fydhfzh's picture
End of training
d29e1fc verified
|
raw
history blame
9.22 kB
metadata
license: apache-2.0
base_model: facebook/hubert-base-ls960
tags:
  - generated_from_trainer
metrics:
  - accuracy
  - precision
  - recall
  - f1
model-index:
  - name: hubert-classifier-aug-ref
    results: []

hubert-classifier-aug-ref

This model is a fine-tuned version of facebook/hubert-base-ls960 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 2.7202
  • Accuracy: 0.3221
  • Precision: 0.2615
  • Recall: 0.3221
  • F1: 0.2286
  • Binary: 0.5226

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Accuracy Precision Recall F1 Binary
No log 0.13 50 4.4111 0.0162 0.0031 0.0162 0.0038 0.1228
No log 0.27 100 4.3521 0.0404 0.0228 0.0404 0.0143 0.2263
No log 0.4 150 4.2499 0.0391 0.0038 0.0391 0.0062 0.2493
No log 0.54 200 4.1248 0.0472 0.0045 0.0472 0.0079 0.3098
No log 0.67 250 4.0436 0.0553 0.0057 0.0553 0.0100 0.3318
No log 0.81 300 3.9812 0.0458 0.0028 0.0458 0.0052 0.3237
No log 0.94 350 3.9080 0.0485 0.0045 0.0485 0.0078 0.3279
No log 1.08 400 3.8514 0.0539 0.0063 0.0539 0.0096 0.3344
No log 1.21 450 3.7910 0.0526 0.0059 0.0526 0.0093 0.3330
4.1459 1.35 500 3.7445 0.0539 0.0047 0.0539 0.0084 0.3325
4.1459 1.48 550 3.6971 0.0566 0.0188 0.0566 0.0123 0.3357
4.1459 1.62 600 3.6528 0.0580 0.0075 0.0580 0.0109 0.3371
4.1459 1.75 650 3.6122 0.0593 0.0183 0.0593 0.0146 0.3376
4.1459 1.89 700 3.5826 0.0701 0.0255 0.0701 0.0245 0.3466
4.1459 2.02 750 3.5412 0.0687 0.0159 0.0687 0.0214 0.3464
4.1459 2.16 800 3.5003 0.0714 0.0174 0.0714 0.0236 0.3473
4.1459 2.29 850 3.4698 0.0741 0.0244 0.0741 0.0213 0.3496
4.1459 2.43 900 3.4513 0.0916 0.0342 0.0916 0.0337 0.3637
4.1459 2.56 950 3.4149 0.0863 0.0376 0.0863 0.0336 0.3586
3.6614 2.7 1000 3.3996 0.0970 0.0413 0.0970 0.0380 0.3668
3.6614 2.83 1050 3.3726 0.0943 0.0352 0.0943 0.0380 0.3644
3.6614 2.97 1100 3.3546 0.1146 0.0693 0.1146 0.0574 0.3794
3.6614 3.1 1150 3.3315 0.1132 0.0649 0.1132 0.0520 0.3806
3.6614 3.24 1200 3.3058 0.1186 0.0550 0.1186 0.0551 0.3822
3.6614 3.37 1250 3.2844 0.1199 0.0766 0.1199 0.0592 0.3830
3.6614 3.51 1300 3.2826 0.1294 0.0661 0.1294 0.0599 0.3881
3.6614 3.64 1350 3.2405 0.1388 0.0630 0.1388 0.0683 0.3970
3.6614 3.78 1400 3.2241 0.1563 0.0892 0.1563 0.0810 0.4074
3.6614 3.91 1450 3.2087 0.1509 0.0765 0.1509 0.0798 0.4053
3.4148 4.05 1500 3.1872 0.1456 0.0883 0.1456 0.0768 0.4024
3.4148 4.18 1550 3.1728 0.1577 0.1351 0.1577 0.0899 0.4090
3.4148 4.32 1600 3.1520 0.1833 0.1670 0.1833 0.1134 0.4270
3.4148 4.45 1650 3.1339 0.1725 0.1053 0.1725 0.1009 0.4198
