MNIST手写数字识别练习赛

分享给好友

剩余奖金 ¥ 7

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

MNIST手写数字数据库具有60,000个训练集和10,000个测试集。它是NIST大集合的子集。数字已经过尺寸标准化，并以固定尺寸的图像为中心。数据集中图像为28*28的二进制图片。它是一个很好的入门计算机视觉的数据集。

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：95<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

MNIST

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

输入字段： image_path,

输出字段： label,

参考文献：

[1]Yann LeCun, Courant Institute, NYU

[2]Corinna Cortes, Google Labs, New York

[3]Christopher J.C. Burges, Microsoft Research, Redmond

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：你猜猜我是谁

51.00

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为99.86。

PyTorch

CNN

2019-03-18 12:07:30

51.00

99.86

第三名

提供者：五叶草

batch数据为42000，循环次数为1次，损失函数优化完，最终完成评分为99.74。

Keras

CNN

2019-04-07 19:55:27

99.74

第三名

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99.63。

Keras

CNN

2019-06-25 21:32:30

99.63

4

提供者：AMERICA

batch数据为500，循环次数为500次，损失函数优化完，最终完成评分为99.56。

Keras

CNN

2019-08-25 07:07:11

99.56

5

提供者：我是管小亮:)

batch数据为64，循环次数为45次，损失函数优化完，最终完成评分为99.55。

Keras

CNN

2019-10-21 16:16:12

99.55

6

提供者：=

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99.53。

Keras

CNN

2019-04-30 00:27:23

99.53

7

提供者：你过来啊

batch数据为32，循环次数为5次，损失函数优化完，最终完成评分为99.26。

Keras

CNN

2019-10-14 00:32:12

99.26

8

提供者：machinelearning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99.21。

Keras

CNN

2019-06-28 12:00:17

99.21

9

提供者：WayPlus

10.00

batch数据为128，循环次数为2000次，损失函数优化完，最终完成评分为99.09。

Keras

CNN

2019-04-03 02:13:38

10.00

99.09

10

提供者：Bright

batch数据为500，循环次数为20次，损失函数优化完，最终完成评分为98.61。

Keras

CNN

2019-09-02 09:46:04

98.61

11

提供者：Victor Hong

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98.61。

MXNet

LeNet5

2019-09-02 22:41:34

98.61

12

提供者：chenfengshf

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98.39。

Keras

CNN

2019-08-13 12:27:24

98.39

13

提供者：iris

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98.01。

PyTorch

CNN

2019-04-02 16:44:19

98.01

14

提供者：做自己的唯一

batch数据为200，循环次数为32次，损失函数优化完，最终完成评分为97.24。

PyTorch

CNN

2019-07-31 22:06:18

97.24

15

提供者：anticlockwise

batch数据为32，循环次数为500次，损失函数优化完，最终完成评分为97.12。

PyTorch

CNN

2019-08-06 18:19:42

97.12

16

提供者：宇宙

batch数据为50000，循环次数为5次，损失函数优化完，最终完成评分为97.09。

Keras

CNN

2019-05-22 21:51:14

97.09

17

提供者：Again

batch数据为1024，循环次数为100次，损失函数优化完，最终完成评分为96.01。

Keras

CNN

2019-06-06 21:04:40

96.01

18

提供者：Cosimo

batch数据为500，循环次数为100次，损失函数优化完，最终完成评分为95.9。

Keras

CNN

2019-06-03 20:47:03

95.90

19

提供者：莫须有の嚣张

batch数据为10000，循环次数为10次，损失函数优化完，最终完成评分为95。

Keras

CNN

2019-06-17 01:20:50

95.00

20

提供者：木鱼

10.00

batch数据为64，循环次数为150次，损失函数优化完，最终完成评分为94.84。

Keras

CNN

2019-03-31 12:59:28

10.00

94.84

21

提供者：zizaieee

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为94.52。

Keras

CNN

2019-04-13 19:39:39

94.52

22

提供者：sytv587

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94.51。

Keras

CNN_

2019-03-17 23:55:52

10.00

94.51

23

提供者：fly

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94.44。

Keras

CNN

2019-03-19 10:14:47

94.44

24

提供者：北极烧烤肉丝

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94.41。

Keras

CNN

2019-04-29 21:55:43

94.41

25

提供者：疯狂的大笨蛋

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94.34。

Keras

CNN

2019-04-07 18:43:10

94.34

26

提供者：晓风

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94.34。

Keras

CNN

2019-05-04 21:23:24

94.34

27

提供者：uian

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94.21。

Keras

CNN

2019-07-23 01:06:42

94.21

28

提供者：matthew

10.00

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94.14。

Keras

CNN

2019-03-27 16:29:46

10.00

94.14

29

提供者：Xin Yao

batch数据为1000，循环次数为16次，损失函数优化完，最终完成评分为94.01。

Keras

CNN

2019-06-25 10:42:47

94.01

30

提供者：Leeeon

batch数据为64，循环次数为10次，损失函数优化完，最终完成评分为93.91。

PyTorch

CNN

2019-06-21 21:03:56

93.91

31

提供者：Leong_Logan

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93.81。

Keras

CNN

2019-04-02 21:31:45

93.81

32

提供者：(ಡωಡ)

