AI医疗—智能问答

分享给好友

2019-08-30 12:00:00
开始提交

2019-10-25 20:00:00
最终提交结束

自由训练

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
  • 赛事介绍
  • 竞赛排行榜
  • 自由练习榜单
  • 讨论($vue{comment_count})

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

大赛简介

医疗问答机器人非常适合解决医疗市场的长期低效率问题,在降低成本、减少医生时间负担的同时,能够将患者对自己病症的描述与标准医学知识库进行对比,从而完成患者导诊、问诊等服务。另外也能进行健康咨询以及“自我诊断”,通过症状、病史等描述获取轻问诊服务和用药指导以供参考。

24×7在线,能及时解决患者一些紧急问题。

赛事主题和数据说明

赛题描述

本赛题为9月活动赛题,2019年10月25日下午20点整所有训练完成结果均为有效成绩!!

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
que_text string 不为空 文本
ans_text string 不为空 文本

参考文献:

[1]

评审标准

算法输入输出格式

输入字段: que_text,

输出字段: ans_text,

评审指标说明

  • 本赛题基础得分为20分,只有超过基础得分的参赛者可获得相对应奖励!
  • 评估指标采用BLEU方法
  • 'from nltk.translate.bleu_score import sentence_bleu';'score = sentence_bleu(reference, candidate, weights=(1, 0, 0, 0))'
  • 评审计算公式

