中文垃圾短信识别

分享给好友

2019-07-12 15:00:00
开始提交

2019-08-11 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 569
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

此数据集包含80万条中文短信,内容涉及广告、推销、生活等。

垃圾短信是指未经用户同意向用户发送的用户不愿意收到的短信息,或用户不能根据自己的意愿拒绝接收的短信息,主要包含以下属性:(一)未经用户同意向用户发送的商业类、广告类等短信息;(二)其他违反行业自律性规范的短信息。垃圾短信泛滥,已经严重影响到人们正常生活、运营商形象乃至社会稳定。通过查看短信,确定它是否是垃圾短信 0)非垃圾短信,1)垃圾短信

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)
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

SpamMessage

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
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]hrwhisper

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 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

gboy

1253.73

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.94。

2019-07-18 23:45:46

1253.73

99.94

第三名

雨中冰言

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99.91。

2019-09-18 10:47:04

99.91

第三名

Sunny^_^Today

757.86

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99.90。

2019-07-14 14:44:37

757.86

99.90

4

快来追我呀

500.00

batch数据为128,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99.90。

2019-07-18 15:21:46

500.00

99.90

5

MingTi

batch数据为16,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99.90。

2020-09-08 13:24:41

99.90

6

BMW开空调

batch数据为512,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99.89。

2019-07-16 03:15:33

99.89

7

geeker

batch数据为128,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99.89。

2019-07-18 12:44:14

99.89

8

Melo

batch数据为64,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99.89。

2019-08-02 18:56:23

99.89

9

Mr.东

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99.89。

2019-08-03 09:04:44

99.89

10

yphacker

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.89。

2019-08-14 09:00:44

99.89

11

qiwihui

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99.89。

2019-08-15 16:54:45

99.89

12

杨业长

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99.89。

2019-08-26 23:47:58

99.89

13

小走一趟

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99.89。

2019-08-29 11:16:11

99.89

14

Robinbg

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99.89。

2019-08-30 19:12:24

99.89

15

见闻落叶

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99.89。

2019-09-03 10:29:54

99.89

16

傲寒

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99.89。

2019-09-09 11:37:58

99.89

17

idleuncle

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99.89。

2019-09-18 12:36:33

99.89

18

青书

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99.89。

2019-09-28 14:11:50

99.89

19

xsh

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99.89。

2019-09-29 21:39:31

99.89

20

: : :

