CIFAR-10 图片分类预测

分享给好友

剩余奖金 ¥ 299

报名参赛

体验云端免费GPU极速训练,还能赢奖⾦!

报名参赛

大赛简介

CIFAR-10数据集是一组图像,通常用于训练机器学习和计算机视觉算法。它是机器学习研究中使用最广泛的数据集之一。 CIFAR-10数据集包含10个不同类别的60,000个32x32彩色图像。 10个不同的类别代表飞机,汽车,鸟类,猫,鹿,狗,青蛙,马,船和卡车。每个类别有6000张图片,该数据集共有5万张训练图片以及1万张测试图片

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

如何参赛?

  • 方式一:在线提交体验结果。FlyAI已提供了赛题的样例代码,点击【查看样例】可以直接使用样例代码提交到免费GPU进行模型训练体验。
  • 方式二:本地调试模型并提交训练。请在"在线提交页"点击【下载代码】按钮将包含项目样例的资料包下载到本地,并使用本地终端命令提交作品。本地调试和提交指南请查看[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,团队中成绩最高费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

  • 最终比赛成绩以排行榜显示排名为准
  • 根据作品提交时间先后顺序进行人工审核,审核合格后提交至排行榜
  • 禁止使用外部链接下载代码替换本项目代码
  • 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

备注:

  • 通过更新排行榜获取奖金,与原排行榜冠军得分差值越大,所获奖金比例越高
  • 按照所有挑战者提交作品时间先后,后台审核作品并更新到排行榜中, 【Score】未达奖金获取标准可显示在排行榜中,但无法获取奖金
  • 奖金额度获取评判指标说明:【BOUNS】表示奖金池总额度;【Score】表示模型得分;【BU_N】表示第n位达到奖金获取标准并更新排行榜后所获得的奖金总额度
  • 提交离线训练,系统自动评判模型Score。奖金获取额度计算公式如下:

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

CIFAR10

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:

字段名 字段类型 取值区间 字段描述
image_path string 不为空 图片的相对路径
label float 大于等于 0, 小于等于 9 图片的标注标签
name int 不为空 图片上对应的类别

输入字段: image_path,

输出字段: label,

参考文献:

[1]Learning Multiple Layers of Features from Tiny Images, Alex Krizhevsky, 2009.

评审标准

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、PaddlePaddle等。

Q:怎么参加比赛,需不需要提交csv文件?

  • FlyAI竞赛平台无需提交csv文件,在网页上点击报名,下载项目,使用你熟练的框架,修改main.py中的网络结构,和processor.py中的数据处理。请仔细阅读右侧提交指南,使用FlyAI命令参与比赛。

