You can deploy this model and start earning money today!

Kudod/
roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1

Name: roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1
Availability: InStock

safetensors

xlm-roberta

generated_from_trainer

Views

No views yet

roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.8556
Tk: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}
A: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}
Gày: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}
Gày trừu tượng: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}
Iờ: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}
Ã đơn: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}
Đt: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}
Đt trừu tượng: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}
Overall Precision: 0.0
Overall Recall: 0.0
Overall F1: 0.0
Overall Accuracy: 0.8099

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: 2.5e-05
train_batch_size: 1
eval_batch_size: 1
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Tk	A	Gày	Gày trừu tượng	Iờ	Ã đơn	Đt	Đt trừu tượng	Overall Accuracy
0.9188	1.0	2362	1.8497	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8676	2.0	4724	1.9285	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8347	3.0	7086	1.8423	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8612	4.0	9448	1.8190	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8821	5.0	11810	1.8033	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8634	6.0	14172	1.7820	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8386	7.0	16534	1.8550	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8657	8.0	18896	1.8338	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8921	9.0	21258	1.8489	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099
0.8639	10.0	23620	1.8556	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.8099

Framework versions

Transformers 4.44.0
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Kudod/roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1

roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kudod/
roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1