- 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
Caltech-256 物品分类数据集由Caltech-101数据集演变而来,该数据集选自Google Image数据集,并手工去除了不符合其类别的图片。在该数据集中共有30,607张图片,256个图片类别,每个类别包括超过80张图片。
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) |
FlyAI挑战奖 |
所有挑战者 |
奖金获取标准:60<Score<=100 按照得分比例获取奖金池金额 |
新框架奖励 |
所有人 |
项目中首次使用排行榜中未出现的新框架搭建模型,可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。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
Caltech256
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 |
image_path |
string |
不为空 |
图片的相对路径 |
label |
int |
大于等于 0, 小于等于 255 |
物体类别 |
参考文献:
[1]CNS-TR-2007-001
评审标准
算法输入输出格式
输入字段:
image_path,
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。
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8,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94.53。
batch数据为64,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94.12。
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92.18。
4
batch数据为32,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为90.75。
5
batch数据为64,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89.12。
6
batch数据为96,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87.54。
7
batch数据为32,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为86.82。
8
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86.80。
9
batch数据为64,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86.79。
10
batch数据为128,循环次数为2222次,通过在线上环境完成训练,模型最优精度评分为86.53。
11
batch数据为32,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86.17。
12
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85.75。
13
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85.68。
14
batch数据为64,循环次数为12次,通过在线上环境完成训练,模型最优精度评分为85.44。
15
batch数据为64,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为85.43。
16
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85.43。
17
batch数据为64,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为84.91。
18
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84.75。
19
batch数据为1024,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84.72。
20
batch数据为256,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84.70。
21
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84.52。
22
batch数据为64,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84.42。
23
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84.32。
24
batch数据为500,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84.13。
25
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83.98。
26
batch数据为128,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83.87。
27
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83.75。
28
batch数据为256,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83.55。
29
batch数据为128,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83.51。
30
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83.46。
31
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83.19。
32
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83.19。
33
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83.19。
34
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83.19。
35
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83.19。
36
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83.19。
37
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83.19。
38
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83.19。
39
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83.19。
40
batch数据为48,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83.19。
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83.19。
42
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83.19。
43
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83.19。
44
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83.19。
45
batch数据为64,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为83.19。
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83.19。
47
batch数据为64,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83.19。
48
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83.19。
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83.19。
50
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83.19。
51
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83.19。
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83.19。
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83.19。
54
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83.19。
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83.19。
56
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83.19。
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83.19。
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83.19。
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83.19。
60
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83.19。
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83.19。
62
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83.19。
63
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83.19。
64
batch数据为10,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。
65
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83.19。
66
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83.19。
67
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83.19。
68
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83.19。
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83.19。
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83.19。
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83.19。
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83.19。
73
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83.19。
74
batch数据为8,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83.19。
75
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83.19。
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83.19。
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83.19。
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83.19。
79
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83.19。
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83.19。
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83.19。
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83.19。
83
batch数据为8,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。
84
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83.19。
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83.19。
86
batch数据为82,循环次数为66次,通过在线上环境完成训练,模型最优精度评分为83.19。
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83.19。
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83.19。
89
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83.19。
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83.19。
91
batch数据为128,循环次数为350次,通过在线上环境完成训练,模型最优精度评分为83.11。
92
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83.08。
93
batch数据为64,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83.03。
94
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82.94。
95
