Q：如何获得奖金？
A：超过项目设置的最低分，根据公式计算，就可以获得奖金。
Q：比赛使用什么框架？
A：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等。
Q：怎么参加比赛，需不需要提交csv文件？
A：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。使用FlyAI提供的命令提交，就可以参加比赛了。
Q：比赛排行榜分数怎么得到的？
A：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。
Q：平台机器什么配置？
A：目前每个训练独占一块P40显卡，显存24G。
Q：本地数据集在哪？
A：运行 flyai.exe test or ./flyai test 命令之后会下载100条数据到项目的data目录下，也可以本地使用ide运行 main.py 下载数据
Q：FlyAI自带的Python环境在哪,会不会覆盖本地环境？
A：FlyAI不会覆盖本地现有的Python环境。
-
windows用户:
C:Users{你计算机用户名}.flyaienvpython.exe
C:Users{你计算机用户名}.flyaienvScriptspip.exe
-
mac和linux用户:
/Users/{你计算机用户名}/.flyai/env/bin/python3.6
/Users/{你计算机用户名}/.flyai/env/bin/pip
Q：FAI训练积分不够用怎么办？
A：目前GPU免费使用，可以进入到：我的积分，通过签到和分享等途径获得大量积分。
Q：离线训练代码不符合规范问题
A：main.py中必须使用args.EPOCHS和args.BATCH。
Q：项目什么时候开始，持续多长时间？
A：网站上能看见的项目就是已经开始的，项目会一直存在，随时可以提交。
Q：排行榜和获奖问题
A：目前可能获得奖金的项目是审核之后才能上榜的，每天会审核一次。通过审核之后，奖金才能发送到账户。
Q：全量数据集怎么查看，数据集支不支持下载？
A：暂时不支持查看和下载，如果需要，可以进入数据集来源链接查看。运行 flyai.exe train -e=xx -b=xx or ./flyai train -e=xx -b=xx 命令之后会提交代码到服务器上使用全量数据集训练。
Q：from flyai.dataset import Dataset 报错、No module name "flyai"
A：先找到ide中使用的Python对应的pip的位置。
- windows用户：pip所在路径pip.exe install -i https://pypi.flyai.com/simple flyai
- mac和linux用户：pip所在路径/pip install -i https://pypi.flyai.com/simple flyai
- 其他 No module name "xxxx"问题 也可以参考上面
Q：预训练模型如何加载使用
FlyAI提供预训练模型链接地址：https://www.flyai.com/models
keras 加载预训练模型样例：
from keras.applications import densenet
from flyai.utils import remote_helper
path=remote_helper.get_remote_date("https://www.flyai.com/m/v0.8|densenet169_weights_tf_dim_ordering_tf_kernels_notop.h5")
densenet_notop = densenet.DenseNet169(include_top=False, weights=None)
densenet_notop.load_weights(path)
# densenet_notop = densenet.DenseNet169(include_top=False， weights='imagenet')
# 这行代码与上面等同，只不过一个是调用FlyAI提供的预训练模型地址，一个是外网的地址
x = densenet_notop.output
x = GlobalAveragePooling2D()(x)
x = Dense(2048, activation='relu')(x)
predictions = Dense(200, activation='softmax')(x)
model = Model(inputs=densenet_notop.input, outputs=predictions)
model.compile(...)
model.fit_generator(...)pytorch加载预训练模型样例：
import torchvision
from flyai.utils import remote_helper
path=remote_helper.get_remote_date("https://www.flyai.com/m/resnet50-19c8e357.pth")
model = torchvision.models.resnet50(pretrained = False)
# model = torchvision.models.resnet50(pretrained = True)
# 这行代码与上面等同，只不过一个是调用FlyAI提供的预训练模型地址，一个是外网的地址
model.load_state_dict(torch.load(path)
model.fc = nn.Linear(2048,200) # 将其中的层直接替换为我们需要的层即可tensorflow加载bert预训练模型样例：
import tensorflow as tf
import bert.modeling as modeling
# 必须使用该方法下载模型，然后加载
from flyai.utils import remote_helper
path = remote_helper.get_remote_date('https://www.flyai.com/m/uncased_L-12_H-768_A-12.zip')
print('path:', path)
data_root = os.path.splitext(path)[0]
print('data_root:', data_root)
# ——————————————————配置文件——————————————————
# 解析link解压后的路径
data_root = os.path.splitext(path)[0]
print('data_root:', data_root) # 【注意】使用改路径前首先确认是否和预训练model下载解压路径是否一致
# 使用当前路径
# 【注意【注意【注意】预训练model路径存放地址和link解析路径不一致时使用下面方法直接指定【注意】【注意】【注意】
# data_root = os.path.join(os.path.curdir, 'data/input/XXXX/XXXXX')
bert_config_file = os.path.join(data_root, 'bert_config.json')
bert_config = modeling.BertConfig.from_json_file(bert_config_file)
init_checkpoint = os.path.join(data_root, 'bert_model.ckpt')
bert_vocab_file = os.path.join(data_root, 'vocab.txt')Q：如何将flyai框架里的dataset转换成pytorch的dataloader? pytorch 数据增强如何应用在flyai的dataset上? 训练集和验证集的预处理方式可以不一样么?