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99.89。

2019-09-29 22:04:51

99.89

21

时光纪bound

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99.89。

2019-10-04 12:58:56

99.89

22

AMERICA

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99.89。

2019-10-08 11:20:58

99.89

23

腾飞1570585663

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99.89。

2019-10-09 09:54:59

99.89

24

唐万祺-Vincent

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99.89。

2019-10-09 16:06:50

99.89

25

kawhi

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99.89。

2019-10-15 11:31:17

99.89

26

KOT

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99.89。

2019-10-17 10:44:42

99.89

27

whcisci

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99.89。

2019-10-17 14:11:09

99.89

28

小小

batch数据为64,循环次数为11次,通过在线上环境完成训练,模型最优精度评分为99.89。

2019-10-17 16:33:17

99.89

29

学学习开开心

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99.89。

2019-10-17 20:47:41

99.89

30

godgong

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99.89。

2019-10-17 21:48:08

99.89

31

jkx、

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99.89。

2019-10-19 22:03:07

99.89

32

流沙

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99.89。

2019-10-20 17:06:21

99.89

33

sishiwu

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99.89。

2019-10-22 19:46:18

99.89

34

.x

batch数据为99,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99.89。

2019-10-22 20:26:51

99.89

35

wabi-sabi

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99.89。

2019-10-23 12:00:22

99.89

36

KD

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99.89。

2019-10-26 16:55:08

99.89

37

木林森1572363003

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99.89。

2019-10-29 23:32:09

99.89

38

AlphaU

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99.89。

2019-10-30 17:09:23

99.89

39

阿姆

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99.89。

2019-11-01 14:19:14

99.89

40

lyzz

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99.89。

2019-11-03 22:20:21

99.89

41

liyingyan

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99.89。

2019-11-09 15:03:47

99.89

42

胖虎艾春辉不胖

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99.89。

2019-11-09 22:58:39

99.89

43

C

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99.89。

2019-11-10 16:19:11

99.89

44

Sugar

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99.89。

2019-11-11 20:48:32

99.89

45

呆头鸟°

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99.89。

2019-11-12 15:13:31

99.89

46

江湖怎么没有水

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99.89。

2019-11-13 13:56:49

99.89

47

fming

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99.89。

2019-11-13 22:03:46

99.89

48

田甜

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99.89。

2019-11-14 16:11:32

99.89

49

free307

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99.89。

2019-11-14 18:58:57

99.89

50

可可

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99.89。

2019-11-14 19:00:12

99.89

51

穿上女装就是御风姐姐

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99.89。

2019-11-15 15:52:44

99.89

52

Do it

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99.89。

2019-11-15 17:58:33

99.89

53

DETA

batch数据为128,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99.89。

2019-11-17 09:34:26

99.89

54

敏捷的棕毛狐李越过了那只懒狗

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99.89。

2019-11-18 01:30:23

99.89

55

chibs

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99.89。

2019-11-22 09:33:47

99.89

56

岁月如歌

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99.89。

2019-11-23 11:05:46

99.89

57

对方正在输入...

