dit-base_tobacco-small_tobacco3482_kd

This model is a fine-tuned version of WinKawaks/vit-small-patch16-224 on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.5105
• Accuracy: 0.815
• Brier Loss: 0.2790
• Nll: 1.4944
• F1 Micro: 0.815
• F1 Macro: 0.7942
• Ece: 0.1287
• Aurc: 0.0524

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: 0.0001
• train_batch_size: 128
• eval_batch_size: 128
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.1
• num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Brier Loss	Nll	F1 Micro	F1 Macro	Ece	Aurc
No log	1.0	7	2.2378	0.17	0.8975	4.4036	0.17	0.1418	0.2519	0.8078
No log	2.0	14	1.7484	0.38	0.7667	4.1809	0.38	0.2513	0.3132	0.4423
No log	3.0	21	1.1417	0.55	0.5683	1.8669	0.55	0.4592	0.2551	0.2287
No log	4.0	28	0.8020	0.685	0.4327	1.7476	0.685	0.6393	0.2274	0.1292
No log	5.0	35	0.8347	0.645	0.4502	1.6809	0.645	0.6306	0.1939	0.1346
No log	6.0	42	0.6546	0.735	0.3657	1.5210	0.735	0.7191	0.1995	0.0901
No log	7.0	49	0.6447	0.76	0.3375	1.5117	0.76	0.7450	0.1781	0.0875
No log	8.0	56	0.7089	0.775	0.3650	1.4823	0.775	0.7554	0.2026	0.0971
No log	9.0	63	0.5721	0.785	0.3083	1.4053	0.785	0.7633	0.1647	0.0651
No log	10.0	70	0.5953	0.795	0.3130	1.4301	0.795	0.7971	0.1661	0.0701
No log	11.0	77	0.6352	0.79	0.3131	1.5018	0.79	0.7607	0.1503	0.0789
No log	12.0	84	0.7999	0.735	0.3916	1.7141	0.735	0.7065	0.2143	0.1178
No log	13.0	91	0.6602	0.8	0.3099	1.8022	0.8000	0.7746	0.1709	0.0805
No log	14.0	98	0.6529	0.785	0.3298	1.3607	0.785	0.7658	0.1771	0.0858
No log	15.0	105	0.6170	0.8	0.3098	1.3676	0.8000	0.7838	0.1630	0.0723
No log	16.0	112	0.6484	0.775	0.3342	1.2826	0.775	0.7752	0.1837	0.0827
No log	17.0	119	0.5817	0.78	0.3019	1.6577	0.78	0.7730	0.1566	0.0582
No log	18.0	126	0.6528	0.78	0.3376	1.5044	0.78	0.7788	0.1687	0.0768
No log	19.0	133	0.6241	0.805	0.3038	1.3465	0.805	0.7796	0.1498	0.0759
No log	20.0	140	0.5610	0.79	0.2948	1.4395	0.79	0.7716	0.1515	0.0708
No log	21.0	147	0.6829	0.78	0.3241	1.3252	0.78	0.7687	0.1782	0.0852
No log	22.0	154	0.5443	0.795	0.3117	1.4374	0.795	0.7822	0.1730	0.0679
No log	23.0	161	0.6968	0.78	0.3474	1.7830	0.78	0.7880	0.1745	0.0813
No log	24.0	168	0.7422	0.75	0.3639	1.5379	0.75	0.7238	0.1982	0.0940
No log	25.0	175	0.5756	0.785	0.3150	1.4739	0.785	0.7723	0.1615	0.0675
No log	26.0	182	0.6127	0.805	0.3036	1.5553	0.805	0.7990	0.1416	0.0659
No log	27.0	189	0.5852	0.795	0.3104	1.5149	0.795	0.7808	0.1583	0.0625
No log	28.0	196	0.5421	0.83	0.2808	1.4320	0.83	0.8147	0.1475	0.0558
No log	29.0	203	0.5588	0.79	0.2888	1.5801	0.79	0.7723	0.1465	0.0580
