learning_rate: 0.0002
train_batch_size: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 16
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 200
num_epochs: 5

Training Loss	Epoch	Step	Validation Loss
0.5735	0.2058	200	0.3625
0.3599	0.4115	400	0.2718
0.2929	0.6173	600	0.2468
0.2852	0.8230	800	0.2230
0.2659	1.0288	1000	0.2152
0.2419	1.2346	1200	0.2075
0.2453	1.4403	1400	0.2042
0.2336	1.6461	1600	0.1957
0.2286	1.8519	1800	0.1972
0.2062	2.0576	2000	0.1946
0.2064	2.2634	2200	0.1934
0.2067	2.4691	2400	0.1896
0.209	2.6749	2600	0.1851
0.196	2.8807	2800	0.1853
0.1874	3.0864	3000	0.1875
0.1967	3.2922	3200	0.1811
0.1991	3.4979	3400	0.1825
0.1891	3.7037	3600	0.1818
0.1887	3.9095	3800	0.1799
0.1892	4.1152	4000	0.1791
0.1809	4.3210	4200	0.1791
0.187	4.5267	4400	0.1787
0.1792	4.7325	4600	0.1785
0.1795	4.9383	4800	0.1780

amirmanouch/byt5-persian-phonetic

byt5-persian-phonetic