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。

展开

  • 竞赛排行榜
  • 奖金记录
第三名

提供者:Teenage Dream

36.00

batch数据为256,循环次数为7000次,损失函数优化完,最终完成评分为96.39。

2019-04-12 09:41:09

36.00

96.39

第三名

提供者:trick_or_treat

71.00

batch数据为64,循环次数为2000次,损失函数优化完,最终完成评分为94.47。

2019-04-04 11:31:37

71.00

94.47

第三名

提供者:isaiah

batch数据为128,循环次数为30次,损失函数优化完,最终完成评分为93.43。

MXNet

CNN

2019-07-16 00:42:54

93.43

4

提供者:YY

batch数据为200,循环次数为160次,损失函数优化完,最终完成评分为93.38。

2019-07-25 04:11:31

93.38

5

提供者:你猜猜我是谁

245.00

batch数据为128,循环次数为500次,损失函数优化完,最终完成评分为91.08。

torch

CNN

2019-03-20 11:35:27

245.00

91.08

6

提供者:Victor Hong

batch数据为128,循环次数为16次,损失函数优化完,最终完成评分为90.28。

MXNet

ResNet

2019-09-24 09:50:25

90.28

7

提供者:sakuranew

batch数据为128,循环次数为50次,损失函数优化完,最终完成评分为89.95。

2019-06-20 13:35:30

89.95

8

提供者:dtrimina

batch数据为256,循环次数为200次,损失函数优化完,最终完成评分为88.98。

2019-08-05 23:46:06

88.98

9

提供者:=

batch数据为64,循环次数为1次,损失函数优化完,最终完成评分为88.88。

2019-05-28 11:54:38

88.88

10

提供者:五叶草

batch数据为36000,循环次数为1次,损失函数优化完,最终完成评分为88.62。

2019-04-08 17:23:31

88.62

11

提供者:篠筱筱

10.00

batch数据为128,循环次数为1次,损失函数优化完,最终完成评分为87.65。

2019-03-30 15:18:57

10.00

87.65

12

提供者:无......有

batch数据为64,循环次数为10000次,损失函数优化完,最终完成评分为86.49。

2019-04-08 16:15:06

86.49

13

提供者:给我两块啊

batch数据为128,循环次数为250次,损失函数优化完,最终完成评分为84.3。

2019-04-12 08:09:32

84.30

14

提供者:Winteriscoming

batch数据为128,循环次数为3000次,损失函数优化完,最终完成评分为84.18。

2019-04-10 16:24:36

84.18

15

提供者:chenfengshf

batch数据为256,循环次数为50次,损失函数优化完,最终完成评分为84。

2019-09-01 20:16:54

84.00

16

提供者:蜗牛、Gray

batch数据为512,循环次数为5000次,损失函数优化完,最终完成评分为82.7。

2019-07-10 19:34:17

82.70

17

提供者:善假于物

batch数据为512,循环次数为1000次,损失函数优化完,最终完成评分为82.63。

PyTorch

ResNet18

2019-04-03 13:23:03

82.63

18

提供者:bestfitting

batch数据为256,循环次数为10000次,损失函数优化完,最终完成评分为81.08。

2019-04-13 14:51:58

81.08

19

提供者:uu_YOUNG

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为80.75。

2019-09-16 16:07:43

80.75

20

提供者:kongd

batch数据为1024,循环次数为5000次,损失函数优化完,最终完成评分为79.6。

2019-04-04 20:46:29

79.60

21

提供者:smooklazz

batch数据为128,循环次数为5000次,损失函数优化完,最终完成评分为79.46。

2019-04-04 11:28:25

79.46

22

提供者:李小白

10.00

batch数据为256,循环次数为2000次,损失函数优化完,最终完成评分为79。

2019-03-21 18:01:57

10.00

79.00

23

提供者:killf

batch数据为128,循环次数为10000次,损失函数优化完,最终完成评分为78.74。

paddle

CNN

2019-07-27 08:05:02

78.74

24

提供者:Water

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为78.69。

2019-04-16 21:28:12

78.69

25

提供者:Seeney

10.00

batch数据为32,循环次数为30000次,损失函数优化完,最终完成评分为78.02。

2019-03-23 00:22:46

10.00

78.02

26

提供者:上山打老鼠

batch数据为128,循环次数为240次,损失函数优化完,最终完成评分为77.93。

Mxnet

ResNet

2019-08-06 14:45:21

77.93

27

提供者:I admit myself

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为77.41。

2019-07-20 17:26:18

77.41

28

提供者:看你很6哦

10.00

batch数据为100,循环次数为1000次,损失函数优化完,最终完成评分为75.47。

2019-04-02 20:50:22

10.00

75.47

29

提供者:Hallo

115.00

batch数据为128,循环次数为10000次,损失函数优化完,最终完成评分为75.43。

2019-03-19 00:57:58

115.00

75.43

30

提供者:全群最菜

batch数据为256,循环次数为8000次,损失函数优化完,最终完成评分为74.43。

2019-08-07 09:17:32

74.43

31

提供者:Rank

10.00

batch数据为64,循环次数为10000次,损失函数优化完,最终完成评分为74.41。

2019-04-02 16:46:17

10.00

74.41

32

提供者:DDBG

batch数据为512,循环次数为30000次,损失函数优化完,最终完成评分为72.91。

2019-03-19 21:37:21

72.91

33

提供者:cnn

batch数据为100,循环次数为32次,损失函数优化完,最终完成评分为72.32。

2019-07-02 10:49:09

72.32

34

提供者:Jackko

10.00

batch数据为128,循环次数为5000次,损失函数优化完,最终完成评分为70.83。

2019-03-19 11:37:49

10.00

70.83

35

提供者:lkkkkkkkk

10.00

batch数据为128,循环次数为10000次,损失函数优化完,最终完成评分为69.23。

2019-03-25 22:01:36

10.00

69.23

36

提供者:cookie

10.00

batch数据为256,循环次数为10000次,损失函数优化完,最终完成评分为68.93。

2019-03-21 12:35:16

10.00

68.93

37

提供者:ROC