No log	30.0	210	0.5532	0.795	0.2892	1.5724	0.795	0.7790	0.1453	0.0576
No log	31.0	217	0.5050	0.835	0.2685	1.4206	0.835	0.8221	0.1459	0.0549
No log	32.0	224	0.5067	0.82	0.2762	1.4460	0.82	0.8017	0.1494	0.0538
No log	33.0	231	0.5200	0.815	0.2798	1.5300	0.815	0.7973	0.1442	0.0541
No log	34.0	238	0.5110	0.825	0.2802	1.6009	0.825	0.8095	0.1462	0.0537
No log	35.0	245	0.5125	0.815	0.2804	1.5209	0.815	0.8013	0.1555	0.0540
No log	36.0	252	0.4981	0.82	0.2728	1.4498	0.82	0.8032	0.1557	0.0522
No log	37.0	259	0.5196	0.82	0.2796	1.5297	0.82	0.8057	0.1396	0.0523
No log	38.0	266	0.5034	0.82	0.2755	1.4577	0.82	0.8000	0.1449	0.0524
No log	39.0	273	0.5190	0.815	0.2810	1.5240	0.815	0.8003	0.1516	0.0533
No log	40.0	280	0.4926	0.83	0.2697	1.4598	0.83	0.8161	0.1248	0.0514
No log	41.0	287	0.5117	0.815	0.2808	1.5168	0.815	0.7965	0.1306	0.0525
No log	42.0	294	0.5034	0.825	0.2721	1.5263	0.825	0.8143	0.1389	0.0533
No log	43.0	301	0.5073	0.815	0.2762	1.5308	0.815	0.7916	0.1452	0.0511
No log	44.0	308	0.5017	0.825	0.2751	1.5202	0.825	0.8095	0.1473	0.0525
No log	45.0	315	0.5052	0.815	0.2783	1.5143	0.815	0.7965	0.1451	0.0525
No log	46.0	322	0.5043	0.83	0.2743	1.5172	0.83	0.8172	0.1481	0.0517
No log	47.0	329	0.5057	0.825	0.2767	1.5164	0.825	0.8089	0.1325	0.0520
No log	48.0	336	0.5033	0.82	0.2752	1.5168	0.82	0.8061	0.1430	0.0523
No log	49.0	343	0.5042	0.82	0.2755	1.5163	0.82	0.8061	0.1394	0.0517
No log	50.0	350	0.5068	0.82	0.2767	1.5153	0.82	0.8061	0.1471	0.0517
No log	51.0	357	0.5048	0.82	0.2759	1.5137	0.82	0.8061	0.1419	0.0519
No log	52.0	364	0.5044	0.825	0.2759	1.5112	0.825	0.8064	0.1342	0.0518
No log	53.0	371	0.5046	0.825	0.2756	1.5122	0.825	0.8116	0.1388	0.0514
No log	54.0	378	0.5078	0.815	0.2777	1.5111	0.815	0.7984	0.1442	0.0519
No log	55.0	385	0.5059	0.815	0.2767	1.5109	0.815	0.7984	0.1351	0.0518
No log	56.0	392	0.5087	0.82	0.2779	1.5089	0.82	0.8061	0.1391	0.0518
No log	57.0	399	0.5072	0.82	0.2771	1.5094	0.82	0.8061	0.1339	0.0517
No log	58.0	406	0.5079	0.82	0.2776	1.5074	0.82	0.8061	0.1366	0.0518
No log	59.0	413	0.5072	0.82	0.2771	1.5072	0.82	0.8061	0.1308	0.0518
No log	60.0	420	0.5084	0.825	0.2776	1.5059	0.825	0.8116	0.1303	0.0520
No log	61.0	427	0.5074	0.82	0.2772	1.5066	0.82	0.8038	0.1244	0.0520
No log	62.0	434	0.5090	0.82	0.2781	1.5053	0.82	0.8061	0.1367	0.0519
No log	63.0	441	0.5094	0.825	0.2779	1.5050	0.825	0.8116	0.1305	0.0520
No log	64.0	448	0.5098	0.82	0.2782	1.5049	0.82	0.8038	0.1314	0.0520
No log	65.0	455	0.5086	0.82	0.2780	1.5038	0.82	0.8038	0.1249	0.0520
