MNIST手写数字识别练习赛

分享给好友

2019-01-01 15:00:00
开始提交

2019-01-31 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 7
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

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
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})
  • 学习资源

$vue{item.rank_name}

大赛简介

MNIST手写数字数据库具有60,000个训练集和10,000个测试集。它是NIST大集合的子集。数字已经过尺寸标准化,并以固定尺寸的图像为中心。数据集中图像为28*28的二进制图片。它是一个很好的入门计算机视觉的数据集。

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)
FlyAI挑战奖 所有挑战者 奖金获取标准:95<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

MNIST

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
image_path string 不为空 图片的相对路径
label float 大于等于 0, 小于等于 9 图片的标注标签

参考文献:

[1]Yann LeCun, Courant Institute, NYU

[2]Corinna Cortes, Google Labs, New York

[3]Christopher J.C. Burges, Microsoft Research, Redmond

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 95分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

你猜猜我是谁

51.00

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99.86。

2019-03-18 12:07:30

51.00

99.86

第三名

飞起来一样

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99.77。

2021-04-04 16:35:25

99.77

第三名

五叶草

batch数据为42000,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99.74。

2019-04-07 19:55:27

99.74

4

kangyang

batch数据为128,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为99.71。

2020-02-20 23:29:53

99.71

5

cnn

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99.63。

2019-06-25 21:32:30

99.63

6

胡胡

batch数据为1024,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99.59。

2020-04-24 19:08:13

99.59

7

修竹墨客

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99.57。

2020-04-09 17:58:26

99.57

8

AMERICA

batch数据为500,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99.56。

2019-08-25 07:07:11

99.56

9

haha-go

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99.56。

2019-12-14 12:25:57

99.56

10

我是管小亮:)

