101种食物分类预测竞赛

分享给好友

2019-01-01 15:00:00
开始提交

2019-01-31 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 3,000
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
  • 奖金记录
  • 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

该数据集包含了101个食品类别,其中包含101,000个图像。对于每个类别。注意,训练图像没有清理,因此仍然包含一些噪音。这主要是以强烈的色彩和有时错误的标签形式出现的。所有图像都重新缩放,最大边长为512像素。

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
  • 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)
FlyAI挑战奖 所有挑战者 奖金获取标准:30<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

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

Food

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
image_path string 不为空 图片的相对路径
labels int 大于等于 0, 小于等于 100 图片的标注
name string 不为空 图片对应的类别

参考文献:

[1]bossard_eccv14_food-101

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: labels,

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。

$vue{item.rank_name}

超过 30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:trick_or_treat

2441.00

batch数据为64,循环次数为350次,通过在线上环境完成训练,模型最优精度评分为83.71。

PyTorch

ResNet101

2019-03-26 16:34:29

2441.00

83.71

第三名

提供者:Zkk_hhh

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83.48。

Keras

LeNet5

2019-09-29 11:43:44

83.48

第三名

提供者:saber666

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78.25。

Keras

VGG-19

2019-11-25 21:46:41

78.25

4

提供者:玄学上分

10.00

batch数据为64,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77.95。

Keras

LeNet5

2019-03-28 04:32:21

10.00

77.95

5

提供者:Teenage Dream

batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为75.89。

Keras

LeNet5

2019-04-07 10:53:47

75.89

6

提供者:大木淡漠

batch数据为32,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为75.36。

Keras

LeNet5

2019-05-25 08:19:22

75.36

7

提供者:善假于物

10.00

batch数据为32,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为75.28。

PyTorch

ResNet101

2019-03-30 21:12:13

10.00

75.28

8

提供者:zjjszj

batch数据为64,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74.77。

2019-10-09 21:32:35

74.77

9

提供者:興趣使然的吃瓜少年

10.00

batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为73.97。

2019-03-29 13:38:01

10.00

73.97

10

提供者:gboy

batch数据为32,循环次数为7000次,通过在线上环境完成训练,模型最优精度评分为72.26。

Keras

LeNet5

2019-06-20 06:45:35

72.26

11

提供者:加勒比

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71.55。

Keras

LeNet5

2019-06-11 08:10:46

71.55

12

提供者:梯度下降

11.00

batch数据为32,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71.06。

Keras

LeNet5

2019-03-26 22:20:00

11.00

71.06

13

提供者:bestfitting

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70.26。

PyTorch

LeNet5

2019-04-23 01:31:08

70.26

14

提供者:Hlic

10.00

batch数据为64,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68.87。

Keras

LeNet5

2019-03-26 19:06:46

10.00

68.87

15

提供者:被算法耽误的歌手

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68.26。

Keras

LeNet5

2020-12-15 19:57:39

68.26

16

提供者:JUSTDOIT

10.00

batch数据为64,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62.42。

Keras

LeNet5

2019-04-06 19:26:41

10.00

62.42

17

提供者:快来追我呀

batch数据为32,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为60.09。

Keras

LeNet5

2019-06-19 05:25:55

60.09

18

提供者:你猜猜我是谁

10.00

batch数据为65,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57.16。

Keras

LeNet5

2019-03-27 12:04:09

10.00

57.16

19

提供者:mingda

10.00

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56.24。

2019-03-26 20:57:02

10.00

56.24

20

提供者:gezp

batch数据为64,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55.87。

PyTorch

DenseNet161

2019-04-04 12:53:01

55.87

21

提供者:CSRookie

10.00

batch数据为32,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54.53。

Keras

LeNet5

2019-03-21 01:17:07

10.00

54.53

22

提供者:cclxx

10.00

batch数据为32,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52.89。

Keras

LeNet5

2019-03-28 21:19:37

10.00

52.89

23

提供者:火炎焱燚

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52.54。

Keras

LeNet5

2019-04-15 12:52:57

52.54

24

提供者:()

