- 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
人工智能技术在越来越多的医疗场景中体现出应用价值，医疗文本分类是借助深度学习的技术优势，根据文本的特征将其分到预先设定的类别中。在解决医疗诊断任务的情况下必须满足预测模型的准确性，对数据的处理能力，对诊断结果的解释能力，保证最终结果的一个可靠性。
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20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
赛事主题和数据说明
赛题描述
人工智能技术在越来越多的医疗场景中体现出应用价值，医疗文本分类是借助深度学习的技术优势，根据文本的特征将其分到预先设定的类别中。在解决医疗诊断任务的情况下必须满足预测模型的准确性，对数据的处理能力，对诊断结果的解释能力保证模型结果的一个可靠性。
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 |
样例 |
| train.csv |
label |
string |
分类标签 |
文本 |
| title |
string |
标志问题 |
文本 |
| text |
string |
内容 |
文本 |
| validation.csv |
label |
string |
分类标签 |
文本 |
| title |
string |
标志问题 |
文本 |
| text |
string |
内容 |
文本 |
评审标准
算法输入输出格式
系统评估时，要求参赛者必须在predict方法中接收到输入和评估返回的结果输出，格式如下所示。
输入字段：
{
"title": "心率为72bpm是正常的吗",
"text": "最近不知道怎么回事总是感觉心脏不舒服..."
}
输出字段：
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prediction.py中的load_model和predict方法。系统使用这些方法评估模型算出评分。
超过 60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5次，通过在线上环境完成训练，模型最优精度评分为83.32。
batch数据为50，循环次数为8次，通过在线上环境完成训练，模型最优精度评分为83.27。
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83.26。
4
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83.23。
5
batch数据为50，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83.19。
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82.79。
7
batch数据为32，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82.75。
8
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82.50。
9
batch数据为32，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82.11。
10
batch数据为32，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为82.11。
11
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82.10。
12
batch数据为64，循环次数为8次，通过在线上环境完成训练，模型最优精度评分为82.07。
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81.95。
14
batch数据为32，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为81.94。
15
batch数据为64，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81.72。
16
batch数据为128，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为81.69。
17
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81.59。
18
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81.26。
19
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80.94。
20
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80.77。
21
batch数据为64，循环次数为4次，通过在线上环境完成训练，模型最优精度评分为80.74。
22
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80.68。
23
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80.68。
24
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80.51。
25
通过在线上环境完成训练，模型最优精度评分为80.28。
26
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80.23。
27
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79.41。
28
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78.98。
29
batch数据为50，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78.72。
30
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78.58。
31
batch数据为32，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78.52。
32
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78.29。
33
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78.01。
34
batch数据为256，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77.56。
35
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77.14。
36
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76.77。
37
batch数据为500，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76.68。
38
batch数据为16，循环次数为4次，通过在线上环境完成训练，模型最优精度评分为76.34。
39
batch数据为32，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为76.06。
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75.91。
41
batch数据为128，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为75.70。
42
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75.09。
43
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74.02。
44
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73.76。
45
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72.98。
46
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72.82。
47
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72.68。
48
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38.50。
49
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37.64。
50
batch数据为512，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37.60。
51
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36.60。
52
batch数据为512，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为36.39。
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36.21。
54
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35.79。
55
batch数据为32，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35.55。
56
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35.54。
57
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35.40。
58
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35.20。
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35.17。
60
batch数据为50，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34.82。
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34.79。
62
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34.47。
63
batch数据为2048，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34.35。
64
batch数据为50，循环次数为9次，通过在线上环境完成训练，模型最优精度评分为34.33。
65
batch数据为50，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34.29。
66
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34.16。
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34.16。
68
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34.16。
69
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34.16。
70
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34.16。
71
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34.16。
72
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34.16。
73
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34.16。
74
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34.16。
75
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34.16。
76
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34.16。
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34.16。
78
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34.16。
79
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34.16。
80
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34.16。
81
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34.16。
82
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34.16。
83
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34.16。
84
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34.16。
85
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34.16。
86
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34.16。
87
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34.16。
88
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34.16。
89
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34.16。
90
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34.16。
91
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34.16。
92
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34.16。
93
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34.16。
94
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34.16。
95
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34.16。
96
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34.16。
97
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34.16。
98
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34.16。
99
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34.16。
100
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34.16。
101
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34.16。
102
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34.16。
103
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34.16。
104
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34.16。
105
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34.16。
106
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34.16。
107
batch数据为48，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34.16。
108
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34.16。
109
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34.16。
110
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34.16。
111
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34.16。
112
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34.16。
113
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34.16。
114
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34.16。
115
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34.16。
116
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34.16。
117
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34.16。
118
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34.16。
119
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34.16。
120
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34.16。
121
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34.16。
122
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34.16。
123
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34.16。
124
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34.16。
125
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34.16。
126
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34.16。
127
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34.16。
128
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34.16。
129
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34.16。
130
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34.16。
131
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34.16。
132
batch数据为64，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34.16。
133
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34.16。
134
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34.16。
135
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34.16。
136
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34.16。
137
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34.16。
138
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34.16。
139
