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。
14
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81.77。
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。
29
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。
30
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。
31
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。
32
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。
33
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。
34
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。
35
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。
36
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。
37
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。
38
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。
39
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。
40
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。
41
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。
42
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。
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72.68。
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38.50。
45
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。
46
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。
47
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。
48
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。
49
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。
50
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。
51
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。
52
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。
53
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。
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35.20。
55
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。
56
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34.92。
57
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。
58
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。
59
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。
60
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。
61
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。
62
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。
63
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。
64
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34.01。
65
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33.67。
66
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。
67
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。
68
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32.76。
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32.20。
70
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。
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31.58。
72
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31.10。
73
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27.74。
74
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。
75
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18.19。
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0.09。
77
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。
78
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。
79
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。
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0.00。
81
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。
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0.00。
83
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。
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0.00。
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0.00。
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0.00。
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0.00。
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0.00。
89
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。
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0.00。
91
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。
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0.00。
93
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。
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0.00。
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0.00。
96
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。
97
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。
98
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。
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0.00。
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0.00。
101
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。
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0.00。
103
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。
2020-05-06
- 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
2020-04-24
- 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
2020-04-12
- 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
2020-04-11
- 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
2020-04-07
- 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
2020-04-06
- 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
2020-04-06
- 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
2020-04-05
- 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
2020-04-04
- 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
2020-04-03
- 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
2020-04-03
- 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
2020-04-02
- 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