batch数据为64,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为99.55。

2019-10-21 16:16:12

99.55

11

cyh12315

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99.54。

2020-03-11 11:39:25

99.54

12

=

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99.53。

2019-04-30 00:27:23

99.53

13

九天揽月

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99.53。

2020-09-09 22:31:43

99.53

14

Zy.S

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99.50。

2019-12-21 20:16:43

99.50

15

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99.49。

2019-07-23 13:01:28

99.49

16

第七秒的鱼

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99.49。

2020-06-09 18:36:38

99.49

17

左撇子

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99.46。

2019-12-29 20:53:50

99.46

18

きょほう

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99.44。

2019-11-16 12:19:04

99.44

19

Li Kuo-tung

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99.42。

2020-04-28 12:23:37

99.42

20

Kit

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99.41。

2019-11-24 12:14:37

99.41

21

疯狂的大笨蛋

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99.39。

2020-05-03 16:36:31

99.39

22

AHU张雨

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99.39。

2020-06-06 15:28:21

99.39

23

七夜

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99.35。

2020-04-25 12:18:39

99.35

24

路人甲

batch数据为200,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99.31。

2020-02-22 10:03:51

99.31

25

样例代码

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99.26。

2019-10-14 00:32:12

99.26

26

cocokola

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99.25。

2021-03-05 18:48:43

99.25

27

machinelearning小学生

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99.21。

2019-06-28 12:00:17

99.21

28

CXL

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99.16。

2020-11-25 11:32:59

99.16

29

wwk

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99.16。

2021-05-13 22:11:06

99.16

30

WayPlus

10.00

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99.09。

2019-04-03 02:13:38

10.00

99.09

31

jasnei

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99.05。

2020-09-11 16:16:56

99.05

32

koervcor

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98.96。

2021-04-27 11:27:32

98.96

33

Bright

batch数据为500,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98.61。

2019-09-02 09:46:04

98.61

34

Victor Hong

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98.61。

MXNet

LeNet5

2019-09-02 22:41:34

98.61

35

JosonChan

batch数据为512,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98.54。

2020-02-25 01:18:44

98.54

36

chenfengshf

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98.39。

2019-08-13 12:27:24

98.39

37

success9465

batch数据为128,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98.15。

2019-11-29 07:02:49

98.15

38

LOSKI

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98.13。

2019-10-26 09:09:39

98.13

39

iris

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98.01。

2019-04-02 16:44:19

98.01

40

做自己的唯一

batch数据为200,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97.24。

2019-07-31 22:06:18

97.24

41

anticlockwise

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97.12。

2019-08-06 18:19:42

97.12

42

宇宙

batch数据为50000,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97.09。

2019-05-22 21:51:14

97.09

43

Again

batch数据为1024,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96.01。

2019-06-06 21:04:40

96.01

44

Cosimo

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95.90。

2019-06-03 20:47:03

95.90

45

flyai会员1577688705

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95.71。

2019-12-30 19:56:38

95.71

46

莫须有の嚣张

batch数据为10000,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95.00。

2019-06-17 01:20:50

95.00

47

木鱼

10.00

batch数据为64,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为94.84。

2019-03-31 12:59:28

10.00

94.84

48

zizaieee

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94.52。

2019-04-13 19:39:39

94.52

49

sytv587

10.00

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94.51。

Keras

CNN_

2019-03-17 23:55:52

10.00

94.51

50

fly

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94.44。

2019-03-19 10:14:47

94.44

51

北极烧烤肉丝

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94.41。

2019-04-29 21:55:43

94.41

52

晓风

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94.34。

2019-05-04 21:23:24

94.34

53

uian

batch数据为256,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94.21。

2019-07-23 01:06:42

94.21

54

matthew

10.00

batch数据为256,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94.14。

2019-03-27 16:29:46

10.00

94.14

55

Xin Yao

batch数据为1000,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94.01。

2019-06-25 10:42:47

94.01

56

Leeeon

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93.91。

2019-06-21 21:03:56

93.91

57

Leong_Logan

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93.81。

2019-04-02 21:31:45

93.81

58

(ಡωಡ)