首先这里提供一种将FlyAI框架里的dataset转换成pytorch的dataloader的方式，同时实现了数据增强，及在训练和验证集上使用不同的增强方式。
from flyai.dataset import Dataset
class FlyAIDataset(Dataset):
def __init__(self, x_dict, y_dict, train_flag=True):
self.images = [x['image_path'] for x in x_dict]
self.labels = [y['label'] for y in y_dict]
if train_flag:
self.transform = transforms.Compose([
transforms.Resize((256, 256)),
transforms.RandomHorizontalFlip(), # 随机水平翻转
transforms.RandomVerticalFlip(), # 随机竖直翻转
transforms.RandomRotation(30), #（-30，+30）之间随机旋转
transforms.ToTensor(), #转成tensor[0, 255] -> [0.0,1.0]
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
else:
self.transform = transforms.Compose([
transforms.Resize((256, 256)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])
def __len__(self):
return len(self.images)
def __getitem__(self, index):
path = os.path.join(DATA_PATH, self.images[index])
image = Image.open(path)
img = self.transform(image)
label = self.labels[index]
return img, label
data = Dataset()
x_train, y_train, x_val, y_val = data.get_all_data() # 获取全量数据
# x_train: [{'image_path': 'img/10479.jpg'}, {'image_path': 'img/14607.jpg'}, {'image_path': 'img/851.jpg'}...]
# y_train: [{'label': 39}, {'label': 4}, {'label': 3}...]
train_dataset = FlyAIDataset(x_train, y_train)
val_dataset = FlyAIDataset(x_val, y_val, train_flag=False)
train_loader = torch.utils.data.DataLoader(train_dataset, shuffle=True, batch_size=args.BATCH)
val_loader = torch.utils.data.DataLoader(val_dataset, shuffle=True, batch_size=args.BATCH)Q：关于线上评估问题
经常有用户遇到线上评估出错的问题，所以这里提供在线下可以调用model.py中predict_all函数的方法
from flyai.dataset import Dataset
from model import Model
import sys
dataset = Dataset()
model = Model(dataset)
# 调用predict_all的方法
x_test = [{'image_path': 'img/10479.jpg'}, {'image_path': 'img/14607.jpg'}]
y_test = [{'label': 39}, {'label': 4}]
preds = model.predict_all(x_test)
labels = [i['label'] for i in y_test]
# 调用predict的方法
img_path = 'img/851.jpg'
p = model.predict(image_path=img_path)
print(p)Q：线上环境安装报错问题
这个大家需要根据自己代码需要的环境在requirement.txt文件中写上自己需要安装的包的版本，格式如下：
flyai
numpy
Pillow
tensorflow-gpu==1.13.0
Q：linux下提交训练，epoch和batch参数不生效
epoch和batch不生效的几点原因：
1> 当提交训练的代码和样例代码重复度比较高的时候，我们在线上是不调GPU进行训练的
2> 确定在main.py函数中是否设置了这个参数
parser = argparse.ArgumentParser()
parser.add_argument("-e", "--EPOCHS", default=10, type=int, help="train epochs")
parser.add_argument("-b", "--BATCH", default=32, type=int, help="batch size")
args = parser.parse_args()然后在模型训练的时候是否正确使用了这个参数
dataset = Dataset(epochs=args.EPOCHS, batch=args.BATCH)
for step in range(dataset.get_step()): # (train_len / args.BATCH)* args.EPOCHS
# 接下来网络训练...