Loss: 0.0883
Aragraph: {'precision': 0.48, 'recall': 0.6666666666666666, 'f1': 0.5581395348837209, 'number': 18}
Ull: {'precision': 0.56, 'recall': 0.7777777777777778, 'f1': 0.6511627906976745, 'number': 18}
Overall Precision: 0.52
Overall Recall: 0.7222
Overall F1: 0.6047
Overall Accuracy: 0.9843

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: 3e-05
train_batch_size: 16
eval_batch_size: 8
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: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Aragraph	Ull	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.4984	1.0	7	0.2661	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 18}	{'precision': 0.011396011396011397, 'recall': 0.2222222222222222, 'f1': 0.02168021680216802, 'number': 18}	0.0057	0.1111	0.0108	0.9371
0.1418	2.0	14	0.1140	{'precision': 0.0375, 'recall': 0.16666666666666666, 'f1': 0.061224489795918366, 'number': 18}	{'precision': 0.0375, 'recall': 0.16666666666666666, 'f1': 0.061224489795918366, 'number': 18}	0.0375	0.1667	0.0612	0.9674
0.0517	3.0	21	0.1035	{'precision': 0.125, 'recall': 0.3333333333333333, 'f1': 0.18181818181818182, 'number': 18}	{'precision': 0.14583333333333334, 'recall': 0.3888888888888889, 'f1': 0.21212121212121213, 'number': 18}	0.1354	0.3611	0.1970	0.9726
0.0476	4.0	28	0.0844	{'precision': 0.43333333333333335, 'recall': 0.7222222222222222, 'f1': 0.5416666666666666, 'number': 18}	{'precision': 0.4666666666666667, 'recall': 0.7777777777777778, 'f1': 0.5833333333333334, 'number': 18}	0.45	0.75	0.5625	0.9803
0.0335	5.0	35	0.0895	{'precision': 0.6666666666666666, 'recall': 0.8888888888888888, 'f1': 0.761904761904762, 'number': 18}	{'precision': 0.625, 'recall': 0.8333333333333334, 'f1': 0.7142857142857143, 'number': 18}	0.6458	0.8611	0.7381	0.9813
0.0329	6.0	42	0.0746	{'precision': 0.5, 'recall': 0.7777777777777778, 'f1': 0.6086956521739131, 'number': 18}	{'precision': 0.5, 'recall': 0.7777777777777778, 'f1': 0.6086956521739131, 'number': 18}	0.5	0.7778	0.6087	0.9833
0.0249	7.0	49	0.0718	{'precision': 0.35714285714285715, 'recall': 0.5555555555555556, 'f1': 0.43478260869565216, 'number': 18}	{'precision': 0.4642857142857143, 'recall': 0.7222222222222222, 'f1': 0.5652173913043479, 'number': 18}	0.4107	0.6389	0.5	0.9834
0.0174	8.0	56	0.0759	{'precision': 0.42857142857142855, 'recall': 0.6666666666666666, 'f1': 0.5217391304347826, 'number': 18}	{'precision': 0.5, 'recall': 0.7777777777777778, 'f1': 0.6086956521739131, 'number': 18}	0.4643	0.7222	0.5652	0.9836
0.0144	9.0	63	0.0845	{'precision': 0.5, 'recall': 0.7222222222222222, 'f1': 0.5909090909090908, 'number': 18}	{'precision': 0.5384615384615384, 'recall': 0.7777777777777778, 'f1': 0.6363636363636364, 'number': 18}	0.5192	0.75	0.6136	0.9839
0.0131	10.0	70	0.0895	{'precision': 0.6363636363636364, 'recall': 0.7777777777777778, 'f1': 0.7000000000000001, 'number': 18}	{'precision': 0.6818181818181818, 'recall': 0.8333333333333334, 'f1': 0.7499999999999999, 'number': 18}	0.6591	0.8056	0.7250	0.9847
0.0179	11.0	77	0.0922	{'precision': 0.6666666666666666, 'recall': 0.7777777777777778, 'f1': 0.717948717948718, 'number': 18}	{'precision': 0.7142857142857143, 'recall': 0.8333333333333334, 'f1': 0.7692307692307692, 'number': 18}	0.6905	0.8056	0.7436	0.9848
0.0151	12.0	84	0.0902	{'precision': 0.6363636363636364, 'recall': 0.7777777777777778, 'f1': 0.7000000000000001, 'number': 18}	{'precision': 0.6818181818181818, 'recall': 0.8333333333333334, 'f1': 0.7499999999999999, 'number': 18}	0.6591	0.8056	0.7250	0.9847
0.0127	13.0	91	0.0886	{'precision': 0.5416666666666666, 'recall': 0.7222222222222222, 'f1': 0.619047619047619, 'number': 18}	{'precision': 0.625, 'recall': 0.8333333333333334, 'f1': 0.7142857142857143, 'number': 18}	0.5833	0.7778	0.6667	0.9845
0.0118	14.0	98	0.0883	{'precision': 0.5, 'recall': 0.6666666666666666, 'f1': 0.5714285714285715, 'number': 18}	{'precision': 0.5833333333333334, 'recall': 0.7777777777777778, 'f1': 0.6666666666666666, 'number': 18}	0.5417	0.7222	0.6190	0.9844
0.012	15.0	105	0.0883	{'precision': 0.48, 'recall': 0.6666666666666666, 'f1': 0.5581395348837209, 'number': 18}	{'precision': 0.56, 'recall': 0.7777777777777778, 'f1': 0.6511627906976745, 'number': 18}	0.52	0.7222	0.6047	0.9843

Framework versions

Transformers 4.52.3
Pytorch 2.7.0+cpu
Datasets 3.6.0
Tokenizers 0.21.1

janbl06/layoutlm-paragraphs

layoutlm-paragraphs

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

janbl06/
layoutlm-paragraphs