batch数据为256,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93.68。

2019-08-15 19:35:21

93.68

59

鹦武鸟

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93.59。

2019-04-07 15:58:32

93.59

60

心如止水

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93.55。

2019-05-16 15:55:25

93.55

61

于峰

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93.51。

2019-06-20 15:38:28

93.51

62

qf1563189442

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93.33。

2019-09-17 00:04:05

93.33

63

刘志强

batch数据为16,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93.30。

2019-07-22 21:58:16

93.30

64

zjy

batch数据为1024,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93.22。

2019-06-03 20:53:36

93.22

65

风雨兼程

10.00

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93.14。

2019-03-18 10:17:28

10.00

93.14

66

hiccup

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93.11。

2019-05-13 18:48:34

93.11

67

AiFool

batch数据为5000,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93.10。

2019-05-24 01:06:57

93.10

68

袁璞

batch数据为256,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92.95。

2019-07-12 12:23:52

92.95

69

Jackko

10.00

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92.90。

2019-03-18 13:08:45

10.00

92.90

70

王璐

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92.86。

2019-07-10 20:59:20

92.86

71

10.00

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92.74。

2019-03-25 21:40:17

10.00

92.74

72

oliver1562911697

batch数据为42000,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92.60。

2019-07-14 12:14:56

92.60

73

斗牛要不要

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92.23。

2019-05-31 21:37:38

92.23

74

ROC

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92.20。

2019-04-03 18:29:29

92.20

75

huzhong

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91.90。

2019-04-08 14:37:41

91.90

76

不形于色

10.00

batch数据为64,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91.81。

2019-03-25 21:03:19

10.00

91.81

77

DDBG

10.00

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91.79。

2019-03-16 15:53:37

10.00

91.79

78

trick_or_treat

10.00

batch数据为256,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91.79。

2019-03-19 15:18:33

10.00

91.79

79

chenyl

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91.79。

2019-04-03 12:48:08

91.79

80

sun_ds

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91.79。

2019-09-03 15:28:28

91.79

81

田纳尔多1556887204

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91.79。

2019-10-02 14:23:53

91.79

82

Zgw

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91.79。

2019-10-23 04:08:04

91.79

83

金文东

batch数据为100,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91.79。

2019-10-23 09:08:09

91.79

84

ice

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91.79。

2019-10-23 23:34:17

91.79

85

Liu Wangchao

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91.79。

2019-10-24 13:52:54

91.79

86

信息-杨波

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91.79。

2019-10-25 14:13:59

91.79

87

章鑫

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91.79。

2019-10-29 10:46:00

91.79

88

All-in

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91.79。

2019-10-29 14:19:06

91.79

89

Swaggy

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91.79。

2019-10-29 22:18:54

91.79

90

ssatcc

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91.79。

2019-10-30 21:23:13

91.79

91

rainwy

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91.79。

2019-10-31 19:06:48

91.79

92

Keven Ge

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91.79。

2019-10-31 20:08:50

91.79

93

Vince1572582953

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91.79。

2019-11-01 12:45:08

91.79

94

Rsq (Ai)

