learning_rate: 0.0002
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 30
mixed_precision_training: Native AMP

Training Loss	Epoch	Step	Validation Loss	Bleu
No log	1.0	414	1.5123	0.1913
1.8064	2.0	828	1.5254	0.2027
1.1389	3.0	1242	1.5991	0.1996
0.771	4.0	1656	1.7113	0.2013
0.5395	5.0	2070	1.8532	0.2015
0.5395	6.0	2484	1.9543	0.1955
0.3855	7.0	2898	2.0825	0.2021
0.2794	8.0	3312	2.1461	0.1981
0.2203	9.0	3726	2.2048	0.2049
0.1833	10.0	4140	2.2585	0.1997
0.154	11.0	4554	2.2970	0.2018
0.154	12.0	4968	2.3328	0.2013
0.1266	13.0	5382	2.3380	0.2012
0.1054	14.0	5796	2.4021	0.2026
0.0905	15.0	6210	2.4106	0.2005
0.0776	16.0	6624	2.4528	0.1988
0.0665	17.0	7038	2.4778	0.2017
0.0665	18.0	7452	2.5210	0.2031
0.0563	19.0	7866	2.5157	0.2029
0.0487	20.0	8280	2.5245	0.1998
0.0411	21.0	8694	2.5513	0.2016
0.0346	22.0	9108	2.5436	0.1994
0.0304	23.0	9522	2.5845	0.1996
0.0304	24.0	9936	2.5827	0.2005
0.0237	25.0	10350	2.5879	0.2067
0.0201	26.0	10764	2.5744	0.2050
0.0177	27.0	11178	2.6031	0.2091
0.0151	28.0	11592	2.5932	0.2099
0.0133	29.0	12006	2.6221	0.2105
0.0133	30.0	12420	2.6147	0.2098

BABILOON/results

results