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93.68。

Keras

CNN

2019-08-15 19:35:21

93.68

33

提供者：鹦武鸟

batch数据为128，循环次数为2000次，损失函数优化完，最终完成评分为93.59。

Keras

CNN

2019-04-07 15:58:32

93.59

34

提供者：心如止水

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为93.55。

Keras

CNN

2019-05-16 15:55:25

93.55

35

提供者：于峰

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93.51。

Keras

CNN

2019-06-20 15:38:28

93.51

36

提供者：qf1563189442

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93.33。

Keras

CNN

2019-09-17 00:04:05

93.33

37

提供者：刘志强

batch数据为16，循环次数为1次，损失函数优化完，最终完成评分为93.3。

Keras

CNN

2019-07-22 21:58:16

93.30

38

提供者：zjy

batch数据为1024，循环次数为100次，损失函数优化完，最终完成评分为93.22。

Keras

CNN

2019-06-03 20:53:36

93.22

39

提供者：风雨兼程

10.00

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为93.14。

Keras

CNN

2019-03-18 10:17:28

10.00

93.14

40

提供者：hiccup

batch数据为64，循环次数为200次，损失函数优化完，最终完成评分为93.11。

Keras

CNN

2019-05-13 18:48:34

93.11

41

提供者：AiFool

batch数据为5000，循环次数为500次，损失函数优化完，最终完成评分为93.1。

Keras

CNN

2019-05-24 01:06:57

93.10

42

提供者：袁璞

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92.95。

Keras

CNN

2019-07-12 12:23:52

92.95

43

提供者：Jackko

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92.9。

Keras

CNN

2019-03-18 13:08:45

10.00

92.90

44

提供者：王璐

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92.86。

Keras

CNN

2019-07-10 20:59:20

92.86

45

提供者：植

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92.74。

Keras

CNN

2019-03-25 21:40:17

10.00

92.74

46

提供者：oliver1562911697

batch数据为42000，循环次数为1次，损失函数优化完，最终完成评分为92.6。

Keras

CNN

2019-07-14 12:14:56

92.60

47

提供者：斗牛要不要

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92.23。

Keras

CNN

2019-05-31 21:37:38

92.23

48

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92.2。

Keras

CNN

2019-04-03 18:29:29

92.20

49

提供者：huzhong

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91.9。

Keras

CNN

2019-04-08 14:37:41

91.90

50

提供者：不形于色

10.00

batch数据为64，循环次数为350次，损失函数优化完，最终完成评分为91.81。

Keras

CNN

2019-03-25 21:03:19

10.00

91.81

51

提供者：DDBG

10.00

batch数据为128，循环次数为300次，损失函数优化完，最终完成评分为91.79。

Keras

CNN

2019-03-16 15:53:37

10.00

91.79

52

提供者：trick_or_treat

10.00

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91.79。

PyTorch

CNN

2019-03-19 15:18:33

10.00

91.79

53

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91.79。

Keras

CNN

2019-04-03 12:48:08

91.79

54

提供者：Nightingale

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91.77。

Keras

CNN

2019-03-17 21:34:19

10.00

91.77

55

提供者：sinh

batch数据为50，循环次数为200次，损失函数优化完，最终完成评分为91.76。

Keras

CNN

2019-04-05 17:18:32

91.76

56

提供者：candyriver