batch数据为64,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为82.86。
96
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82.72。
97
batch数据为62,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82.14。
98
batch数据为64,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82.10。
99
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81.85。
100
batch数据为128,循环次数为600次,通过在线上环境完成训练,模型最优精度评分为81.51。
101
batch数据为256,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81.30。
102
batch数据为64,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80.05。
103
batch数据为512,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79.97。
104
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79.89。
105
batch数据为64,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79.38。
106
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79.31。
107
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78.81。
108
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78.46。
109
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78.17。
110
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78.07。
111
batch数据为48,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77.50。
112
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77.18。
113
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77.12。
114
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76.88。
115
batch数据为64,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75.50。
116
batch数据为64,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75.47。
117
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74.58。
118
batch数据为256,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74.21。
119
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71.69。
120
batch数据为8,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69.21。
121
batch数据为64,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67.86。
122
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66.44。
123
batch数据为64,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64.83。
124
batch数据为64,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64.54。
125
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57.52。
126
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55.93。
127
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48.62。
128
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47.46。
129
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45.87。
130
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40.85。
131
batch数据为32,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为38.03。
132
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33.01。
133
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29.72。
134
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14.07。
135
batch数据为64,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12.32。
136
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9.79。
137
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8.28。
138
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7.09。
139
batch数据为64,循环次数为9000次,通过在线上环境完成训练,模型最优精度评分为7.05。
140
batch数据为64,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5.37。
141
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4.68。
142
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4.67。
143
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4.60。
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4.10。
145
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3.81。
146
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2.87。
147
batch数据为4,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2.54。
148
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2.17。
149
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1.86。
150
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1.80。
151
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1.46。
152
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0.34。
153
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0.29。
2020-11-09
- BOE_AIoT_CTO
-
模型得分为94.53,本次获得实时奖励奖金为550元
2020-11-09 11:06:45
2019-04-02
- 我的爱在西元前1554081999
-
模型得分为76.65,本次获得实时奖励奖金为10元
2019-04-02 11:41:04
- 小~蜉蝣
-
模型得分为8.65,本次获得实时奖励奖金为10元
2019-04-02 10:14:49
- RandomYC
-
模型得分为8.55,本次获得实时奖励奖金为10元
2019-04-02 08:55:50
2019-04-02
- reallocing
-
模型得分为0.34,本次获得实时奖励奖金为10元
2019-04-02 01:34:45
- 圣上
-
模型得分为4.68,本次获得实时奖励奖金为10元
2019-04-02 00:56:28
- 'code and paper'
-
模型得分为79.82,本次获得实时奖励奖金为10元
2019-04-01 19:15:44
- sunset
-
模型得分为1.58,本次获得实时奖励奖金为10元
2019-04-01 17:36:19
2019-04-01
- Value_H
-
模型得分为27.22,本次获得实时奖励奖金为10元
2019-04-01 15:29:12
2019-03-31
- KG
-
模型得分为5.37,本次获得实时奖励奖金为10元
2019-03-31 18:16:38
- 丶人狠话不多
-
模型得分为2.7,本次获得实时奖励奖金为10元
2019-03-31 14:33:12
- 非我非非晓我
-
模型得分为1.46,本次获得实时奖励奖金为10元
2019-03-31 14:06:31
- lyming
-
模型得分为71.69,本次获得实时奖励奖金为10元
2019-03-31 11:32:58
- cclxx
-
模型得分为2.4,本次获得实时奖励奖金为10元
2019-03-31 10:56:30
2019-03-31
- zhiduanqingchang
-
模型得分为10.75,本次获得实时奖励奖金为10元
2019-03-31 00:34:02
- 天天向上
-
模型得分为83.29,本次获得实时奖励奖金为10元
2019-03-30 22:22:59
- Daiccccc
-
模型得分为38.03,本次获得实时奖励奖金为10元
2019-03-30 21:54:17
- trickornot
-
模型得分为3.02,本次获得实时奖励奖金为10元
2019-03-30 18:49:52
2019-03-30
- 就是很任性
-
模型得分为2.33,本次获得实时奖励奖金为10元
2019-03-30 15:08:31
- zeng-_-|
-
模型得分为80.78,本次获得实时奖励奖金为10元
2019-03-30 13:52:23
2019-03-29
- kongd
-
模型得分为79.35,本次获得实时奖励奖金为10元
2019-03-29 23:47:56
- 我是灞波儿奔
-
模型得分为4.6,本次获得实时奖励奖金为10元
2019-03-29 22:01:43
- peterzhang
-
模型得分为3.84,本次获得实时奖励奖金为10元
2019-03-29 21:24:35
- DE Chen
-
模型得分为1.8,本次获得实时奖励奖金为10元
2019-03-29 18:33:59
- Hallo
-
模型得分为86.38,本次获得实时奖励奖金为10元
2019-03-29 18:21:12
- 红色的小蓝帽
-
模型得分为79.6,本次获得实时奖励奖金为10元
2019-03-29 16:54:17
2019-03-29
- 在北等你
-
模型得分为0.57,本次获得实时奖励奖金为10元
2019-03-29 07:54:32
2019-03-28
- 興趣使然的吃瓜少年
-
模型得分为1.6,本次获得实时奖励奖金为10元
2019-03-28 12:07:12
2019-03-27
- Seeney
-
模型得分为4.33,本次获得实时奖励奖金为10元
2019-03-27 23:58:35
- 玄学上分
-
模型得分为86.65,本次获得实时奖励奖金为319元
2019-03-27 18:33:51
- 火炎焱燚
-
模型得分为3.07,本次获得实时奖励奖金为10元
2019-03-27 16:24:56
2019-03-27
- Hnecl
-
模型得分为66.44,本次获得实时奖励奖金为10元
2019-03-27 14:49:15
2019-03-26
- 善假于物
-
模型得分为6.28,本次获得实时奖励奖金为10元
2019-03-26 22:36:00
- 围生
-
模型得分为9.49,本次获得实时奖励奖金为10元
2019-03-26 15:08:44
2019-03-26
- 孙文亮
-
模型得分为9.79,本次获得实时奖励奖金为10元
2019-03-26 10:25:04
2019-03-26
- 玄学上分
-
模型得分为6.82,本次获得实时奖励奖金为10元
2019-03-26 00:59:47
2019-03-22
- sytv587
-
模型得分为4.05,本次获得实时奖励奖金为10元
2019-03-22 05:47:46
2019-03-19
- poplar
-
模型得分为40.85,本次获得实时奖励奖金为10元
2019-03-19 15:44:35
2019-03-18
- fly
-
模型得分为82.59,本次获得实时奖励奖金为10元
2019-03-18 18:22:44
2019-03-18
- 风雨兼程
-
模型得分为79.7,本次获得实时奖励奖金为10元
2019-03-18 10:13:06
- 你猜猜我是谁
-
模型得分为18.89,本次获得实时奖励奖金为10元
2019-03-18 09:39:24
2019-03-17
- 你猜猜我是谁
-
模型得分为85.68,本次获得实时奖励奖金为156元
2019-03-17 16:44:17
- trick_or_treat
-
模型得分为85.19,本次获得实时奖励奖金为1302元
2019-03-17 11:38:07
2019-03-16
- trick_or_treat
-
模型得分为42.95,本次获得实时奖励奖金为10元
2019-03-16 16:04:34
2019-03-15
- 影分身
-
模型得分为2.45,本次获得实时奖励奖金为10元
2019-03-15 15:21:32
2019-02-21
- FlyAI小助手
-
模型得分为58.67,本次获得实时奖励奖金为10元
2019-02-21 23:33:44