batch数据为128,循环次数为10000次,损失函数优化完,最终完成评分为67.91。

2019-04-03 23:07:25

67.91

38

提供者:Hnecl

10.00

batch数据为256,循环次数为5000次,损失函数优化完,最终完成评分为67.67。

2019-03-26 22:17:35

10.00

67.67

39

提供者:chenyl

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为67.1。

2019-04-07 22:39:12

67.10

40

提供者:cclxx

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为66.89。

2019-04-08 22:55:00

66.89

41

提供者:火炎焱燚

10.00

batch数据为64,循环次数为4000次,损失函数优化完,最终完成评分为66.73。

torch

CNN

2019-04-04 20:54:02

10.00

66.73

42

提供者:Mengcius

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为65.81。

2019-09-26 01:08:19

65.81

43

提供者:lyming

10.00

batch数据为512,循环次数为300次,损失函数优化完,最终完成评分为64.87。

2019-03-21 22:58:13

10.00

64.87

44

提供者:sigmoid

batch数据为256,循环次数为10次,损失函数优化完,最终完成评分为64.32。

2019-10-13 21:06:59

64.32

45

提供者:月之涯

10.00

batch数据为128,循环次数为5000次,损失函数优化完,最终完成评分为61.92。

2019-04-02 23:18:14

10.00

61.92

46

提供者:王璐

batch数据为96,循环次数为8000次,损失函数优化完,最终完成评分为60.53。

2019-05-25 22:58:09

60.53

47

提供者:小瓶盖子

10.00

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为60.35。

2019-04-03 15:08:47

10.00

60.35

48

提供者:LzM_

10.00

batch数据为128,循环次数为3000次,损失函数优化完,最终完成评分为59.13。

2019-03-22 15:17:51

10.00

59.13

49

提供者:AD.Fu

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为58.58。

2019-07-09 19:13:16

58.58

50

提供者:莫须有の嚣张

batch数据为10000,循环次数为500次,损失函数优化完,最终完成评分为58.24。

2019-06-25 22:29:59

58.24

51

提供者:WayPlus

10.00

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为57.83。

2019-04-05 10:11:48

10.00

57.83

52

提供者:做自己的唯一

batch数据为50,循环次数为1次,损失函数优化完,最终完成评分为57.51。

2019-09-06 09:13:02

57.51

53

提供者:就是很任性

10.00

batch数据为128,循环次数为3000次,损失函数优化完,最终完成评分为57.03。

2019-03-29 21:51:53

10.00

57.03

54

提供者:ziz

10.00

batch数据为256,循环次数为10000次,损失函数优化完,最终完成评分为56.8。

2019-03-26 12:40:39

10.00

56.80

55

提供者:zhiduanqingchang

10.00

batch数据为64,循环次数为1500次,损失函数优化完,最终完成评分为55.92。

2019-04-01 10:52:10

10.00

55.92

56

提供者:木鱼

10.00

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为50.25。

2019-03-31 15:49:59

10.00

50.25

57

提供者:hiccup

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为48.68。

2019-10-13 10:43:12

48.68

58

提供者:罐子

10.00

batch数据为128,循环次数为1500次,损失函数优化完,最终完成评分为48.52。

2019-03-21 02:35:27

10.00

48.52

59

提供者:ys

10.00

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为48.19。

2019-03-29 21:33:15

10.00

48.19

60

提供者:mj1553236471

10.00

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为48.07。

2019-03-25 21:22:36

10.00

48.07

61

提供者:Jeremy

batch数据为128,循环次数为1000次,损失函数优化完,最终完成评分为47.88。

2019-09-16 20:04:01

47.88

62

提供者:wrzhenian

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为47.24。

2019-07-13 16:12:15

47.24

63

提供者:iris

batch数据为64,循环次数为1000次,损失函数优化完,最终完成评分为46.95。

2019-04-04 18:04:21

46.95

64

提供者:五月^V^

batch数据为128,循环次数为500次,损失函数优化完,最终完成评分为41.67。

2019-04-10 12:12:14

41.67

65

提供者:不语

batch数据为128,循环次数为200次,损失函数优化完,最终完成评分为41.15。

2019-07-10 00:34:29

41.15

66

提供者:seven.Qi

batch数据为32,循环次数为1000次,损失函数优化完,最终完成评分为37.39。

2019-04-11 07:53:40

37.39

67

提供者:乔帮主

10.00

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为30.74。

2019-03-26 09:07:13

10.00

30.74

68

提供者:huzhong

batch数据为64,循环次数为100次,损失函数优化完,最终完成评分为30.72。

2019-04-09 16:46:38

30.72

69

提供者:Daiccccc

10.00

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为24.51。

2019-03-29 16:52:15

10.00

24.51

70

提供者:会飞的猪

batch数据为32,循环次数为100次,损失函数优化完,最终完成评分为21.93。

2019-08-15 10:57:21

21.93

71

提供者:第五轻柔

batch数据为256,循环次数为100次,损失函数优化完,最终完成评分为21.42。

2019-08-19 14:20:20

21.42

72

提供者:(><)

batch数据为128,循环次数为150次,损失函数优化完,最终完成评分为16.65。

2019-04-15 23:43:34

16.65

73

提供者:(ಡωಡ)