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91.76。

Keras

CNN

2019-08-11 20:45:12

91.76

57

提供者：風

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91.7。

Keras

CNN

2019-03-19 15:59:18

91.70

58

提供者：PPdog

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91.41。

Keras

xxqnet_v6

2019-06-19 14:12:33

91.41

59

提供者：亦云

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91.33。

Keras

CNN

2019-05-22 18:04:24

91.33

60

提供者：Hallo

10.00

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90.94。

Keras

CNN

2019-03-17 23:01:36

10.00

90.94

61

提供者：火炎焱燚

batch数据为64，循环次数为500次，损失函数优化完，最终完成评分为90.9。

Keras

CNN

2019-04-04 12:39:58

90.90

62

提供者：flashsherlock

batch数据为100，循环次数为10次，损失函数优化完，最终完成评分为90.72。

Keras

CNN

2019-07-18 15:47:59

90.72

63

提供者：就是很任性

10.00

batch数据为320，循环次数为1500次，损失函数优化完，最终完成评分为90.64。

Keras

CNN

2019-03-25 18:25:38

10.00

90.64

64

提供者：山高水远。

batch数据为64，循环次数为800次，损失函数优化完，最终完成评分为90.59。

Keras

CNN

2019-04-16 17:59:07

90.59

65

提供者：菜的掉渣

batch数据为100，循环次数为30次，损失函数优化完，最终完成评分为90.45。

Keras

CNN

2019-10-11 01:35:58

90.45

66

提供者：FC

batch数据为200，循环次数为50次，损失函数优化完，最终完成评分为90.37。

Keras

CNN

2019-04-06 09:09:05

90.37

67

提供者：Hnecl

10.00

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90.34。

Keras

CNN

2019-03-26 18:41:59

10.00

90.34

68

提供者：Lucaschen

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90.24。

Keras

CNN

2019-03-29 18:40:19

10.00

90.24

69

提供者：大仙的男人

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90.14。

Keras

CNN

2019-04-01 02:40:07

10.00

90.14

70

提供者：物理课代表

batch数据为500，循环次数为200次，损失函数优化完，最终完成评分为90.11。

Keras

CNN

2019-05-13 03:57:56

90.11

71

提供者：凉心半浅良心人

batch数据为64，循环次数为450次，损失函数优化完，最终完成评分为90.11。

Keras

CNN

2019-05-18 02:50:44

90.11

72

提供者：fmy

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90.1。

Keras

CNN

2019-04-02 22:15:24

90.10

73

提供者：代码搬运工

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89.99。

Keras

CNN

2019-03-23 01:30:08

10.00

89.99

74

提供者：kongd

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89.38。

Keras

CNN

2019-04-02 22:00:55

89.38

75

提供者：参赛小学生

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88.76。

Keras

CNN

2019-05-08 01:12:28

88.76

76

提供者：QiJQ

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88.58。

Keras

CNN

2019-03-20 03:03:28

10.00

88.58

77

提供者：萌萌

10.00

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88.41。

Keras

CNN

2019-03-29 21:24:44

10.00

88.41

78

提供者：张绪财

batch数据为64，循环次数为20次，损失函数优化完，最终完成评分为88.38。

Keras

CNN

2019-08-14 22:10:31

88.38

79

提供者：李大可

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88.21。

Keras

CNN

2019-03-26 00:56:30

10.00

88.21

80

提供者：爱做梦的柯基