10.00

batch数据为32,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51.45。

Keras

inceptionv4

2019-03-29 21:22:30

10.00

51.45

25

提供者:flyai会员1584168567

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49.83。

Keras

LeNet5

2020-06-14 19:09:31

49.83

26

提供者:天天向上

10.00

batch数据为128,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48.74。

Keras

LeNet5

2019-03-29 02:54:51

10.00

48.74

27

提供者:willer

10.00

batch数据为10000,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46.61。

Keras

LeNet5

2019-03-29 01:45:36

10.00

46.61

28

提供者:silen

10.00

batch数据为64,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45.36。

Keras

LeNet5

2019-03-19 16:24:37

10.00

45.36

29

提供者:Joker Song

10.00

batch数据为64,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43.60。

PyTorch

resnet18

2019-04-03 14:38:37

10.00

43.60

30

提供者:AiFool

batch数据为300,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41.67。

Keras

LeNet5

2019-06-16 11:52:57

41.67

31

提供者:纶巾

batch数据为128,循环次数为8000次,通过在线上环境完成训练,模型最优精度评分为37.12。

Keras

LeNet5

2019-06-27 13:59:44

37.12

32

提供者:cyh12315

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36.89。

Keras

LeNet5

2020-03-25 22:00:58

36.89

33

提供者:hiccup

batch数据为128,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36.42。

Keras

LeNet5

2019-08-10 09:14:02

36.42

34

提供者:随逸

batch数据为64,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为34.47。

Keras

LeNet5

2019-08-12 12:38:17

34.47

35

提供者:killers

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25.55。

2019-11-27 22:37:13

25.55

36

提供者:探索者1553567528

10.00

batch数据为32,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24.85。

Keras

LeNet5

2019-04-01 15:03:27

10.00

24.85

37

提供者:看你很6哦

10.00

batch数据为128,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24.34。

Keras

LeNet5

2019-04-02 18:38:14

10.00

24.34

38

提供者:Mengcius

batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为21.17。

Keras

LeNet5

2019-04-22 12:48:25

21.17

39

提供者:李小白

10.00

batch数据为128,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20.75。

Keras

LeNet5

2019-03-22 23:35:26

10.00

20.75

40

提供者:Jackko

10.00

batch数据为128,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20.51。

Keras

LeNet5

2019-03-18 23:57:03

10.00

20.51

41

提供者:Seeney

10.00

batch数据为32,循环次数为9000次,通过在线上环境完成训练,模型最优精度评分为18.09。

PyTorch

LeNet5

2019-03-28 01:54:36

10.00

18.09

42

提供者:Simplestory

batch数据为64,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16.91。

Keras

ResNet50

2019-04-07 17:54:02

16.91

43

提供者:人间正道是沧桑

batch数据为512,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16.91。

Keras

LeNet5

2019-06-23 14:33:08

16.91

44

提供者:swan777

batch数据为2048,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16.51。

Keras

LeNet5

2019-04-16 23:39:49

16.51

45

提供者:Hallo

10.00

batch数据为128,循环次数为2222次,通过在线上环境完成训练,模型最优精度评分为15.85。

Keras

LeNet5

2019-03-29 19:58:21

10.00

15.85

46

提供者:L

10.00

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12.88。

Keras

Resnet-152

2019-03-24 19:27:02

10.00

12.88

47

提供者:小北

10.00

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12.58。

Keras

LeNet5

2019-03-29 21:51:47

10.00

12.58

48

提供者:阿笨哥

batch数据为64,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12.49。

Keras

LeNet5

2019-04-04 10:51:08

12.49

49

提供者:cv1557321940

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11.66。

Keras

LeNet5

2019-08-07 21:24:26

11.66

50

提供者:BATIGOL

10.00

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10.98。

Keras

LeNet5

2019-04-01 23:16:24

10.00

10.98

51

提供者:sinh

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10.50。

Keras

LeNet5

2019-04-06 14:41:47

10.50

52

提供者:吴小白

batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为10.39。

Keras

LeNet5

2019-04-13 23:02:54

10.39

53

提供者:月之涯

10.00

batch数据为96,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7.54。

Keras

LeNet5

2019-03-29 18:26:05

10.00

7.54

54

提供者:'code and paper'

