learning_rate: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
gradient_accumulation_steps: 2
total_train_batch_size: 32
optimizer: Use adamw_torch 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: 500
num_epochs: 1
mixed_precision_training: Native AMP

Training Loss	Epoch	Step	Validation Loss
0.2281	0.032	500	0.2171
0.194	0.064	1000	0.1832
0.1684	0.096	1500	0.1612
0.1583	0.128	2000	0.1476
0.1451	0.16	2500	0.1344
0.1371	0.192	3000	0.1238
0.1286	0.224	3500	0.1164
0.1231	0.256	4000	0.1099
0.1191	0.288	4500	0.1048
0.1119	0.32	5000	0.0997
0.1072	0.352	5500	0.0956
0.1073	0.384	6000	0.0917
0.0961	0.416	6500	0.0887
0.0983	0.448	7000	0.0865
0.0942	0.48	7500	0.0834
0.0921	0.512	8000	0.0814
0.0901	0.544	8500	0.0792
0.0853	0.576	9000	0.0771
0.0846	0.608	9500	0.0761
0.0823	0.64	10000	0.0739
0.0823	0.672	10500	0.0727
0.0824	0.704	11000	0.0717
0.081	0.736	11500	0.0709
0.079	0.768	12000	0.0695
0.0777	0.8	12500	0.0686
0.0759	0.832	13000	0.0676
0.0769	0.864	13500	0.0672
0.0781	0.896	14000	0.0666
0.0747	0.928	14500	0.0662
0.0757	0.96	15000	0.0658
0.0783	0.992	15500	0.0656

ammonbro/eng_spa_seq2seq

eng_spa_seq2seq