- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论(2)
- 学习资源
大赛简介
这个数据集为语音命令识别（speech command），识别12个类别的语音，包括10种语音命令、静音以及其他语音的。数据集包含了超过2万多的语音文件。
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
SpeechCommand
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 |
|---|
| wav | string | 不为空 | 语音文件 |
| label | string | 不为空 | 类别 |
参考文献：
[1]TensorFlow Speech Recognition Challenge: Can you build an algorithm that understands simple speech commands?
评审标准
算法输入输出格式
输入字段：
wav,
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128，循环次数为52次，通过在线上环境完成训练，模型最优精度评分为97.00。
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93.20。
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92.71。
4
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91.10。
5
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88.46。
6
batch数据为512，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82.72。
7
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81.50。
8
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81.50。
9
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为80.09。
10
batch数据为32，循环次数为2500次，通过在线上环境完成训练，模型最优精度评分为8.74。
11
batch数据为16，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7.77。
12
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
13
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
14
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
15
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
16
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
17
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
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7.77。
19
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7.77。
20
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7.77。
21
batch数据为40，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7.77。
22
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为7.77。
- =
模型得分为97，本次获得实时奖励奖金为184元
2020-08-05 15:12:25
- =
模型得分为96.42，本次获得实时奖励奖金为390元
2020-08-05 15:09:27
- =
模型得分为95.1，本次获得实时奖励奖金为8元
2019-09-09 15:27:49
- =
模型得分为95.07，本次获得实时奖励奖金为258元
2019-09-09 11:31:54
- =
模型得分为94.12，本次获得实时奖励奖金为18元
2019-07-01 11:43:39
- =
模型得分为94.05，本次获得实时奖励奖金为215元
2019-06-24 11:09:00
- 善假于物
模型得分为93.2，本次获得实时奖励奖金为117元
2019-04-03 18:23:23
- 梯度下降
模型得分为92.71，本次获得实时奖励奖金为1789元
2019-03-23 21:21:41
- 陈睿智
模型得分为8.74，本次获得实时奖励奖金为10元
2019-03-23 20:00:12
- 梯度下降
模型得分为81.15，本次获得实时奖励奖金为940元
2019-03-20 15:32:23
- 梯度下降
模型得分为7.77，本次获得实时奖励奖金为10元
2019-03-20 10:48:45
=
jackli777