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99.89。

2019-11-25 09:10:50

99.89

58

Allison

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99.89。

2019-11-25 09:30:25

99.89

59

小王小王不做海王

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99.89。

2019-11-25 09:37:32

99.89

60

姑凉有点胖

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99.89。

2019-11-25 10:07:01

99.89

61

星星归山

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.89。

2019-11-25 11:01:38

99.89

62

CTL

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99.89。

2019-11-25 11:36:43

99.89

63

相遇既是缘

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99.89。

2019-11-26 09:36:33

99.89

64

独奏~Æ

batch数据为4,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99.89。

2019-11-26 09:50:40

99.89

65

风秋

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99.89。

2019-11-26 11:23:58

99.89

66

trierbo

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99.89。

2019-11-27 15:36:00

99.89

67

sr冲云霄

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99.89。

2019-11-28 11:26:17

99.89

68

。1573636870

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99.89。

2019-11-29 16:51:38

99.89

69

沈默

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99.89。

2019-12-02 16:49:32

99.89

70

GJX

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99.89。

2019-12-02 22:56:00

99.89

71

捉弄

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99.89。

2019-12-04 16:55:04

99.89

72

李浩1575639687

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99.89。

2019-12-07 11:14:40

99.89

73

年小舜

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99.89。

2019-12-08 13:27:57

99.89

74

云淡风轻1575812091

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99.89。

2019-12-08 21:36:32

99.89

75

¾

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99.89。

2019-12-13 11:43:12

99.89

76

Chk

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99.89。

2019-12-17 09:13:15

99.89

77

周小叨

batch数据为8,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.89。

2019-12-19 16:10:06

99.89

78

flyai会员1577007932

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99.89。

2019-12-22 17:58:13

99.89

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99.89。

2019-12-24 13:57:07

99.89

80

老马的程序人生

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99.89。

2019-12-27 12:55:37

99.89

81

chk爱酸奶

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99.89。

2019-12-28 12:44:25

99.89

82

kira酱

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99.89。

2020-01-01 19:47:18

99.89

83

藏锋1558175243

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99.89。

2020-01-05 00:44:06

99.89

84

lxoney

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99.89。

2020-01-07 16:52:07

99.89

85

flyai会员1579096656

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99.89。

2020-01-15 22:15:40

99.89

86

AL1556956920

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99.89。

2020-01-16 20:36:52

99.89

87

Zeta1579423483

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99.89。

2020-01-19 16:48:55

99.89

88

变向怪杰

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99.89。

2020-01-30 17:03:34

99.89

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99.89。

2020-02-13 15:25:50

99.89

90

liu123

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99.89。

2020-02-20 10:50:09

99.89

91

大山1582187151

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99.89。

2020-02-20 16:27:50

99.89

92

一棵小白菜

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99.89。

2020-02-21 20:15:39

99.89

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99.89。

2020-02-27 00:12:44

99.89

94

Abfall

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99.89。

2020-03-06 19:33:41

99.89

95

flyai会员1583493373

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99.89。

2020-03-06 19:41:45

99.89

96

闷驴or老狼

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99.89。

2020-03-09 12:42:11

99.89

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99.89。

2020-03-12 09:26:27

99.89

98

郝泽鹏

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99.89。

2020-03-12 09:47:43

99.89

99

flyahu

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99.89。

2020-03-16 03:03:00

99.89

100

wmqian

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99.89。

2020-03-17 19:01:05

99.89

101

heihei

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99.89。

2020-03-26 13:06:12

99.89

102

兔小灰

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99.89。

2020-04-02 16:56:22

99.89

103

影峰

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99.89。

2020-06-04 19:02:04

99.89

104

Automan

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99.89。

2020-06-10 01:41:13

99.89

105

吴俊豪

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99.89。

2020-06-26 10:31:30

99.89

106

ʚ

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99.89。

2020-06-26 17:04:52

99.89

107

Mike1593498079

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.89。

2020-06-30 14:23:19

99.89

108

Phantom

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99.89。

2020-07-04 16:45:52

99.89

109

emrezhang

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99.89。

2020-07-05 19:00:36

99.89

110

flyai会员1587562812

batch数据为64,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99.89。

2020-07-18 17:38:06

99.89

111

Phillip1599459051

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99.89。

2020-09-07 14:13:12

99.89

112

Leo

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99.89。

2020-09-12 17:01:56

99.89

113

小东1601173905

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99.89。

2020-09-27 10:43:35

99.89

114

ss

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99.89。

2020-10-08 16:57:01

99.89

115

乐1601786794

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99.89。

2020-10-17 19:53:09

99.89

116

flyai会员1603805120

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99.89。

2020-10-27 21:28:49

99.89

117

flyai会员1606355136

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99.89。

2020-11-26 09:47:29

99.89

118

xuhaishan

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99.89。

2020-11-30 17:03:47

99.89

119

赵越zy

batch数据为500,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99.89。

2020-12-22 22:19:33

99.89

120

谢谢辛辛

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99.89。

2021-01-13 20:46:38

99.89

121

flyai会员1617003052

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99.89。

2021-03-29 15:35:23

99.89

122

flyai会员1629971262

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99.89。

2021-08-26 18:04:10

99.89

123

王星

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99.89。

2021-09-03 19:54:27

99.89

124

Austin

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99.89。

2021-10-15 23:19:26

99.89

125

Perl

229.50

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99.88。

2019-07-16 23:37:09

229.50

99.88

126

✿ 蒋小米要fighting✿

batch数据为256,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99.88。

2019-07-17 10:49:02

99.88

127

AiFool

106.75

batch数据为1024,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99.88。

2019-07-18 23:37:30

106.75

99.88

128

阿甲

batch数据为128,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99.88。

2019-07-19 11:11:32

99.88

129

gu-dx

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99.88。

2019-07-30 08:36:26

99.88

130

linlh

11.72

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99.87。

2019-07-14 14:23:32

11.72

99.87

131

小林子

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99.87。

2019-07-24 15:36:59

99.87

132

xxl

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99.87。

2019-12-19 10:28:04

99.87

133

曙光

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.86。

2019-07-27 12:17:02

99.86

134

弱鸡瑟瑟发抖

batch数据为500,循环次数为3200次,通过在线上环境完成训练,模型最优精度评分为99.86。

2020-01-22 07:53:06

99.86

135

nonot

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99.85。

2019-07-26 08:30:32

99.85

136

flyai会员1603595851

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99.85。

2020-11-04 13:50:59

99.85

137

nlp-ygq

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99.84。

2019-07-18 20:09:10

99.84

138

灵翼侠

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99.84。

2019-07-20 01:47:39

99.84

139

佚名

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99.84。

2019-07-27 20:49:28

99.84

140

TheKernel

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.84。

2019-08-01 16:48:34

99.84

141

这个宇宙不太短

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99.84。

2019-08-01 16:57:12

99.84

142

指尖、泪残留

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99.84。

2019-08-18 07:55:20

99.84

143

年少无为!