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91.79。

2019-11-01 15:14:56

91.79

95

BienChen

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91.79。

2019-11-02 16:38:55

91.79

96

Lonely leaf

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91.79。

2019-11-03 12:31:36

91.79

97

逍遥

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91.79。

2019-11-04 14:14:10

91.79

98

梁霄

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91.79。

2019-11-04 15:42:33

91.79

99

阿毛啊

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91.79。

2019-11-05 13:16:44

91.79

100

koala

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91.79。

2019-11-05 17:10:00

91.79

101

守候

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91.79。

2019-11-05 17:15:39

91.79

102

Allesia

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91.79。

2019-11-05 17:23:36

91.79

103

顺子

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91.79。

2019-11-05 21:34:48

91.79

104

Despicable Me

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91.79。

2019-11-06 15:36:40

91.79

105

王正伟

batch数据为30,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91.79。

2019-11-06 19:42:15

91.79

106

C.Q Wang

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91.79。

2019-11-06 21:55:44

91.79

107

蛋蛋白

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91.79。

2019-11-08 17:06:58

91.79

108

clayne

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91.79。

2019-11-11 12:26:55

91.79

109

二十三岁

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91.79。

2019-11-11 15:14:51

91.79

110

Sonder

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91.79。

2019-11-15 00:26:45

91.79

111

wenkun97

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91.79。

2019-11-16 20:25:48

91.79

112

ZTL

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91.79。

2019-11-21 22:42:48

91.79

113

JWargrave

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91.79。

2019-11-22 09:56:52

91.79

114

Woz

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91.79。

2019-11-23 17:10:23

91.79

115

atway

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91.79。

2019-11-25 16:45:49

91.79

116

nick1889

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91.79。

2019-11-26 15:24:18

91.79

117

flipped1574829456

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91.79。

2019-11-27 14:17:51

91.79

118

Protect.Y

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91.79。

2019-11-28 12:51:10

91.79

119

o荷塘月色o

batch数据为100,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91.79。

2019-11-28 16:05:28

91.79

120

Solace

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91.79。

Keras

LeNet5

2019-11-29 10:49:13

91.79

121

罗敏

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91.79。

2019-12-03 11:43:11

91.79

122

孤独剑

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91.79。

2019-12-06 16:07:46

91.79

123

flyai会员1576410857

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91.79。

2019-12-15 20:01:31

91.79

124

东临天下

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91.79。

2019-12-16 14:29:10

91.79

125

会员1576582768

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91.79。

2019-12-18 13:56:31

91.79

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91.79。

2019-12-20 13:49:30

91.79

127

Superman

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91.79。

2019-12-21 15:21:06

91.79

128

kathyX

batch数据为42000,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91.79。

2019-12-24 21:49:51

91.79

129

yltl

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91.79。

2019-12-25 10:31:08

91.79

130

火星人_

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91.79。

2019-12-28 15:59:53

91.79

131

znce

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91.79。

2019-12-31 23:10:18

91.79

132

Z.Y.Wei

batch数据为512,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91.79。

2020-01-02 20:13:37

91.79

133

勿谓言之不预也

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91.79。

2020-01-05 16:44:39

91.79

134

小十三

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91.79。

2020-01-08 17:49:13

91.79

135

。1577103723

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91.79。

2020-01-09 08:59:59

91.79

136

flyai会员1576507539

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91.79。

2020-01-10 15:52:34

91.79

137

哈哈哈哈哈哈哈

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91.79。

2020-01-13 16:10:43

91.79

138

jackielyc

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91.79。

2020-01-15 15:50:00

91.79

139

flyai会员1579220459

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91.79。

2020-01-17 11:17:01

91.79

140

陌上羽

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91.79。

2020-01-20 20:21:52

91.79

141

Cony

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91.79。

2020-01-21 16:27:04

91.79

142

strugglejx

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91.79。

2020-01-22 15:55:10

91.79

143

Lin1580030365

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91.79。

