前几天在AINLP公众号上分享了国内一个新兴AI算法竞赛平台FlyAI：FlyAI算法竞赛：百万现金奖励实时瓜分，FlyAI算法竞赛平台比较有意思的一点是可以实时分享相关赛道的奖金池，另外完全使用FlyAI官方的GPU资源在线训练模型和提交结果，这一点，对于没有GPU条件的同学来说也是很有吸引力的。
关于文本挖掘或者计算机视觉相关的AI数据竞赛，我觉得如果没有很好的实习机会，参加一些这样的比赛是可以积攒一定的实战经验的，赛事官方一般会为每个任务准备一套baseline流程来熟悉平台和任务，这也是一个很好的学习机会。我之前通过AIChallenger的中英机器翻译比赛熟悉了NMT的整套流程和相关工具和算法，感兴趣的同学可以参考：《AI Challenger 2017 奇遇记》 和 《AI Challenger 2018 简记》。
关于FlyAI算法竞赛平台，官方是这样介绍的：
FlyAI 是隶属于北京智能工场科技有限公司旗下，为AI开发者 （深度学习）提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例，样例所使用开发框架涉及TensorFlow、Keras、PyTorch. 支持算法能力变现以及快速的迭代算法模型。挑战者，都在FlyAI!
四大特点：
1. 高质量的数据集、多领域的开源项目案例
1.1 项目涉及领域：自然语言处理、图像识别、语音识别等
1.2 每周更新高质量项目专属代码样例,免费下载查看
1.3 支持多平台运行，一键配置学习环境
2 多卡GPU资源 一键使用
2.1 提供强大算力，快速迭代模型质量
2.2 一键提交离线训练服务，及时通知模型训练进度
3 能力变现、竞赛式项目实力打榜
3.1 挑战项目刷新排行榜，赢得高额悬赏
3.2 使用不同深度学习框架验证，提升自己的算法能力
4 全行业的数据化及AI需求发布平台
4.1 通过算法众包，建立精准的预测模型，为产品数据增长赋能
4.2 探索数据人才与企业需求的生态构建
FlyAI上目前的自然语言处理相关竞赛不是太多，不过官方表态会不断上新，感兴趣的同学可以密切关注。目前FlyAI上NLP相关的竞赛包括：搜狗新闻文本分类预测、美国点评网站Yelp评价预测赛、测测星座文本分类、根据商品评分推荐商品算法练习赛、人工智能和你对对联。前三个有实际的奖金、后两个是练习赛，奖励FAI积分，这个可用于平台上GPU训练资源消耗，不过目前如果你通过这里AINLP的专属链接（https://www.flyai.com/?s=u9Fn9rW4f）注册并且加入到FlyAI竞赛-AINLP官方群，是可以直接找FlyAI小姐姐要积分的，目前该群接近300人，里面有官方技术人员答疑，已无法通过直接扫码加入，加群前请通过AINLP专属链接注册，然后添加AINLP君(id: AINLP2)拉你入群，请务必注明FlyAI:
https://www.flyai.com/?s=u9Fn9rW4f
好了，废话少说，假期花了点时间趁机体验了一下FlyAI的比赛流程，以搜狗新闻文本分类预测比赛为例，这是一个典型的文本多分类问题：
大赛简介
该数据集来自若干新闻站点2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据。根据新闻正文内容分析新闻的类别参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放如何参赛？
请在项目详情页点击【立即报名】按钮，首次需验证手机号、完善报名信息
请点击本页的【资料下载】按钮，下载参赛资料并详细阅读README.md文件
首先即使注册FlyAI了，参加单项比赛点击【立即报名】的时候也需要再填写一下姓名和手机号信息，这个和之后的奖励有关，每个平台都差不多，填写完之后就会刷新为【资料下载】，下载资料后其实里面的README写得非常详尽，这里要赞一下FlyAI的团队，如果不出什么意外，其实通过这份README基本上可以在Linux、Mac OS和windows平台下走通FlyAI的比赛流程，以下是我在ubuntu16.04下的记录，走得是Linux & Mac方法，windows下的使用方法相似，请直接参考官方README文件。
首先对下载的sogouNews_FlyAI.zip进行解压，然后进入到项目的根目录下，相关文档、样例代码和执行脚本官方平台已准备好：
在Ubuntu下使用 ./flyai 脚本文件：
chmod +x ./flyai
执行下列命令并使用微信扫码登录
./flyai init
登录成功之后，会自动下载运行所需环境
本地开发调试
如果想本地开发测试，可以执行
./flyai test
或者安装项目所需依赖requirements.txt，运行 main.py
提交训练到GPU
项目中如有新的引用，需加入到 requirements.txt 文件中
我没有修改一行样例代码，所以在终端下直接执行
./flyai 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
默认训练成功后不公开在项目排行榜中，如果你修改了代码并希望公开项目可以在提交训练时执行
./flyai train -p=1
完整训练设置执行代码示例：
./flyai train -p=1 -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 ，公开提交模型
其实官方的README写得已经很详尽了，以下选择README中的代码部分的说明，样例代码已经实现了，也是一份不错的学习资源。
样例代码说明
app.yaml
是项目的配置文件，项目目录下必须存在这个文件，是项目运行的依赖。
processor.py
样例代码中已做简单实现，可供查考。
处理数据的输入输出文件，把通过csv文件返回的数据，处理成能让程序识别、训练的矩阵。
可以自己定义输入输出的方法名，在
app.yaml中声明即可。(, ): (, ): (, ):
main.py
样例代码中已做简单实现，可供查考。
程序入口，编写算法，训练模型的文件。在该文件中实现自己的算法。
通过
dataset.py中的next_batch方法获取训练和测试数据。dataset Dataset() x_train, y_train, x_test, y_test dataset.next_batch()通过
model.py中的save_model方法保存模型model Model(dataset) model.save_model()如果使用
PyTorch框架，需要在net.py文件中实现网络。其它用法同上。
model.py
样例代码中已做简单实现，可供查考。
训练好模型之后可以继承
flyai.model.base包中的base重写下面三个方法实现模型的保存、验证和使用。(, ): (, ): (, , , , ): .check(path, overwrite)
predict.py
样例代码中已做简单实现，可供查考。
对训练完成的模型使用和预测。
path.py
可以设置数据文件、模型文件的存放路径。
dataset.py
该文件在FlyAI开源库的
flyai.dataset包中，通过next_batch(BATCH)方法获得x_trainy_trainx_testy_test数据。FlyAI开源库可以通过
pip3 install -i https://pypi.flyai.com/simple flyai安装。
最后，如果你在实际操作前后依然遇到问题，欢迎加入FlyAI竞赛-AINLP官方群，这里可以直接找FlyAI小姐姐要积分的，里面有官方技术人员答疑，目前该群已接近300人，无法通过直接扫码加入，请添加AINLP君(id: AINLP2)拉你入群，请务必注明FlyAI：
