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79.63。

2019-05-11 18:35:46

79.63

32

提供者:AiFool

batch数据为1000,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79.63。

2019-05-28 12:24:38

79.63

33

提供者:UnlimitedBladeWorks

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79.63。

2019-08-01 11:24:20

79.63

34

提供者:ON-looker

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79.63。

2019-08-02 15:23:22

79.63

35

提供者:qqm

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79.63。

xgboost

xgboost

2019-09-16 18:19:54

79.63

36

提供者:任致远。

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79.63。

2019-12-12 16:59:00

79.63

37

提供者:张硕

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79.63。

2020-04-02 02:01:06

79.63

38

提供者:唱跳RAP打篮球

batch数据为256,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77.78。

2019-04-25 22:32:09

77.78

39

提供者:江枫渔火

batch数据为64,循环次数为2400次,通过在线上环境完成训练,模型最优精度评分为77.78。

2019-04-26 14:38:36

77.78

40

提供者:晨星

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77.78。

sklearn

AdaBoostClassifier

2019-04-30 21:41:49

77.78

41

提供者:飓风神龙

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77.78。

2019-06-18 12:09:09

77.78

42

提供者:杨杨杨

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77.78。

2019-08-06 13:01:41

77.78

43

提供者:xxxx

batch数据为100,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77.78。

2020-02-28 23:45:06

77.78

44

提供者:变向怪杰

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77.78。

2020-03-17 17:13:29

77.78

45

提供者:sense&seven

batch数据为256,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75.93。

2019-04-26 03:04:33

75.93

46

提供者:善假于物

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75.93。

2019-04-26 07:51:51

75.93

47

提供者:AMERICA

batch数据为1024,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75.93。

2019-10-09 09:30:37

75.93

48

提供者:bnulee

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75.93。

2019-10-14 01:37:00

75.93

49

提供者:兔子是菜鸟

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74.07。

2019-04-26 04:32:32

74.07

50

提供者:Joshua

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74.07。

2019-04-26 22:35:47

74.07

51

提供者:永恒的河流

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74.07。

2019-04-29 21:59:11

74.07

52

提供者:cnn

batch数据为50,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为74.07。

2019-07-11 18:33:44

74.07

53

提供者:milowang

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72.22。

sklearn

gbdt

2019-07-05 06:39:27

72.22

54

提供者:胖丁

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72.22。

2020-11-25 01:30:25

72.22

55

提供者:闻剑船书铸扌

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70.37。

2019-05-02 23:26:25

70.37

56

提供者:flyai会员1579075959

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70.37。

2020-01-15 17:39:09

70.37

57

提供者:Phoenix

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70.37。

2020-03-06 01:49:02

70.37

58

提供者:小豆

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70.37。

2020-11-24 18:57:28

70.37

59

提供者:悟悟悟

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68.52。

2019-04-28 18:24:25

68.52

60

提供者:痴于未知

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68.52。

2019-07-11 11:07:34

68.52

61

提供者:桑染

batch数据为200,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68.52。

2019-08-14 16:54:26

68.52

62

提供者:★八百标兵奔北坡

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68.52。

2019-10-01 20:53:31

68.52

63

提供者:onesty

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68.52。

2020-10-18 00:56:44

68.52

64

提供者:sunset

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66.67。

2019-04-30 22:15:45

66.67

65

提供者:allen成

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66.67。

2019-05-08 10:18:50

66.67

66

提供者:Hong1562300310

batch数据为500,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66.67。

2019-07-05 20:41:49

66.67

67

提供者: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66.67。

2019-08-06 21:57:54

66.67

68

提供者:捷嘉達

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66.67。

2019-08-22 19:49:02

66.67

69

提供者:纯乾初十

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66.67。

2019-08-22 23:22:27

66.67

70

提供者:陈均泳

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66.67。

2019-08-27 00:14:30

66.67

71

提供者:被算法耽误的歌手

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66.67。

2019-10-29 13:52:32

66.67

72

提供者:QiAn Wang 王奇安

batch数据为128,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66.67。

2020-01-31 16:44:23

66.67

73

提供者:Yvette

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66.67。

2020-02-13 13:55:42

66.67

74

提供者:Wayne1586786613

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66.67。

2020-04-14 15:05:39

66.67

75

提供者:力口贝世因心

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66.67。

2020-04-15 20:57:32

66.67

76

提供者:NLF

batch数据为8,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66.67。

2020-05-31 18:35:41

66.67

77

提供者:xfzhou

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66.67。

2020-06-10 14:29:13

66.67

78

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64.81。

2019-04-30 03:50:58

64.81

79

提供者:看你很6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59.26。

2019-04-26 15:13:26

59.26

80

提供者:paul1558836028

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59.26。

2019-05-26 13:52:04

59.26

81

提供者:Frodo_X

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59.26。

2019-07-15 12:18:48

59.26

82

提供者:lfywork

batch数据为10,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59.26。

2019-07-15 18:36:55

59.26

83

提供者:dushougudu

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59.26。

scikit-learn

DecisionTree

2019-08-04 11:47:54

59.26

84

提供者:chenfengshf

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59.26。

sklearn

SVM

2019-08-11 16:40:04

59.26

85

提供者:Jeremy

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59.26。

2019-08-27 18:57:34

59.26

86

提供者:cneday

batch数据为200,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59.26。

2019-09-22 11:47:17

59.26

87

提供者:MagnoliaZ

batch数据为27,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59.26。

2019-11-04 13:34:42

59.26

88

提供者:弱鸡瑟瑟发抖

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59.26。

2020-02-17 20:19:53

59.26

89

提供者:cyh12315

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59.26。

2020-03-24 00:05:54

59.26

90

提供者:nigeiwochi

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12.96。

2019-07-18 23:50:19

12.96

2019-05-25
gboy

模型得分为100,本次获得排名奖奖金为62.5

2019-05-25 15:00:02

hhy

模型得分为94.44,本次获得排名奖奖金为37.5

2019-05-25 15:00:02

2019-05-06
gboy

模型得分为100,本次获得排名奖奖金为37.5

2019-05-06 15:00:02

hhy

模型得分为94.44,本次获得排名奖奖金为25

2019-05-06 15:00:02

2019-05-05
hhy

模型得分为94.44,本次获得实时奖励奖金为11.25

2019-05-05 10:25:08

2019-05-04
gboy

模型得分为100,本次获得实时奖励奖金为18.75

2019-05-04 11:07:35

hhy

模型得分为90.74,本次获得实时奖励奖金为1.5

2019-05-04 11:07:30

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