2020-01-27 21:16:03

91.79

144

wmqian

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91.79。

2020-01-31 17:04:41

91.79

145

EmcikemStein

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91.79。

2020-02-05 10:45:24

91.79

146

你猜我叫啥

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91.79。

2020-02-08 23:06:17

91.79

147

cyan

batch数据为64,循环次数为256次,通过在线上环境完成训练,模型最优精度评分为91.79。

2020-02-12 14:23:06

91.79

148

Ray-z

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91.79。

2020-02-13 11:53:00

91.79

149

Mr.Jin

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91.79。

2020-02-13 22:19:38

91.79

150

NULL1581745841

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91.79。

2020-02-15 15:38:30

91.79

151

无聊到自闭自开花到底最多几个字

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91.79。

2020-02-15 16:09:50

91.79

152

FFTW

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91.79。

2020-02-28 19:59:27

91.79

153

CUPRK

batch数据为5,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91.79。

2020-03-01 16:03:04

91.79

154

little

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91.79。

2020-03-02 13:36:28

91.79

155

Albert1584276748

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91.79。

2020-03-15 21:54:54

91.79

156

声之行

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91.79。

2020-03-18 18:15:18

91.79

157

鲨鱼辣椒

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91.79。

2020-03-27 18:15:58

91.79

158

Letting-Go

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91.79。

2020-04-06 10:39:45

91.79

159

GNU

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91.79。

2020-04-08 19:42:28

91.79

160

chino

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91.79。

2020-04-15 13:07:45

91.79

161

winfred

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91.79。

2020-04-15 15:16:05

91.79

162

墨黎

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91.79。

2020-04-17 00:32:02

91.79

163

Feng1583890403

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91.79。

2020-04-18 21:57:22

91.79

164

当年拚却醉颜红

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91.79。

2020-04-19 23:51:55

91.79

165

一地鸡毛

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91.79。

2020-04-26 22:08:22

91.79

166

逆丶流

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91.79。

2020-04-27 08:47:11

91.79

167

好名字1575645226

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91.79。

2020-04-29 11:22:09

91.79

168

萌新小白

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91.79。

2020-05-11 21:53:19

91.79

169

充电宝罢工了

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91.79。

2020-05-19 12:07:00

91.79

170

rzchen

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91.79。

2020-05-24 00:21:48

91.79

171

也许1587912082

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91.79。

2020-05-25 17:33:40

91.79

172

zgomy

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91.79。

2020-05-26 21:03:55

91.79

173

枫雪天

batch数据为256,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91.79。

2020-06-01 20:58:54

91.79

174

CofCai

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91.79。

2020-06-07 16:44:04

91.79

175

陈康

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91.79。

2020-06-17 22:39:00

91.79

176

奈落

batch数据为16,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91.79。

2020-06-27 10:41:17

91.79

177

朕伯庸

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91.79。

2020-06-27 16:03:45

91.79

178

PJ1577878407

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91.79。

2020-07-01 23:39:00

91.79

179

helloword

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91.79。

2020-07-07 22:39:56

91.79

180

she

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91.79。

2020-07-08 14:43:49

91.79

181

lyman

batch数据为256,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为91.79。

2020-07-08 20:57:48

91.79

182

杨泽鹏

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91.79。

2020-07-11 23:55:44

91.79

183

罂粟

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91.79。

2020-07-15 09:28:18

91.79

184

Salud

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91.79。

2020-07-20 16:55:23

91.79

185

嗯,有内味了

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91.79。

2020-07-23 09:37:44

91.79

186

慎言

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91.79。

2020-08-06 12:52:29

91.79

187

是阿正

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91.79。

2020-09-05 09:59:35

91.79

188

Kylin麓

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91.79。

2020-09-07 17:53:20

91.79

189

氕氘氚

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91.79。

2020-09-27 20:55:48

91.79

190

Went

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91.79。

2020-10-06 12:45:52

91.79

191

黄钲

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91.79。

2020-10-15 16:35:38

91.79

192

stitch626

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91.79。

2020-10-25 14:56:39

91.79

193

向前

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91.79。