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88.14。

Keras

CNN

2019-03-26 18:20:03

10.00

88.14

81

提供者：张帅

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88.06。

Keras

CNN

2019-03-20 21:43:28

10.00

88.06

82

提供者：醉意

10.00

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为87.89。

Keras

CNN

2019-03-18 13:24:10

10.00

87.89

83

提供者：vue

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87.84。

Keras

RCNN

2019-09-08 23:36:58

87.84

84

提供者：I admit myself

batch数据为128，循环次数为2000次，损失函数优化完，最终完成评分为87.8。

Keras

CNN

2019-07-03 04:29:41

87.80

85

提供者：五月^V^

10.00

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87.61。

Keras

CNN

2019-04-02 09:06:25

10.00

87.61

86

提供者：第五轻柔

batch数据为128，循环次数为80次，损失函数优化完，最终完成评分为86.64。

Keras

CNN

2019-07-03 20:18:51

86.64

87

提供者：致Great

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86.59。

Keras

CNN

2019-03-24 15:03:21

10.00

86.59

88

提供者：深潜

batch数据为512，循环次数为20次，损失函数优化完，最终完成评分为85.52。

Keras

CNN

2019-05-10 04:40:32

85.52

89

提供者：yahiko

batch数据为500，循环次数为64次，损失函数优化完，最终完成评分为85.09。

Keras

CNN

2019-06-21 13:19:01

85.09

90

提供者：Gabski

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84.66。

Keras

CNN

2019-03-26 00:10:31

10.00

84.66

91

提供者：杰

10.00

batch数据为256，循环次数为1000次，损失函数优化完，最终完成评分为83.86。

Keras

CNN

2019-03-30 16:24:44

10.00

83.86

92

提供者：马什么梅

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50.31。

Keras

CNN

2019-06-12 20:17:26

50.31

93

提供者：qqm

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46.01。

Keras

CNN

2019-05-01 21:24:47

46.01

94

提供者：wsure

10.00

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43.91。

Keras

CNN

2019-03-16 13:15:22

10.00

43.91

95

提供者：ZYZhang

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41.8。

Keras

CNN

2019-04-27 18:31:53

41.80

96

提供者：夏末的夏

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39.55。

Keras

CNN

2019-04-23 18:59:14

39.55

97

提供者：FlyAI样例得分

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36.62。

Keras

CNN

2019-03-21 11:51:56

36.62

98

提供者：祥文 Shawn

10.00

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33.04。

Keras

CNN

2019-03-22 18:01:30

10.00

33.04

99

提供者：heihei

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31.46。

Keras

CNN

2019-05-14 16:04:14

31.46

100

提供者：hello80

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29.51。

Keras

CNN

2019-04-19 21:43:12

29.51

101

提供者：ಠ_ಠ

10.00

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29.19。

Keras

CNN

2019-03-19 16:28:04

10.00

29.19

102

提供者：Hundredays

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20.71。

Keras

CNN

2019-05-05 17:37:41

20.71

103

提供者：愚公的锤子

