- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
大赛简介
安全帽是各行各业安全生产工作者必不可少的安全用具，通过正确佩戴安全帽不仅可以防止和减轻各种事故的伤害，而且保障了工作者的生命安全。为了防止因未戴安全帽导致的安全事故，安全帽佩戴检测成为了监督工作者佩戴安全帽的利器。
这里我们收集了七千多张经过标注的图片，这些图片大小不一致，其中标注分为佩戴安全帽和未佩戴安全帽两类，数据集按照6:2:2的比例进行训练集、校验集和测试集划分。
参赛须知
参赛时间：2019.09.30 10:00:00-2019.11.11 20:00:00
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) |
| 特别奖 |
1人 |
Apple MacBook Pro + 5000FAI （总价值15,000元）
（需满足激活条件后开启） |
| 一等奖 |
1人 |
Apple iPhone XR + 2000FAI（总价值8,200元） |
| 二等奖 |
1人 |
Apple Watch Series3 + 2000FAI（总价值4,300元） |
| 三等奖 |
1人 |
小米扫地机器人 + 1500FAI（总价值3,000元） |
| 四等奖 |
1人 |
Beats X 蓝牙无线耳机 + 1500FAI（总价值2,250元） |
| 五等奖 |
1人 |
小米手环（NFC版） + 1500FAI（总价值1,700元） |
| 排名奖 |
15人 |
第6～10名获得100元奖金 + 1000FAI；第11～20名获得50元奖金 + 1000FAI |
| 参与奖 |
排行榜其他名次 |
800FAI，相当于800分钟 Tesla-P40 GPU计算资源 |
奖励获取要求:
- 特别奖激活条件：截止比赛结束，排行榜参赛人数达到300人将激活特别奖，最终冠军将获得特别奖！原奖品将顺延至下一名参赛者
- 比赛结束后前10名参赛者需提供Markdown格式赛题解决思路（FlyAI将提供参考模版）并在学习圈公开代码查看权限
- 比赛结束后如未能达到奖金/奖励获取要求，所获奖品将按照排名顺延至下一位参赛选手
赛事主题和数据说明
赛题描述
本赛题为10月活动赛题，截止2019年11月11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。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| img_path |
string |
不为空 |
图片的相对路径 |
| box |
string |
不为空 |
目标框（不同目标框之间用空格分隔，每个目标框格式为 xmin,ymin,xmax,ymax,label 其中label=0表示戴安全帽，label=1表示未戴安全帽） |
参考文献：
[1]无
评审标准
算法输入输出格式
输入字段：
img_path,
输出字段：
box,
评审指标说明
- 本赛题基础得分为85分，所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mAP(Mean Average Precision)方法，AP为precision-recall曲线下的面积，对所有类别的AP取平均值即为mAP。
- 其中在计算AP时，IOU阈值设置为0.5
- 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 85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4，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97.15。
batch数据为4，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96.89。
batch数据为8，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96.64。
4
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96.48。
5
batch数据为8，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96.24。
6
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96.14。
7
batch数据为8，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95.44。
8
batch数据为16，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95.07。
9
batch数据为8，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95.01。
10
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94.79。
11
batch数据为4，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94.61。
12
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87.88。
13
batch数据为50，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87.21。
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87.21。
15
batch数据为1，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86.76。
16
batch数据为3，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86.62。
17
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86.14。
18
batch数据为4，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85.69。
19
batch数据为5，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82.64。
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80.48。
21
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80.22。
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77.90。
23
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76.74。
24
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74.15。
25
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74.15。
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74.15。
27
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74.15。
28
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74.15。
29
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74.15。
30
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74.15。
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74.15。
32
batch数据为10，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74.15。
33
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74.15。
34
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74.15。
35
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74.15。
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74.15。
37
batch数据为8，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74.15。
38
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74.15。
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74.15。
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74.15。
41
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74.15。
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74.15。
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74.15。
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74.15。
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74.15。
46
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74.15。
47
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74.15。
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74.15。
49
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74.15。
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74.15。
51
batch数据为16，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74.15。
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74.15。
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74.15。
54
batch数据为64，循环次数为18次，通过在线上环境完成训练，模型最优精度评分为74.15。
55
batch数据为32，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74.15。
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74.15。
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74.15。
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74.15。
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74.15。
60
batch数据为4，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74.15。
61
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74.15。
62
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74.15。
63
batch数据为10，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74.15。
64
batch数据为4，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74.15。
65
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74.15。
66
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74.15。
67
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74.15。
68
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74.15。
69
batch数据为32，循环次数为220次，通过在线上环境完成训练，模型最优精度评分为74.15。
70
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74.15。
71
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74.15。
72
batch数据为8，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74.15。
73
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74.15。
74
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74.15。
75
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74.15。
76
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74.15。
77
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74.15。
78
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74.15。
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74.15。
80
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74.15。
81
batch数据为8，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74.15。
82
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74.15。
83
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74.15。
84
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74.15。
85
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74.15。
86
batch数据为4，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74.15。
87
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74.15。
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74.15。
89
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74.15。
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74.15。
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74.15。
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74.15。
93
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74.15。
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74.15。
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74.15。
96
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74.15。
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74.15。
98
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74.15。
99
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74.15。
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74.15。