2020-10-25 21:13:50

91.79

194

flyai会员1603955709

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91.79。

2020-10-29 15:33:47

91.79

195

flyai会员1603024333

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91.79。

2020-11-08 16:41:44

91.79

196

尹xian森森

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91.79。

2020-11-11 20:19:42

91.79

197

flyai会员1604401951

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91.79。

2020-11-11 23:32:07

91.79

198

lyx1605442571

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91.79。

2020-11-15 22:38:21

91.79

199

戴云鹤

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91.79。

2020-11-25 20:31:13

91.79

200

flyai会员1596852425

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91.79。

2020-12-06 21:00:36

91.79

201

沉醉AI~无法自拔

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91.79。

2020-12-16 23:24:40

91.79

202

Healer1608716588

batch数据为5,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91.79。

2020-12-23 17:48:17

91.79

203

flyai会员1608776930

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91.79。

2020-12-24 10:40:07

91.79

204

王鲁棒

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91.79。

2020-12-26 10:17:46

91.79

205

枯荣

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91.79。

2021-01-02 00:26:43

91.79

206

不只是大叔

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91.79。

2021-01-06 14:48:51

91.79

207

南柯1610357412

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91.79。

Keras

LeNet5

2021-01-11 17:34:40

91.79

208

指间砂

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91.79。

2021-01-25 18:57:06

91.79

209

flyai会员1613631880

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91.79。

2021-02-18 15:07:21

91.79

210

xphan

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91.79。

2021-03-01 15:49:04

91.79

211

认可

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91.79。

2021-03-01 17:00:34

91.79

212

花开花落qd

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91.79。

2021-03-10 10:22:52

91.79

213

flyai会员1615558798

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91.79。

2021-03-13 11:45:01

91.79

214

flyai会员1615044207

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91.79。

2021-03-30 16:16:08

91.79

215

Vkino

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91.79。

2021-04-09 14:16:49

91.79

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91.79。

2021-05-13 13:49:59

91.79

217

Nightingale

10.00

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91.77。

2019-03-17 21:34:19

10.00

91.77

218

sinh

batch数据为50,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91.76。

2019-04-05 17:18:32

91.76

219

candyriver

batch数据为512,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91.76。

2019-08-11 20:45:12

91.76

220

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91.70。

2019-03-19 15:59:18

91.70

221

PPdog

batch数据为256,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91.41。

Keras

xxqnet_v6

2019-06-19 14:12:33

91.41

222

亦云

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91.33。

2019-05-22 18:04:24

91.33

223

Hallo

10.00

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90.94。

2019-03-17 23:01:36

10.00

90.94

224

火炎焱燚

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90.90。

2019-04-04 12:39:58

90.90

225

flashsherlock

batch数据为100,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90.72。

2019-07-18 15:47:59

90.72

226

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90.69。

2019-11-13 01:23:31

90.69

227

就是很任性

10.00

batch数据为320,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90.64。

2019-03-25 18:25:38

10.00

90.64

228

山高水远。

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90.59。

2019-04-16 17:59:07

90.59

229

菜的掉渣

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90.45。

2019-10-11 01:35:58

90.45

230

FC

batch数据为200,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90.37。

2019-04-06 09:09:05

90.37

231

Hnecl

10.00

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90.34。

2019-03-26 18:41:59

10.00

90.34

232

Lucaschen

10.00

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90.24。

2019-03-29 18:40:19

10.00

90.24

233

大仙的男人

10.00

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90.14。

2019-04-01 02:40:07

10.00

90.14

234

物理课代表

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90.11。

2019-05-13 03:57:56

90.11

235

凉心半浅良心人

batch数据为64,循环次数为450次,通过在线上环境完成训练,模型最优精度评分为90.11。

2019-05-18 02:50:44

90.11

236

fmy

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90.10。

2019-04-02 22:15:24

90.10

237

代码搬运工

10.00

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89.99。

2019-03-23 01:30:08

10.00

89.99

238

kongd

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89.38。

2019-04-02 22:00:55

89.38

239

参赛小学生

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88.76。

2019-05-08 01:12:28

88.76

240

QiJQ

10.00

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88.58。

2019-03-20 03:03:28

10.00

88.58

241

萌萌

10.00