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12.69。

Keras

CNN

2019-05-09 02:01:40

12.69

104

提供者：理言

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9.56。

Keras

CNN

2019-05-09 01:03:12

9.56

105

提供者：TheKernel

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9.56。

Keras

CNN

2019-08-02 18:05:25

9.56

2019-04-02
五月^V^

模型得分为87.61，本次获得实时奖励奖金为10元

2019-04-02 09:06:25

2019-04-01
大仙的男人

模型得分为90.14，本次获得实时奖励奖金为10元

2019-04-01 02:40:07

2019-03-30
WayPlus

模型得分为86.16，本次获得实时奖励奖金为10元

2019-03-30 21:21:54

杰

模型得分为83.86，本次获得实时奖励奖金为10元

2019-03-30 16:24:44

2019-03-29
萌萌

模型得分为17.34，本次获得实时奖励奖金为10元

2019-03-29 20:05:21

Lucaschen

模型得分为90.24，本次获得实时奖励奖金为10元

2019-03-29 18:40:19

2019-03-26
matthew

模型得分为65.89，本次获得实时奖励奖金为10元

2019-03-26 22:31:16

Hnecl

模型得分为90.34，本次获得实时奖励奖金为10元

2019-03-26 18:41:59

爱做梦的柯基

模型得分为88.14，本次获得实时奖励奖金为10元

2019-03-26 18:20:03

2019-03-26
李大可

模型得分为24.94，本次获得实时奖励奖金为10元

2019-03-26 00:50:46

Gabski

模型得分为84.66，本次获得实时奖励奖金为10元

2019-03-26 00:10:31

植

模型得分为29.24，本次获得实时奖励奖金为10元

2019-03-25 21:26:20

不形于色

模型得分为91.81，本次获得实时奖励奖金为10元

2019-03-25 21:03:19

就是很任性

模型得分为90.64，本次获得实时奖励奖金为10元

2019-03-25 18:25:38

2019-03-24
致Great

模型得分为86.59，本次获得实时奖励奖金为10元

2019-03-24 15:03:21

2019-03-23
代码搬运工

模型得分为8.81，本次获得实时奖励奖金为10元

2019-03-23 01:26:54

祥文 Shawn

模型得分为33.04，本次获得实时奖励奖金为10元

2019-03-22 18:01:30

2019-03-20
张帅

模型得分为88.06，本次获得实时奖励奖金为10元

2019-03-20 21:43:28

2019-03-20
QiJQ

模型得分为88.58，本次获得实时奖励奖金为10元

2019-03-20 03:03:28

2019-03-19
ಠ_ಠ

模型得分为29.19，本次获得实时奖励奖金为10元

2019-03-19 16:28:04

2019-03-18
Jackko

模型得分为64.29，本次获得实时奖励奖金为10元

2019-03-18 12:25:10

你猜猜我是谁

模型得分为99.86，本次获得实时奖励奖金为41元

2019-03-18 12:07:30

醉意

模型得分为48.34，本次获得实时奖励奖金为10元

2019-03-18 11:56:46

风雨兼程

模型得分为87.66，本次获得实时奖励奖金为10元

2019-03-18 10:00:31

2019-03-17
你猜猜我是谁

模型得分为98.64，本次获得实时奖励奖金为10元

2019-03-17 22:43:26

Nightingale

模型得分为91.77，本次获得实时奖励奖金为10元

2019-03-17 21:34:19

2019-03-17
sytv587

模型得分为92.19，本次获得实时奖励奖金为10元

2019-03-17 13:28:00

2019-03-16
DDBG

模型得分为86.92，本次获得实时奖励奖金为10元

2019-03-16 17:19:17

wsure

模型得分为43.91，本次获得实时奖励奖金为10元

2019-03-16 13:15:22

2019-03-15
木鱼

模型得分为89.51，本次获得实时奖励奖金为10元

2019-03-15 23:09:18

Hallo

模型得分为44.81，本次获得实时奖励奖金为10元

2019-03-15 20:14:03

LXY

模型得分为92.88，本次获得实时奖励奖金为10元

2019-03-15 15:56:16

2019-03-15
trick_or_treat

模型得分为93.57，本次获得实时奖励奖金为10元

2019-03-15 12:40:05

2019-03-12
poison

模型得分为98.96，本次获得实时奖励奖金为21元

2019-03-12 17:38:59

2019-03-11
梯度下降

模型得分为98.59，本次获得实时奖励奖金为3元

2019-03-11 22:33:07

2019-03-10
梯度下降

模型得分为98.53，本次获得实时奖励奖金为553元

2019-03-10 19:14:16

挑战者大赛 官方交流群

请使用微信扫一扫功能，扫描二维码添加工作人员微信添加请备注"大赛主题名称"

使用预训练模型

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

https://www.flyai.com/d/MNIST

复制链接

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