$vue{item.rank_name}

超过 15分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

提供者:learnFromBest

大神经验
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18.39。

2019-10-16 10:11:26

大神经验
第三名

提供者:永不息的舞步

大神经验
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17.69。

2019-10-02 03:29:07

大神经验
第三名

提供者:emmm我还没想好

大神经验
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16.91。

2019-10-24 00:52:05

大神经验
4

提供者:qiufengyuyi

大神经验
batch数据为64,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为16.81。

2019-10-10 14:07:33

大神经验
5

提供者:CongBig

暂未公开
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16.27。

2019-10-06 20:35:01

暂未公开
6

提供者:前排板凳瓜子

暂未公开
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16.07。

2019-09-30 19:28:41

暂未公开
7

提供者:cnn

暂未公开
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16.01。

2019-10-25 04:01:42

暂未公开
8

提供者:向颖聪

暂未公开
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15.86。

2019-09-17 18:25:23

暂未公开
9

提供者:changli

暂未公开
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15.85。

2019-10-02 10:59:22

暂未公开
10

提供者:凌空

暂未公开
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15.82。

paddlepaddle

transformer

2019-09-27 22:19:06

暂未公开
11

提供者:chen_tesdt

暂未公开
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15.52。

2019-10-25 19:00:05

暂未公开
12

提供者:冷于冰

暂未公开
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15.45。

2019-10-11 22:39:55

暂未公开
13

提供者:菜菜来了

暂未公开
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15.32。

2019-09-25 03:28:04

暂未公开
14

提供者:SherlockGuo

暂未公开
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15.22。

2019-09-28 04:11:41

暂未公开
15

提供者:走起

暂未公开
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15.15。

2019-10-12 01:31:39

暂未公开
16

提供者:麻婆豆腐

暂未公开
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15.12。

2019-09-04 14:22:38

暂未公开
17

提供者:Wang&Jun

暂未公开
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15.04。

2019-09-10 09:21:36

暂未公开
18

提供者:chenfengshf

暂未公开
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14.97。

2019-10-25 00:37:13

暂未公开
19

提供者:NLP-Learner

暂未公开
batch数据为32,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14.71。

2019-09-30 09:21:53

暂未公开
20

提供者:Hugh

暂未公开
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14.23。

2019-10-07 00:14:05

暂未公开
21

提供者:nlp-ygq

暂未公开
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14.13。

2019-09-13 22:01:11

暂未公开
22

提供者:gu-dx

暂未公开
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14.09。

2019-09-29 22:14:27

暂未公开
23

提供者:向凌阳

暂未公开
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13.94。

2019-09-24 02:37:48

暂未公开
24

提供者:hunk

暂未公开
batch数据为1,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13.60。

2019-10-13 05:35:18

暂未公开
25

提供者:qck15570179927

暂未公开
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13.40。

2019-09-09 15:59:12

暂未公开
26

提供者:yuenoble

暂未公开
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13.19。

2019-09-28 21:48:40

暂未公开
27

提供者:芴莣

暂未公开
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13.03。

2019-09-28 19:13:17

暂未公开
28

提供者:宇宙

暂未公开
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12.98。

2019-09-24 10:42:53

暂未公开
29

提供者:Jeremy

暂未公开
batch数据为1,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12.91。

2019-10-04 10:56:38

暂未公开
30

提供者:ringwraith

暂未公开
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12.47。

2019-09-03 09:47:26

暂未公开
31

提供者:erha2yaya

暂未公开
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12.26。

2019-09-24 09:56:37

暂未公开
32

提供者:夏1564457098

暂未公开
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10.98。

2019-09-12 07:38:56

暂未公开
33

提供者:雨中冰言

暂未公开
batch数据为32,循环次数为48次,通过在线上环境完成训练,模型最优精度评分为10.30。

2019-10-18 17:56:11

暂未公开
34

提供者:currywu

暂未公开
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10.13。

2019-09-03 07:14:21

暂未公开
35

提供者:sakuranew

暂未公开
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10.06。

2019-09-17 19:34:48

暂未公开
36

提供者:迷途小书童

暂未公开
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9.24。

2019-09-08 19:01:23

暂未公开
37

提供者:朱!倩倩

暂未公开
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8.85。

2019-10-16 19:54:48

暂未公开
38

提供者:hejun