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34.16。
140
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34.16。
141
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34.16。
142
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34.16。
143
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34.16。
144
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34.16。
145
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34.16。
146
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34.16。
147
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34.16。
148
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34.16。
149
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34.16。
150
batch数据为1，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34.16。
151
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34.16。
152
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34.16。
153
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34.16。
154
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为34.16。
155
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34.16。
156
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34.16。
157
batch数据为24，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34.16。
158
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34.16。
159
batch数据为50，循环次数为8次，通过在线上环境完成训练，模型最优精度评分为34.16。
160
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34.16。
161
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34.16。
162
batch数据为5，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34.16。
163
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34.16。
164
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34.16。
165
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34.16。
166
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34.16。
167
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34.16。
168
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34.16。
169
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34.16。
170
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34.16。
171
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34.16。
172
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34.16。
173
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34.16。
174
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34.16。
175
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34.16。
176
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34.16。
177
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34.16。
178
batch数据为8，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34.16。
179
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34.16。
180
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34.16。
181
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34.16。
182
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34.16。
183
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34.16。
184
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34.16。
185
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34.16。
186
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34.16。
187
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34.16。
188
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34.16。
189
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34.16。
190
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34.16。
191
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34.16。
192
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34.16。
193
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34.16。
194
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34.16。
195
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34.16。
196
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34.16。
197
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34.16。
198
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34.16。
199
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34.16。
200
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34.16。
201
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34.16。
202
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34.16。
203
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34.16。
204
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34.16。
205
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34.16。
206
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34.16。
207
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34.16。
208
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34.16。
209
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34.16。
210
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34.16。
211
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34.16。
212
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34.16。
213
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34.16。
214
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34.16。
215
batch数据为100，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34.16。
216
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34.16。
217
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34.16。
218
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34.16。
219
batch数据为64，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34.16。
220
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34.16。
221
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34.16。
222
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34.16。
223
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34.16。
224
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34.16。
225
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34.16。
226
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34.16。
227
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34.16。
228
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34.16。
229
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34.16。
230
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34.16。
231
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34.16。
232
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34.16。
233
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34.16。
234
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34.16。
235
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34.16。
236
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34.16。
237
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34.16。
238
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34.16。
239
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34.16。
240
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34.16。
241
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34.16。
242
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34.16。
243
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34.16。
244
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34.16。
245
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34.16。
246
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34.16。
247
batch数据为32，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33.19。
248
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33.14。
249
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32.20。
250
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31.98。
251
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27.27。
252
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。
253
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0.00。
254
batch数据为64，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0.00。
255
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。
256
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。
257
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。
258
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。
259
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。
260
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。
261
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0.00。
262
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。
263
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。
264
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。
265
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。
266
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。
267
batch数据为32，循环次数为13次，通过在线上环境完成训练，模型最优精度评分为0.00。
268
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0.00。
269
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。
270
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。
271
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。
272
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。
273
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。
274
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。
- 鸡毛飞上天
-
模型得分为82.11，本次预计获得排名奖奖金为105元
2020-05-06 15:00:01
- 玖月初识
-
模型得分为82.5，本次预计获得排名奖奖金为210元
2020-05-06 15:00:01
- killf
-
模型得分为82.79，本次预计获得排名奖奖金为315元
2020-05-06 15:00:01
- 凉心半浅良心人
-
模型得分为83.23，本次预计获得排名奖奖金为525元
2020-05-06 15:00:01
- mohoho
-
模型得分为83.27，本次预计获得排名奖奖金为945元
2020-05-06 15:00:01
- 妮妮妮
-
模型得分为64.24，本次预计获得实时奖励奖金为1.5元
2020-04-24 01:13:38
- 凉心半浅良心人
-
模型得分为83.15，本次预计获得实时奖励奖金为1元
2020-04-12 20:00:40
- 凉心半浅良心人
-
模型得分为83.04，本次预计获得实时奖励奖金为1元
2020-04-11 12:34:46
- jamiesona
-
模型得分为68.77，本次预计获得实时奖励奖金为1.5元
2020-04-07 06:38:05
- ruiqunli
-
模型得分为77.14，本次预计获得实时奖励奖金为1.41元
2020-04-06 10:48:58
- killf
-
模型得分为82.79，本次预计获得实时奖励奖金为2.81元
2020-04-06 02:41:35
- ruiqunli
-
模型得分为75.9，本次预计获得实时奖励奖金为6元
2020-04-05 07:58:54
- 凉心半浅良心人
-
模型得分为82.86，本次预计获得实时奖励奖金为4元
2020-04-04 05:58:07
- chenfengshf
-
模型得分为73.58，本次预计获得实时奖励奖金为12元
2020-04-04 04:54:36
- 九件
-
模型得分为77.07，本次预计获得实时奖励奖金为5.63元
2020-04-03 18:27:21
- 凉心半浅良心人
-
模型得分为82.31，本次预计获得实时奖励奖金为13元
2020-04-03 07:50:22
- 凉心半浅良心人
-
模型得分为79.57，本次预计获得实时奖励奖金为11.25元
2020-04-03 02:17:45
- yphacker
-
模型得分为77.92，本次预计获得实时奖励奖金为22.5元
2020-04-02 16:48:34
- NLP_Rookie
-
模型得分为80.03，本次预计获得实时奖励奖金为10元
2020-04-02 14:02:07
- NLP_Rookie
-
模型得分为77.63，本次预计获得实时奖励奖金为85元
2020-04-02 10:20:20
