- 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
此数据集包含超过10000条社交平台Twitter上的推文，其中包括对一些'着火'、'隔离'、'混乱'等关键词的搜索，判断推文内容是否涉及灾难性的事件（这里排除对一些文字、电影评论或者非灾难事件等开玩笑的内容）。
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) |
| 参与奖（总奖金30%） |
所有人 |
不同得分区间获得相应的竞赛奖金 |
| 突破奖（总奖金20%） |
所有人 |
更新排行榜得分，获取相应竞赛奖金 |
| 排名奖（总奖金50%） |
第一周/月前3名（冠、亚、季军） |
项目上线第一周、第一个月; Time_P(周) = 0.5，Time_P(月) = 0.5；K1=0.5，K2=0.3，K3=0.2； |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。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
DisasterDet
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 |
| text |
string |
不为空 |
文本 |
| label |
int |
大于等于 0, 小于等于 1 |
分类标签 |
参考文献：
[1]Figure Eight
评审标准
算法输入输出格式
输入字段：
text,
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 90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200次，通过在线上环境完成训练，模型最优精度评分为94.67。
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90.40。
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85.02。
4
batch数据为128，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84.38。
5
batch数据为16，循环次数为44次，通过在线上环境完成训练，模型最优精度评分为84.24。
6
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84.15。
7
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83.92。
8
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83.73。
9
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83.27。
10
batch数据为16，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83.18。
11
batch数据为32，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82.86。
12
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82.72。
13
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81.89。
14
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81.76。
15
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81.62。
16
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81.57。
17
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80.74。
18
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80.65。
19
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80.51。
20
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80.19。
21
batch数据为225，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80.10。
22
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79.37。
23
batch数据为128，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79.04。
24
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78.77。
25
batch数据为1024，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78.58。
26
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78.54。
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78.35。
28
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78.26。
29
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78.26。
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78.12。
31
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78.12。
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78.12。
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78.12。
34
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78.12。
35
batch数据为10，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78.12。
36
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78.12。
37
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78.12。
38
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78.12。
39
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78.12。
40
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78.12。
41
batch数据为32，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78.12。
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78.12。
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78.12。
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78.12。
45
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78.12。
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78.12。
47
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78.12。
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78.12。
49
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78.12。
50
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78.12。
51
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78.12。
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78.12。
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78.12。
54
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78.12。
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78.12。
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78.12。
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78.12。
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78.12。
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78.12。
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78.12。
61
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78.12。
62
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78.12。
63
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77.53。
64
batch数据为256，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76.84。
65
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76.52。
66
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76.47。
67
batch数据为1024，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76.42。
68
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76.24。
69
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75.87。
70
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73.85。
71
batch数据为128，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66.54。
72
batch数据为512，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58.50。
73
batch数据为256，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41.41。
74
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29.73。
- 大木淡漠
-
模型得分为94.67，本次获得排名奖奖金为312.5元
2019-07-21 15:00:01
- NLP-Learner
-
模型得分为90.4，本次获得排名奖奖金为187.5元
2019-07-21 15:00:01
- 大木淡漠
-
模型得分为94.67，本次获得实时奖励奖金为156.25元
2019-07-02 10:30:01
- NLP-Learner
-
模型得分为90.4，本次获得排名奖奖金为312.5元
2019-06-28 15:00:01
- NLP-Learner
-
模型得分为90.4，本次获得实时奖励奖金为230.5元
2019-06-28 12:04:00