3.4148 4.59 1700 3.1232 0.1698 0.1073 0.1698 0.0979 0.4167
3.4148 4.72 1750 3.1036 0.1954 0.1416 0.1954 0.1235 0.4350
3.4148 4.86 1800 3.0891 0.1860 0.1132 0.1860 0.1088 0.4294
3.4148 4.99 1850 3.0693 0.1927 0.1359 0.1927 0.1167 0.4344
3.4148 5.12 1900 3.0460 0.1995 0.1617 0.1995 0.1241 0.4379
3.4148 5.26 1950 3.0348 0.2089 0.1571 0.2089 0.1334 0.4437
3.2503 5.39 2000 3.0256 0.2170 0.1556 0.2170 0.1357 0.4473
3.2503 5.53 2050 2.9988 0.2305 0.1749 0.2305 0.1516 0.4600
3.2503 5.66 2100 2.9890 0.2116 0.1360 0.2116 0.1293 0.4473
3.2503 5.8 2150 2.9687 0.2345 0.1531 0.2345 0.1483 0.4629
3.2503 5.93 2200 2.9544 0.2372 0.1516 0.2372 0.1514 0.4652
3.2503 6.07 2250 2.9427 0.2318 0.1414 0.2318 0.1398 0.4605
3.2503 6.2 2300 2.9256 0.2453 0.1456 0.2453 0.1539 0.4694
3.2503 6.34 2350 2.9192 0.2385 0.1552 0.2385 0.1446 0.4652
3.2503 6.47 2400 2.9028 0.2426 0.1563 0.2426 0.1538 0.4690
3.2503 6.61 2450 2.8901 0.2480 0.1413 0.2480 0.1552 0.4728
3.1154 6.74 2500 2.8748 0.2803 0.2016 0.2803 0.1920 0.4954
3.1154 6.88 2550 2.8688 0.2817 0.1970 0.2817 0.1930 0.4968
3.1154 7.01 2600 2.8416 0.2830 0.1973 0.2830 0.1917 0.4966
3.1154 7.15 2650 2.8394 0.2857 0.1908 0.2857 0.1949 0.4987
3.1154 7.28 2700 2.8327 0.2776 0.1965 0.2776 0.1903 0.4931
3.1154 7.42 2750 2.8230 0.2736 0.1643 0.2736 0.1808 0.4898
3.1154 7.55 2800 2.8108 0.2790 0.1886 0.2790 0.1876 0.4930
3.1154 7.69 2850 2.7987 0.2911 0.1928 0.2911 0.1957 0.5023
3.1154 7.82 2900 2.7890 0.2965 0.2045 0.2965 0.1999 0.5066
3.1154 7.96 2950 2.7748 0.3086 0.2352 0.3086 0.2153 0.5140
3.0145 8.09 3000 2.7694 0.3032 0.1992 0.3032 0.2078 0.5109
3.0145 8.23 3050 2.7646 0.2992 0.2164 0.2992 0.2077 0.5070
3.0145 8.36 3100 2.7593 0.3100 0.2394 0.3100 0.2190 0.5160
3.0145 8.5 3150 2.7552 0.3100 0.2288 0.3100 0.2170 0.5155
3.0145 8.63 3200 2.7478 0.3181 0.2355 0.3181 0.2241 0.5202
3.0145 8.77 3250 2.7398 0.3100 0.2264 0.3100 0.2180 0.5146
3.0145 8.9 3300 2.7403 0.3113 0.2375 0.3113 0.2189 0.5170
3.0145 9.04 3350 2.7354 0.3073 0.2192 0.3073 0.2143 0.5127
3.0145 9.17 3400 2.7304 0.3100 0.2260 0.3100 0.2186 0.5146
3.0145 9.31 3450 2.7282 0.3086 0.2219 0.3086 0.2162 0.5136
2.9542 9.44 3500 2.7235 0.3167 0.2588 0.3167 0.2248 0.5193
2.9542 9.58 3550 2.7232 0.3181 0.2408 0.3181 0.2241 0.5202
2.9542 9.71 3600 2.7217 0.3181 0.2425 0.3181 0.2238 0.5208
2.9542 9.84 3650 2.7205 0.3194 0.2305 0.3194 0.2235 0.5217
2.9542 9.98 3700 2.7202 0.3221 0.2615 0.3221 0.2286 0.5226

Framework versions

  • Transformers 4.38.2
  • Pytorch 2.3.0
  • Datasets 2.19.1
  • Tokenizers 0.15.1