- 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
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
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。
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！
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。
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。
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。
4
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。
5
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。
6
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。
7
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为99.57。
8
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。
9
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。
10
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。
11
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。
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。
13
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。
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。
16
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。
17
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99.48。
18
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为99.46。
19
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99.46。
20
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。
21
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。
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99.42。
23
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。
24
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。
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99.39。
26
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为99.39。
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99.36。
28
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。
29
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。
30
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。
31
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。
32
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。
33
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。
34
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。
35
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。
36
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。
37
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。
38
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。
39
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。
40
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。
41
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。
42
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。
43
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。
44
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。
45
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。
46
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。
47
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。
48
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。
49
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。
50
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。
51
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95.65。
52
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。
53
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。
54
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。
55
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。
56
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。
57
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。
58
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。
59
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。
60
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。
61
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。
62
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。
63
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。
64
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。
65
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。
66
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。
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93.51。
68
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。
69
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。
70
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。
71
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。
72
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。
73
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。
74
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。
75
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。
76
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。
77
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。
78
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。
79
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。
80
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。
81
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。
82
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。
83
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。
84
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。
85
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。
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91.79。
87
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。
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91.79。
89
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。
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91.79。
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91.79。
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91.79。
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91.79。
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91.79。
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91.79。
96
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。
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91.79。
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91.79。
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91.79。
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91.79。
101
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。
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91.79。
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91.79。
104
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。
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91.79。
106
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。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
108
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。
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91.79。
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91.79。
111
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。
112
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。
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91.79。
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91.79。
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91.79。
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91.79。
117
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。
118
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。
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91.79。
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91.79。
121
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。
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91.79。
123
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。
124
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。
125
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。
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。
127
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
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91.79。
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91.79。
130
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。
131
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。
132
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
133
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。
134
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。
135
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。
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91.79。
137
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。
138
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。
139
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。
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91.79。
141
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。
142
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。
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91.79。
144
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。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
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91.79。
147
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。
148
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。
149
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。
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91.79。
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91.79。
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91.79。
153
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。
154
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。
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91.79。
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91.79。
157
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
158
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。
159
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。
160
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。
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91.79。
162
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。
163
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
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91.79。
165
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。
166
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。
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91.79。
168
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。
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91.79。
170
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。
171
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。
172
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。
173
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。
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91.79。
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91.79。
176
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。
177
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。
178
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。
179
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。
180
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。
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91.79。
182
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。
183
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。
184
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。
185
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。
186
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。
187
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。
188
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。
189
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。
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91.79。
191
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。
192
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。
193
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。
194
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
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91.79。
196
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。
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91.79。
198
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。
199
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。
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91.79。
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91.79。
202
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。
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91.79。
204
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
205
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。
206
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。
207
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
208
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。
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91.79。
210
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。
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91.79。
212
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。
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91.79。
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91.79。
215
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
216
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。
217
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。
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91.79。
219
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
220
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。
221
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。
222
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.79。
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91.79。
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91.79。
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91.79。
226
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。
227
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。
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91.79。
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91.79。
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91.79。
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91.79。
232
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91.79。
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91.79。
234
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。
235
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。
236
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。
237
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。
238
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。
239
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。
240
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。
241
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。
242
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。
243
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。
244
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。
245
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。
246
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。
247
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。
248
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。
249
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。
250
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。
251
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。
252
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。
253
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。
254
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。
255
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。
256
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。
257
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。
258
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。
259
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。
260
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。
261
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。
262
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。
263
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。
264
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。
265
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。
266
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。
267
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。
268
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。
269
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。
270
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。
271
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。
272
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。
273
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。
274
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。
275
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。
276
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。
277
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。
278
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。
279
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。
280
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。
281
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。
282
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。
283
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。
284
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。
- 五月^V^
-
模型得分为87.61，本次获得实时奖励奖金为10元
2019-04-02 09:06:25
- 大仙的男人
-
模型得分为90.14，本次获得实时奖励奖金为10元
2019-04-01 02:40:07
- WayPlus
-
模型得分为86.16，本次获得实时奖励奖金为10元
2019-03-30 21:21:54
- 杰
-
模型得分为83.86，本次获得实时奖励奖金为10元
2019-03-30 16:24:44
- 萌萌
-
模型得分为17.34，本次获得实时奖励奖金为10元
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元
2019-03-29 18:40:19
- matthew
-
模型得分为65.89，本次获得实时奖励奖金为10元
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元
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元
2019-03-26 18:20:03
- 李大可
-
模型得分为24.94，本次获得实时奖励奖金为10元
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元
2019-03-26 00:10:31
- 植
-
模型得分为29.24，本次获得实时奖励奖金为10元
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元
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元
2019-03-25 18:25:38
- 致Great
-
模型得分为86.59，本次获得实时奖励奖金为10元
2019-03-24 15:03:21
- 代码搬运工
-
模型得分为8.81，本次获得实时奖励奖金为10元
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元
2019-03-22 18:01:30
- 张帅
-
模型得分为88.06，本次获得实时奖励奖金为10元
2019-03-20 21:43:28
- QiJQ
-
模型得分为88.58，本次获得实时奖励奖金为10元
2019-03-20 03:03:28
- ಠ_ಠ
-
模型得分为29.19，本次获得实时奖励奖金为10元
2019-03-19 16:28:04
- Jackko
-
模型得分为64.29，本次获得实时奖励奖金为10元
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元
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元
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元
2019-03-18 10:00:31
- 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元
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元
2019-03-17 21:34:19
- sytv587
-
模型得分为92.19，本次获得实时奖励奖金为10元
2019-03-17 13:28:00
- DDBG
-
模型得分为86.92，本次获得实时奖励奖金为10元
2019-03-16 17:19:17
- 木鱼
-
模型得分为89.51，本次获得实时奖励奖金为10元
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元
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元
2019-03-15 15:56:16
- trick_or_treat
-
模型得分为93.57，本次获得实时奖励奖金为10元
2019-03-15 12:40:05
- poison
-
模型得分为98.96，本次获得实时奖励奖金为21元
2019-03-12 17:38:59
- 梯度下降
-
模型得分为98.59，本次获得实时奖励奖金为3元
2019-03-11 22:33:07
- 梯度下降
-
模型得分为98.53，本次获得实时奖励奖金为553元
2019-03-10 19:14:16