101
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74.15。
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74.15。
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74.15。
104
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74.15。
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74.15。
106
batch数据为12，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74.15。
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74.15。
108
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74.15。
109
batch数据为64，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74.15。
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74.15。
111
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74.15。
112
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74.15。
113
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74.15。
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74.15。
115
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74.15。
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74.15。
117
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74.15。
118
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74.15。
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74.15。
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74.15。
121
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74.15。
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74.15。
123
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74.15。
124
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74.15。
125
batch数据为8，循环次数为90次，通过在线上环境完成训练，模型最优精度评分为74.15。
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74.15。
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74.15。
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74.15。
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74.15。
130
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74.15。
131
batch数据为8，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74.15。
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74.15。
133
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74.15。
134
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74.15。
135
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74.15。
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74.15。
137
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74.15。
138
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74.15。
139
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74.15。
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74.15。
141
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74.15。
142
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74.15。
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74.15。
144
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74.15。
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74.15。
146
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74.15。
147
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74.15。
148
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74.15。
149
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74.15。
150
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74.15。
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74.15。
152
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74.15。
153
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74.15。
154
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74.15。
155
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74.15。
156
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74.15。
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74.15。
158
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74.15。
159
batch数据为4，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74.15。
160
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74.15。
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74.15。
162
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74.15。
163
batch数据为8，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74.15。
164
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74.15。
165
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74.15。
166
batch数据为20，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74.15。
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74.15。
168
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74.15。
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74.15。
170
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74.15。
171
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74.15。
172
batch数据为32，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74.15。
173
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74.15。
174
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74.15。
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74.15。
176
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74.15。
177
batch数据为8，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74.15。
178
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74.15。
179
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74.15。
180
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74.15。
181
batch数据为4，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74.15。
182
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74.15。
183
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74.15。
184
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74.15。
185
batch数据为32，循环次数为600次，通过在线上环境完成训练，模型最优精度评分为74.15。
186
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74.15。
187
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74.15。
188
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74.15。
189
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74.15。
190
batch数据为2，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74.15。
191
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74.15。
192
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74.15。
193
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74.15。
194
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74.15。
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74.15。
196
batch数据为32，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74.15。
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74.15。
198
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74.15。
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74.15。
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74.15。
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74.15。
202
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74.15。
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74.15。
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74.15。
205
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74.15。
206
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74.15。
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74.15。
208
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74.15。
209
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74.15。
210
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74.15。
211
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74.15。
212
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74.15。
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74.15。
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74.15。
215
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74.15。
216
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74.15。
217
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74.15。
218
batch数据为2，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74.15。
219
batch数据为1，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74.15。
220
batch数据为64，循环次数为90次，通过在线上环境完成训练，模型最优精度评分为74.15。
221
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74.15。
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74.15。
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74.15。
224
batch数据为4，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50.94。
225
batch数据为20，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7.71。