10.00

batch数据为64,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7.14。

Keras

LeNet5

2019-04-01 22:27:26

10.00

7.14

55

提供者:Despicable Me

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6.38。

Keras

LeNet5

2019-12-03 13:53:15

6.38

56

提供者:Hnecl

10.00

batch数据为128,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6.33。

Keras

LeNet5

2019-03-26 22:32:06

10.00

6.33

57

提供者:yangsmile

batch数据为128,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为6.18。

PyTorch

ResNet18

2019-05-02 23:02:04

6.18

58

提供者:围生

10.00

batch数据为64,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为5.98。

Keras

LeNet5

2019-04-02 10:04:23

10.00

5.98

59

提供者:薇

10.00

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5.66。

Keras

LeNet5

2019-03-30 14:08:31

10.00

5.66

60

提供者:k一起旅行

batch数据为64,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5.02。

Keras

LeNet5

2019-04-02 14:22:33

5.02

61

提供者:。yhq

batch数据为100,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4.85。

PyTorch

Capsnet

2019-04-18 17:11:39

4.85

62

提供者:CooKo1552966657

10.00

batch数据为64,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3.79。

Keras

LeNet5

2019-03-21 21:55:34

10.00

3.79

63

提供者:pprp

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3.54。

Keras

LeNet5

2019-07-09 23:44:14

3.54

64

提供者:圣上

10.00

batch数据为64,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2.76。

Keras

LeNet5

2019-04-01 23:14:33

10.00

2.76

65

提供者:Zongshen

batch数据为32,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为2.67。

PyTorch

DPN92

2019-04-03 15:16:02

2.67

66

提供者:银杏树

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2.56。

Keras

LeNet5

2019-06-14 13:47:59

2.56

67

提供者:麦田

10.00

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2.28。

Keras

LeNet5

2019-04-02 00:16:36

10.00

2.28

68

提供者:沐阳听风

10.00

batch数据为128,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1.68。

Keras

LeNet5

2019-03-30 10:24:38

10.00

1.68

69

提供者:佚

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1.55。

Keras

LeNet5

2019-12-26 14:10:04

1.55

70

提供者:第五轻柔

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1.54。

Keras

ResNet50

2019-07-17 20:11:16

1.54

71

提供者:Value_H

10.00

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1.39。

Keras

LeNet5

2019-03-19 17:21:56

10.00

1.39

72

提供者:Winteriscoming

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1.37。

PyTorch

LeNet5

2019-05-30 17:58:38

1.37

73

提供者:正直怪人

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1.34。

Keras

LeNet5

2019-04-18 23:48:03

1.34

74

提供者:sytv587

10.00

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1.21。

Keras

LeNet5

2019-03-15 22:02:29

10.00

1.21

75

提供者:dtrimina

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1.19。

Keras

LeNet5

2019-08-05 16:51:11

1.19

76

提供者:Island

10.00

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1.17。

Keras

LeNet5

2019-03-27 22:24:19

10.00

1.17

77

提供者:風

10.00

batch数据为32,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为1.13。

2019-03-25 01:50:21

10.00

1.13

78

提供者:mom

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1.08。

2019-10-04 23:06:10

1.08

79

提供者:.co

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1.07。

2019-03-25 18:36:19

1.07

80

提供者:在北等你

10.00

batch数据为12,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1.07。

Keras

LeNet5

2019-03-29 08:25:40

10.00

1.07

81

提供者:不形于色

10.00

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1.05。

Keras

LeNet5

2019-03-27 09:38:36

10.00