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88.41。

2019-03-29 21:24:44

10.00

88.41

242

张绪财

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88.38。

2019-08-14 22:10:31

88.38

243

李大可

10.00

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88.21。

2019-03-26 00:56:30

10.00

88.21

244

爱做梦的柯基

10.00

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88.14。

2019-03-26 18:20:03

10.00

88.14

245

张帅

10.00

batch数据为256,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88.06。

2019-03-20 21:43:28

10.00

88.06

246

醉意

10.00

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87.89。

2019-03-18 13:24:10

10.00

87.89

247

vue

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87.84。

2019-09-08 23:36:58

87.84

248

I admit myself

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87.80。

2019-07-03 04:29:41

87.80

249

五月^V^

10.00

batch数据为256,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87.61。

2019-04-02 09:06:25

10.00

87.61

250

第五轻柔

batch数据为128,循环次数为80次,通过在线上环境完成训练,模型最优精度评分为86.64。

2019-07-03 20:18:51

86.64

251

致Great

10.00

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86.59。

2019-03-24 15:03:21

10.00

86.59

252

深潜

batch数据为512,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85.52。

2019-05-10 04:40:32

85.52

253

yahiko

batch数据为500,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85.09。

2019-06-21 13:19:01

85.09

254

Gabski

10.00

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84.66。

2019-03-26 00:10:31

10.00

84.66

255

10.00

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83.86。

2019-03-30 16:24:44

10.00

83.86

256

qqm

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46.01。

2019-05-01 21:24:47

46.01

257

ZYZhang

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41.80。

2019-04-27 18:31:53

41.80

258

夏末的夏

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39.55。

2019-04-23 18:59:14

39.55

259

FlyAI小助手

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36.62。

2019-03-21 11:51:56

36.62

260

祥文 Shawn

10.00

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33.04。

2019-03-22 18:01:30

10.00

33.04

261

heihei

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31.46。

2019-05-14 16:04:14

31.46

262

hello80

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29.51。

2019-04-19 21:43:12

29.51

263

ಠ_ಠ

10.00

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29.19。

2019-03-19 16:28:04

10.00

29.19

264

Hundredays

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20.71。

2019-05-05 17:37:41

20.71

265

愚公的锤子

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12.69。

2019-05-09 02:01:40

12.69

266

理言

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9.56。

2019-05-09 01:03:12

9.56

267

TheKernel

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9.56。

2019-08-02 18:05:25

9.56

2019-04-02
五月^V^

模型得分为87.61,本次获得实时奖励奖金为10

2019-04-02 09:06:25

2019-04-01
大仙的男人

模型得分为90.14,本次获得实时奖励奖金为10

2019-04-01 02:40:07

2019-03-30
WayPlus

模型得分为86.16,本次获得实时奖励奖金为10

2019-03-30 21:21:54

模型得分为83.86,本次获得实时奖励奖金为10

2019-03-30 16:24:44

2019-03-29
萌萌

模型得分为17.34,本次获得实时奖励奖金为10

2019-03-29 20:05:21

Lucaschen

模型得分为90.24,本次获得实时奖励奖金为10

2019-03-29 18:40:19

2019-03-26
matthew

模型得分为65.89,本次获得实时奖励奖金为10

2019-03-26 22:31:16

Hnecl

模型得分为90.34,本次获得实时奖励奖金为10

2019-03-26 18:41:59

爱做梦的柯基

模型得分为88.14,本次获得实时奖励奖金为10

2019-03-26 18:20:03

2019-03-26
李大可

模型得分为24.94,本次获得实时奖励奖金为10

2019-03-26 00:50:46

Gabski

模型得分为84.66,本次获得实时奖励奖金为10

2019-03-26 00:10:31

模型得分为29.24,本次获得实时奖励奖金为10

2019-03-25 21:26:20

不形于色

模型得分为91.81,本次获得实时奖励奖金为10

2019-03-25 21:03:19

就是很任性

模型得分为90.64,本次获得实时奖励奖金为10

2019-03-25 18:25:38

2019-03-24
致Great

模型得分为86.59,本次获得实时奖励奖金为10

2019-03-24 15:03:21

2019-03-23
代码搬运工

模型得分为8.81,本次获得实时奖励奖金为10

2019-03-23 01:26:54

祥文 Shawn

模型得分为33.04,本次获得实时奖励奖金为10

2019-03-22 18:01:30

2019-03-20
张帅

模型得分为88.06,本次获得实时奖励奖金为10

2019-03-20 21:43:28

2019-03-20
QiJQ

模型得分为88.58,本次获得实时奖励奖金为10

2019-03-20 03:03:28

2019-03-19
ಠ_ಠ

模型得分为29.19,本次获得实时奖励奖金为10

2019-03-19 16:28:04

2019-03-18
Jackko

模型得分为64.29,本次获得实时奖励奖金为10

2019-03-18 12:25:10

你猜猜我是谁

模型得分为99.86,本次获得实时奖励奖金为41

2019-03-18 12:07:30

醉意

模型得分为48.34,本次获得实时奖励奖金为10

2019-03-18 11:56:46

风雨兼程

模型得分为87.66,本次获得实时奖励奖金为10

2019-03-18 10:00:31

2019-03-17
你猜猜我是谁

模型得分为98.64,本次获得实时奖励奖金为10

2019-03-17 22:43:26

Nightingale

模型得分为91.77,本次获得实时奖励奖金为10

2019-03-17 21:34:19

2019-03-17
sytv587

模型得分为92.19,本次获得实时奖励奖金为10

2019-03-17 13:28:00

2019-03-16
DDBG

模型得分为86.92,本次获得实时奖励奖金为10

2019-03-16 17:19:17

2019-03-15
木鱼

模型得分为89.51,本次获得实时奖励奖金为10

2019-03-15 23:09:18

Hallo

模型得分为44.81,本次获得实时奖励奖金为10

2019-03-15 20:14:03

LXY

模型得分为92.88,本次获得实时奖励奖金为10

2019-03-15 15:56:16

2019-03-15
trick_or_treat

模型得分为93.57,本次获得实时奖励奖金为10

2019-03-15 12:40:05

2019-03-12
poison

模型得分为98.96,本次获得实时奖励奖金为21

2019-03-12 17:38:59

2019-03-11
梯度下降

模型得分为98.59,本次获得实时奖励奖金为3

2019-03-11 22:33:07

2019-03-10
梯度下降

模型得分为98.53,本次获得实时奖励奖金为553

2019-03-10 19:14:16

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
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

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