batch数据为1024,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99.84。

TensorFlow

CNN+BILSTM

2020-02-26 21:34:24

99.84

144

learnFromBest

23.44

batch数据为128,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99.83。

2019-07-14 05:20:35

23.44

99.83

145

此方一泉

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99.83。

2019-07-16 17:41:01

99.83

146

有分儿就行

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99.83。

2019-09-05 13:51:24

99.83

147

瞻彼淇奥

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99.82。

TensorFlow

seq2seq

2019-07-16 19:05:05

99.82

148

风轻云淡

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99.82。

2019-07-26 07:58:17

99.82

149

snow兵

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99.82。

TensorFlow

LSTM+Attention

2019-11-18 23:10:12

99.82

150

Jн ♪ヾ

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99.81。

2019-07-15 06:42:05

99.81

151

nigeiwochi

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99.81。

2019-07-16 05:06:18

99.81

152

梳碧湖的砍柴人

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99.81。

2019-07-26 19:47:31

99.81

153

Xin Yao

46.88

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99.80。

Keras

Bert

2019-07-14 20:08:07

46.88

99.80

154

sp

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.79。

2019-07-22 19:50:43

99.79

155

ChenS

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99.78。

2019-10-22 18:49:13

99.78

156

弗兰克1566442094

batch数据为64,循环次数为28次,通过在线上环境完成训练,模型最优精度评分为99.77。

2019-08-23 15:57:39

99.77

157

iris

batch数据为256,循环次数为4次,通过在线上环境完成训练,模型最优精度评分为99.76。

2019-07-21 16:38:14

99.76

158

binwang672012@gmail.com

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99.74。

2019-07-29 13:37:39

99.74

159

Lew

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99.73。

2019-07-27 17:26:46

99.73

160

释然

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99.67。

2019-07-20 04:19:39

99.67

161

岭南水电工

2.93

batch数据为64,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99.66。

2019-07-15 03:35:41

2.93

99.66

162

小瑜.R

batch数据为64,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99.64。

2019-11-18 06:11:51

99.64

163

trickornot

1497.50

batch数据为1,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99.53。

2019-07-15 15:15:46

1497.50

99.53

164

Nathan1563805247

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99.53。

2019-07-24 05:19:33

99.53

165

infinite

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99.50。

2019-12-26 19:31:38

99.50

166

太阳花

1.46

batch数据为128,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99.47。

2019-07-15 01:16:58

1.46

99.47

167

yosef

batch数据为2000,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93.19。

2019-07-15 10:21:17

93.19

168

桑染

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90.11。

2019-07-18 15:42:33

90.11

169

叫我小菜鸟

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90.11。

2019-08-13 14:43:55

90.11

170

bradzuo的小号

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90.11。

2020-07-15 09:48:50

90.11

171

丅丄

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90.11。

2020-07-16 01:11:30

90.11

2019-08-12
快来追我呀

模型得分为99.9,本次获得排名奖奖金为250

2019-08-12 15:00:01

Sunny^_^Today

模型得分为99.9,本次获得排名奖奖金为375

2019-08-12 15:00:01

gboy

模型得分为99.94,本次获得排名奖奖金为625

2019-08-12 15:00:01

2019-07-19
快来追我呀

模型得分为99.9,本次获得排名奖奖金为250

2019-07-19 15:00:02

Sunny^_^Today

模型得分为99.9,本次获得排名奖奖金为375

2019-07-19 15:00:02

gboy

模型得分为99.94,本次获得排名奖奖金为625

2019-07-19 15:00:02

gboy

模型得分为99.94,本次获得实时奖励奖金为3.73

2019-07-19 10:30:46

2019-07-15
太阳花

模型得分为99.47,本次获得实时奖励奖金为1.46

2019-07-15 14:36:52

岭南水电工

模型得分为99.53,本次获得实时奖励奖金为2.93

2019-07-15 14:35:32

Sunny^_^Today

模型得分为99.9,本次获得实时奖励奖金为7.86

2019-07-15 14:34:44

linlh

模型得分为99.87,本次获得实时奖励奖金为11.72

2019-07-15 14:33:40

learnFromBest

模型得分为99.83,本次获得实时奖励奖金为23.44

2019-07-15 14:31:02

Xin Yao

模型得分为99.65,本次获得实时奖励奖金为46.88

2019-07-15 14:21:53

AiFool

模型得分为99.87,本次获得实时奖励奖金为106.75

2019-07-15 14:19:44

Perl

模型得分为99.71,本次获得实时奖励奖金为229.5

2019-07-15 14:17:57

trickornot

模型得分为99.17,本次获得实时奖励奖金为397

2019-07-15 14:17:18

trickornot

模型得分为98.87,本次获得实时奖励奖金为1100.5

2019-07-15 14:17:03

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