1.05

82

提供者:ChangeBio

batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为1.05。

2019-04-29 22:24:18

1.05

83

提供者:Rank

10.00

batch数据为128,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1.01。

Keras

LeNet5

2019-03-29 09:37:17

10.00

1.01

84

提供者:宇宙

batch数据为10000,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1.01。

Keras

LeNet5

2019-05-20 22:51:27

1.01

85

提供者:deepGreeBear

10.00

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1.00。

2019-03-25 02:09:07

10.00

1.00

86

提供者:Lune

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1.00。

Keras

LeNet5

2019-09-13 22:10:55

1.00

87

提供者:cnn

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1.00。

Keras

LeNet5

2019-10-09 16:13:15

1.00

88

提供者:会飞的猪

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1.00。

2019-10-17 16:12:25

1.00

89

提供者:听雪夜阁

batch数据为64,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1.00。

PyTorch

ResU-Net

2019-11-23 20:14:17

1.00

90

提供者:陈美玲

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1.00。

2019-11-25 06:43:32

1.00

91

提供者:rhapsody

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1.00。

Keras

LeNet5

2019-11-30 16:10:29

1.00

92

提供者:peizh

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1.00。

Keras

LeNet5

2019-12-14 15:46:49

1.00

93

提供者:flyai会员1586756568

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1.00。

2020-04-14 09:51:45

1.00

94

提供者:耳朵君

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1.00。

Keras

LeNet5

2020-09-15 15:38:35

1.00

95

提供者:cookie

10.00

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0.97。

Keras

LeNet5

2019-03-20 16:18:30

10.00

0.97

96

提供者:ON-looker

batch数据为22,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0.97。

Keras

LeNet5

2019-07-23 02:07:50

0.97

97

提供者:Reluminia

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0.95。

Keras

LeNet5

2019-04-17 19:02:58

0.95

98

提供者:析构

10.00

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0.92。

Keras

LeNet5

2019-03-27 02:43:53

10.00

0.92

99

提供者:萌萌

10.00

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0.91。

Keras

LeNet5

2019-03-27 08:48:42

10.00

0.91

100

提供者:clayne

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0.91。

Keras

LeNet5

2019-11-26 01:55:09

0.91

101

提供者:kongd

10.00

batch数据为64,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为0.88。

Keras

LeNet5

2019-04-02 01:58:32

10.00

0.88

102

提供者:丁丁虫

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0.88。

Keras

LeNet5

2019-11-21 06:55:09

0.88

103

提供者:Leong_Logan

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0.85。

Keras

LeNet5

2019-04-02 19:57:37

0.85

104

提供者:Y1573477609

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0.84。

Keras

LeNet5

2019-11-29 05:21:15

0.84

105

提供者:八哥

10.00

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0.79。

Keras

LeNet5

2019-03-30 18:14:04

10.00

0.79

2019-04-02
围生

模型得分为5.98,本次获得实时奖励奖金为10

2019-04-02 10:04:23

2019-04-02
kongd

模型得分为0.88,本次获得实时奖励奖金为10

2019-04-02 01:58:32

麦田

模型得分为2.28,本次获得实时奖励奖金为10

2019-04-02 00:16:36

圣上

模型得分为2.76,本次获得实时奖励奖金为10

2019-04-01 23:14:33

BATIGOL

模型得分为0.89,本次获得实时奖励奖金为10

2019-04-01 20:50:36

2019-04-01
看你很6哦

模型得分为0.97,本次获得实时奖励奖金为10

2019-04-01 02:18:15

2019-03-30
'code and paper'

模型得分为0.97,本次获得实时奖励奖金为10

2019-03-30 19:32:31

八哥

模型得分为0.79,本次获得实时奖励奖金为10

2019-03-30 18:14:04

2019-03-29

模型得分为1.05,本次获得实时奖励奖金为10

2019-03-29 22:18:29

沐阳听风

模型得分为1.25,本次获得实时奖励奖金为10

2019-03-29 18:38:00

小北

模型得分为8.63,本次获得实时奖励奖金为10

2019-03-29 17:17:58

()