No log	66.0	462	0.5103	0.82	0.2787	1.5023	0.82	0.8038	0.1222	0.0522
No log	67.0	469	0.5095	0.82	0.2782	1.5025	0.82	0.8038	0.1228	0.0521
No log	68.0	476	0.5095	0.82	0.2783	1.5027	0.82	0.8038	0.1330	0.0522
No log	69.0	483	0.5097	0.82	0.2785	1.5015	0.82	0.8038	0.1228	0.0521
No log	70.0	490	0.5109	0.82	0.2788	1.5005	0.82	0.8038	0.1322	0.0520
No log	71.0	497	0.5096	0.82	0.2784	1.5012	0.82	0.8038	0.1320	0.0522
0.1366	72.0	504	0.5095	0.82	0.2784	1.5011	0.82	0.8038	0.1219	0.0522
0.1366	73.0	511	0.5109	0.82	0.2791	1.4998	0.82	0.8038	0.1249	0.0523
0.1366	74.0	518	0.5100	0.82	0.2786	1.5000	0.82	0.8038	0.1219	0.0521
0.1366	75.0	525	0.5096	0.82	0.2784	1.5000	0.82	0.8038	0.1238	0.0521
0.1366	76.0	532	0.5104	0.82	0.2787	1.4988	0.82	0.8038	0.1341	0.0523
0.1366	77.0	539	0.5105	0.82	0.2788	1.4985	0.82	0.8038	0.1340	0.0521
0.1366	78.0	546	0.5103	0.82	0.2788	1.4985	0.82	0.8038	0.1338	0.0520
0.1366	79.0	553	0.5105	0.82	0.2788	1.4983	0.82	0.8038	0.1317	0.0522
0.1366	80.0	560	0.5106	0.82	0.2789	1.4977	0.82	0.8038	0.1337	0.0523
0.1366	81.0	567	0.5108	0.82	0.2790	1.4971	0.82	0.8038	0.1339	0.0523
0.1366	82.0	574	0.5107	0.82	0.2790	1.4970	0.82	0.8038	0.1317	0.0521
0.1366	83.0	581	0.5108	0.82	0.2790	1.4968	0.82	0.8038	0.1339	0.0522
0.1366	84.0	588	0.5105	0.82	0.2789	1.4966	0.82	0.8038	0.1340	0.0522
0.1366	85.0	595	0.5106	0.82	0.2789	1.4961	0.82	0.8038	0.1338	0.0523
0.1366	86.0	602	0.5109	0.82	0.2790	1.4958	0.82	0.8038	0.1336	0.0524
0.1366	87.0	609	0.5105	0.815	0.2789	1.4956	0.815	0.7942	0.1290	0.0525
0.1366	88.0	616	0.5105	0.815	0.2790	1.4954	0.815	0.7942	0.1290	0.0525
0.1366	89.0	623	0.5106	0.815	0.2790	1.4952	0.815	0.7942	0.1290	0.0526
0.1366	90.0	630	0.5106	0.82	0.2790	1.4951	0.82	0.8038	0.1338	0.0523
0.1366	91.0	637	0.5107	0.815	0.2790	1.4949	0.815	0.7942	0.1289	0.0526
0.1366	92.0	644	0.5107	0.815	0.2790	1.4947	0.815	0.7942	0.1289	0.0526
0.1366	93.0	651	0.5107	0.815	0.2790	1.4947	0.815	0.7942	0.1289	0.0525
0.1366	94.0	658	0.5107	0.82	0.2790	1.4946	0.82	0.8038	0.1335	0.0523
0.1366	95.0	665	0.5106	0.82	0.2790	1.4946	0.82	0.8038	0.1335	0.0523
0.1366	96.0	672	0.5105	0.815	0.2790	1.4945	0.815	0.7942	0.1289	0.0524
0.1366	97.0	679	0.5105	0.815	0.2790	1.4945	0.815	0.7942	0.1289	0.0524
0.1366	98.0	686	0.5105	0.815	0.2790	1.4944	0.815	0.7942	0.1289	0.0524
0.1366	99.0	693	0.5105	0.815	0.2790	1.4944	0.815	0.7942	0.1287	0.0524
0.1366	100.0	700	0.5105	0.815	0.2790	1.4944	0.815	0.7942	0.1287	0.0524

Framework versions

• Transformers 4.36.0.dev0
• Pytorch 2.2.0.dev20231112+cu118
• Datasets 2.14.5
• Tokenizers 0.14.1