暂未公开
batch数据为128,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为8.02。

2019-09-07 22:08:08

暂未公开
39

提供者:Zyt

暂未公开
batch数据为128,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6.96。

2019-09-30 06:38:50

暂未公开
40

提供者:qqm

暂未公开
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6.34。

2019-09-28 01:28:22

暂未公开
41

提供者:未名湖畔的落叶

暂未公开
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6.08。

2019-10-23 06:52:14

暂未公开
42

提供者:yphacker

暂未公开
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5.86。

2019-09-26 04:43:42

暂未公开
43

提供者:麦小杨

暂未公开
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5.01。

2019-10-06 12:57:56

暂未公开
44

提供者:天才一小本

暂未公开
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5.01。

2019-10-11 17:57:45

暂未公开
45

提供者:AiFool

暂未公开
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4.88。

2019-09-22 15:51:11

暂未公开
46

提供者:lufiedby

暂未公开
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4.68。

2019-09-14 01:35:53

暂未公开
47

提供者:机器学渣

暂未公开
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4.62。

2019-09-09 12:51:34

暂未公开
48

提供者:julymin

暂未公开
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4.15。

2019-10-17 17:25:56

暂未公开
49

提供者:彳亍、羽

暂未公开
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2.95。

2019-09-16 18:32:36

暂未公开
50

提供者:waka

暂未公开
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2.95。

2019-09-26 00:53:11

暂未公开
51

提供者:闫广庆

暂未公开
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2.59。

2019-09-20 04:03:26

暂未公开
第一名
changli 2019-11-16 18:57:44
2019-11-16 18:57:44
18.18
第二名
cnn 2019-10-29 09:22:59
2019-10-29 09:22:59
16.49
第三名
壹心壹翼科技_LIN 2019-11-16 04:22:59
2019-11-16 04:22:59
15.7
4
chenfengshf 2020-05-26 21:09:49
2020-05-26 21:09:49
15.5
5
弱鸡瑟瑟发抖 2020-02-04 01:36:20
2020-02-04 01:36:20
15.4
6
sensor 2019-10-30 13:38:13
2019-10-30 13:38:13
10.13
7
plantsgos 2019-10-31 15:13:18
2019-10-31 15:13:18
10.13
8
努力的小韩 2019-11-03 22:37:59
2019-11-03 22:37:59
10.13
9
晓东yue 2019-11-07 16:16:44
2019-11-07 16:16:44
10.13
10
壹心壹翼科技 2019-11-07 17:37:06
2019-11-07 17:37:06
10.13
11
张龙 2019-11-08 10:22:11
2019-11-08 10:22:11
10.13
12
小娜 2019-11-14 21:03:58
2019-11-14 21:03:58
10.13
13
Outdo ོ 2019-11-17 22:26:55
2019-11-17 22:26:55
10.13
14
TuringEmmy 2019-11-19 21:53:26
2019-11-19 21:53:26
10.13
15
驭风者 2019-12-06 21:16:54
2019-12-06 21:16:54
10.13
16
渣喵 2019-12-09 10:23:50
2019-12-09 10:23:50
10.13
17
flyai会员1575895300 2019-12-09 20:44:49
2019-12-09 20:44:49
10.13
18
weidong 2019-12-12 16:02:37
2019-12-12 16:02:37
10.13
19
赵勇 2019-12-13 21:30:47
2019-12-13 21:30:47
10.13
20
会员1575644587 2019-12-16 15:57:34
2019-12-16 15:57:34
10.13
21
会员1576582768 2019-12-17 21:13:54
2019-12-17 21:13:54
10.13
22
flyai会员1577432247 2019-12-27 16:24:01
2019-12-27 16:24:01
10.13
23
陈昊冉 2020-01-07 18:15:35
2020-01-07 18:15:35
10.13
24
闫宇威 2020-01-22 17:48:25
2020-01-22 17:48:25
10.13
25
Rosey 2020-02-20 14:46:44
2020-02-20 14:46:44
10.13
26
flyai会员1583066740 2020-03-02 00:11:10
2020-03-02 00:11:10
10.13
27
allen成 2020-03-12 16:30:03
2020-03-12 16:30:03
10.13
28
舍得团队 2020-03-16 08:34:34
2020-03-16 08:34:34
10.13
29
李晓华 2020-03-25 18:08:58
2020-03-25 18:08:58
10.13
30
李海翔 2020-04-07 20:32:22
2020-04-07 20:32:22
10.13
31
刘小文 2020-04-13 16:40:09
2020-04-13 16:40:09
10.13
32
阿泽 2020-04-16 11:53:49
2020-04-16 11:53:49
10.13
33
勇往直前1587451951 2020-04-21 14:59:24
2020-04-21 14:59:24
10.13
34
墨菲定律 2020-04-21 18:23:40
2020-04-21 18:23:40
10.13
35
寻找下一个小罗 2020-05-21 18:14:46
2020-05-21 18:14:46
10.13
36
逸野山人 2020-05-23 10:17:28
2020-05-23 10:17:28
10.13
37
岚1591243792 2020-06-04 13:10:00
2020-06-04 13:10:00
10.13
38
Rsq (Ai) 2020-07-03 15:45:14
2020-07-03 15:45:14
10.13
39
csc57 2020-08-03 20:41:31
2020-08-03 20:41:31
10.13
40
flyai会员1599146210 2020-09-03 23:19:22
2020-09-03 23:19:22
10.13
41
flyai会员1603024333 2020-11-08 17:37:02
2020-11-08 17:37:02
10.13
42
流浪的星星 2019-12-04 01:45:32
2019-12-04 01:45:32
7.68
43
Lllxmm 2020-02-27 21:24:01
2020-02-27 21:24:01
0.01
44
旺仔二号 2020-03-04 16:52:12
2020-03-04 16:52:12
0.01
45
yphacker 2019-10-29 01:59:34
2019-10-29 01:59:34
0
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

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