模型得分为4.02,本次获得实时奖励奖金为10

2019-03-29 15:35:59

2019-03-29
Rank

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-29 09:37:17

在北等你

模型得分为0.95,本次获得实时奖励奖金为10

2019-03-29 08:10:55

2019-03-28
cclxx

模型得分为52.89,本次获得实时奖励奖金为10

2019-03-28 21:19:37

天天向上

模型得分为0.92,本次获得实时奖励奖金为10

2019-03-28 18:23:42

探索者1553567528

模型得分为1.7,本次获得实时奖励奖金为10

2019-03-28 17:38:54

Joker Song

模型得分为1.01,本次获得实时奖励奖金为10

2019-03-28 15:54:21

玄学上分

模型得分为75.32,本次获得实时奖励奖金为10

2019-03-28 13:52:33

2019-03-28
willer

模型得分为2.58,本次获得实时奖励奖金为10

2019-03-28 12:38:48

月之涯

模型得分为1.85,本次获得实时奖励奖金为10

2019-03-28 09:03:58

2019-03-27
Island

模型得分为1.17,本次获得实时奖励奖金为10

2019-03-27 22:24:19

興趣使然的吃瓜少年

模型得分为58.51,本次获得实时奖励奖金为10

2019-03-27 15:46:21

2019-03-27
萌萌

模型得分为0.91,本次获得实时奖励奖金为10

2019-03-27 08:48:42

善假于物

模型得分为43.14,本次获得实时奖励奖金为10

2019-03-27 03:03:42

析构

模型得分为0.92,本次获得实时奖励奖金为10

2019-03-27 02:43:53

2019-03-26
Hnecl

模型得分为6.33,本次获得实时奖励奖金为10

2019-03-26 22:32:06

Hlic

模型得分为68.87,本次获得实时奖励奖金为10

2019-03-26 19:06:46

mingda

模型得分为8.7,本次获得实时奖励奖金为10

2019-03-26 15:23:43

2019-03-26
JUSTDOIT

模型得分为1.25,本次获得实时奖励奖金为10

2019-03-26 00:49:17

不形于色

模型得分为0.94,本次获得实时奖励奖金为10

2019-03-25 21:47:41

2019-03-25
deepGreeBear

模型得分为1,本次获得实时奖励奖金为10

2019-03-25 02:09:07

2019-03-22
李小白

模型得分为20.75,本次获得实时奖励奖金为10

2019-03-22 23:35:26

Hallo

模型得分为1.29,本次获得实时奖励奖金为10

2019-03-22 22:02:26

2019-03-21

模型得分为1.04,本次获得实时奖励奖金为10

2019-03-21 11:50:39

2019-03-20
Seeney

模型得分为1.07,本次获得实时奖励奖金为10

2019-03-20 23:53:56

cookie

模型得分为0.97,本次获得实时奖励奖金为10

2019-03-20 16:18:30

2019-03-19
CooKo1552966657

模型得分为2.98,本次获得实时奖励奖金为10

2019-03-19 20:02:48

L

模型得分为1.05,本次获得实时奖励奖金为10

2019-03-19 19:47:11

Value_H

模型得分为1.39,本次获得实时奖励奖金为10

2019-03-19 17:21:56

silen

模型得分为45.36,本次获得实时奖励奖金为10

2019-03-19 16:24:37

2019-03-19
CSRookie

模型得分为10.91,本次获得实时奖励奖金为10

2019-03-19 01:30:20

2019-03-18
Jackko

模型得分为13.5,本次获得实时奖励奖金为10

2019-03-18 00:25:14

2019-03-17
你猜猜我是谁

模型得分为18.61,本次获得实时奖励奖金为10

2019-03-17 15:15:50

sytv587

模型得分为1.08,本次获得实时奖励奖金为10

2019-03-17 13:25:53

trick_or_treat

模型得分为77.68,本次获得实时奖励奖金为2441

2019-03-17 09:16:54

2019-03-09
笑尘

模型得分为55.53,本次获得实时奖励奖金为170

2019-03-09 22:26:37

梯度下降

模型得分为39.31,本次获得实时奖励奖金为11

2019-03-09 17:24:34

2019-03-08
S1NH.org

模型得分为25,本次获得实时奖励奖金为10

2019-03-08 16:44:54

2019-03-01
mac

模型得分为0.9,本次获得实时奖励奖金为10

2019-03-01 13:35:35

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