batch数据为64,循环次数为100次,损失函数优化完,最终完成评分为12.03。

2019-08-16 11:23:30

12.03

74

提供者:lemonade

batch数据为64,循环次数为100次,损失函数优化完,最终完成评分为10.62。

2019-09-19 22:41:50

10.62

75

提供者:ChangeBio

batch数据为64,循环次数为3000次,损失函数优化完,最终完成评分为10.22。

2019-04-29 20:25:30

10.22

76

提供者:参赛小学生

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为10.22。

2019-05-08 02:16:59

10.22

77

提供者:芦花似雪

batch数据为32,循环次数为10次,损失函数优化完,最终完成评分为10.07。

2019-08-13 10:26:51

10.07

78

提供者:EnfantImparfait

batch数据为128,循环次数为600次,损失函数优化完,最终完成评分为10.05。

2019-04-02 22:45:30

10.05

79

提供者:一个人的单打独斗

batch数据为500,循环次数为32次,损失函数优化完,最终完成评分为9.75。

2019-06-15 17:52:50

9.75

80

提供者:kuchengcheng

batch数据为128,循环次数为100次,损失函数优化完,最终完成评分为9.59。

2019-09-04 17:08:38

9.59

2019-04-08
Teenage Dream

模型得分为95.65,本次获得实时奖励奖金为36

2019-04-08 13:53:05

2019-04-02
无名小辈

模型得分为95.02,本次获得实时奖励奖金为191

2019-04-02 13:20:22

2019-04-01
小瓶盖子

模型得分为18.43,本次获得实时奖励奖金为10

2019-04-01 19:40:34

看你很6哦

模型得分为74.35,本次获得实时奖励奖金为10

2019-04-01 19:04:36

Rank

模型得分为58.96,本次获得实时奖励奖金为10

2019-04-01 16:39:03

2019-04-01
zhiduanqingchang

模型得分为55.92,本次获得实时奖励奖金为10

2019-04-01 10:52:10

2019-03-31
WayPlus

模型得分为54.43,本次获得实时奖励奖金为10

2019-03-31 23:20:14

木鱼

模型得分为50.25,本次获得实时奖励奖金为10

2019-03-31 15:49:59

2019-03-29
ys

模型得分为11.03,本次获得实时奖励奖金为10

2019-03-29 19:52:45

火炎焱燚

模型得分为10.42,本次获得实时奖励奖金为10

2019-03-29 18:42:44

Daiccccc

模型得分为24.51,本次获得实时奖励奖金为10

2019-03-29 16:52:15

月之涯

模型得分为54.43,本次获得实时奖励奖金为10

2019-03-29 12:36:10

2019-03-26
Hnecl

模型得分为63.04,本次获得实时奖励奖金为10

2019-03-26 18:56:38

2019-03-26
ziz

模型得分为23.69,本次获得实时奖励奖金为10

2019-03-26 09:23:28

乔帮主

模型得分为30.74,本次获得实时奖励奖金为10

2019-03-26 09:07:13

2019-03-25
lkkkkkkkk

模型得分为62.64,本次获得实时奖励奖金为10

2019-03-25 21:19:06

mj1553236471

模型得分为16.79,本次获得实时奖励奖金为10

2019-03-25 21:09:39

篠筱筱

模型得分为85.21,本次获得实时奖励奖金为10

2019-03-25 18:28:19

2019-03-22
就是很任性

模型得分为51.09,本次获得实时奖励奖金为10

2019-03-22 23:38:27

2019-03-22
LzM_

模型得分为59.13,本次获得实时奖励奖金为10

2019-03-22 15:17:51

Seeney

模型得分为76.99,本次获得实时奖励奖金为10

2019-03-22 08:17:54

2019-03-21
lyming

模型得分为64.87,本次获得实时奖励奖金为10

2019-03-21 22:58:13

trick_or_treat

模型得分为89.2,本次获得实时奖励奖金为20

2019-03-21 16:28:36

2019-03-21
cookie

模型得分为62.74,本次获得实时奖励奖金为10

2019-03-21 01:09:13

2019-03-20
李小白

模型得分为47.33,本次获得实时奖励奖金为10

2019-03-20 13:31:02

你猜猜我是谁

模型得分为88.63,本次获得实时奖励奖金为235

2019-03-20 09:02:47

2019-03-20
你猜猜我是谁

模型得分为55.47,本次获得实时奖励奖金为10

2019-03-20 02:53:04

2019-03-19
Jackko

模型得分为70.83,本次获得实时奖励奖金为10

2019-03-19 11:37:49

trick_or_treat

模型得分为78.65,本次获得实时奖励奖金为51

2019-03-19 11:25:01

2019-03-19
Hallo

模型得分为75.43,本次获得实时奖励奖金为8

2019-03-19 00:57:58

Hallo

模型得分为74.68,本次获得实时奖励奖金为53

2019-03-19 00:46:52

罐子

模型得分为40.04,本次获得实时奖励奖金为10

2019-03-18 23:18:54

Hallo

模型得分为67.63,本次获得实时奖励奖金为54

2019-03-18 23:11:13

挑战者大赛 官方交流群

训练记录

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. 下载项目并解压
2.进入到项目目录下,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.本地开发调试

运行flyai.exe程序,点击"本地调试"按钮,输入循环次数和数据量,点击运行即可调用main.py

如果使用本地IDE开发,需要执行安装“flyai”依赖并导入项目,运行main.py

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"提交到GPU"按钮,输入循环次数和数据量,点击运行即可提交到GPU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

1. 下载项目并解压
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

首先进入到项目对应的磁盘中,然后执行

cd path\to\project

Windows用户使用 flyai.exe

4. 本地开发调试

执行下列命令本地安装环境并调试(第一次使用需要使用微信扫码登录)

flyai.exe test

执行test命令,会自动下载100条测试数据到项目下

安装项目所需依赖,并运行 main.py

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

项目中如有新的引用,需加入到 requirements.txt 文件中

在终端下执行

flyai.exe train

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

完整训练设置执行代码示例:

flyai.exe train -b=32 -e=100

通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 。

1. 下载项目并解压
2. 使用终端进入到项目的根目录下

cd /path/to/project

Mac和Linux用户使用 ./flyai 脚本文件

3. 初始化环境并登录

授权flyai脚本

chmod +x ./flyai

4. 本地开发调试

执行下列命令本地安装环境并调试(第一次使用需要使用微信扫码登录)

./flyai test 注意:命令前面不要加sudo

执行test命令,会自动下载100条测试数据到项目下

安装项目所需依赖,并运行 main.py

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

项目中如有新的引用,需加入到 requirements.txt 文件中

在终端下执行

./flyai train 注意:命令前面不要加sudo

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

完整训练设置执行代码示例:

./flyai train -b=32 -e=100

通过执行训练命令,本次训练循环 100 次,每次训练读取的数据量为 32 。

$vue{ errorTip }

发送样例至我的邮箱

已发送

已发送成功

请查收FlyAI官方邮件查看详情 根据样例提高算法评分可以获得积分奖励 用来兑换GPU训练时长

确定

$vue{flag?'报名成功!':'参赛温馨提示'}

通过迭代赛题的样例代码提高模型准确率哦~
准确率越高,奖励越丰富!

查看样例代码

⼤神你好!当前能⼒值⽆法参加新⼿手赛

多给新手一些机会哦~

查看样例代码

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