This model is a fine-tuned version of deepseek-ai/deepseek-math-7b-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0375

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-06
train_batch_size: 16
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: constant_with_warmup
lr_scheduler_warmup_steps: 1
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss
0.802	0.01	1	0.4394
0.8	0.01	2	0.4325
0.7741	0.02	3	0.4256
0.7764	0.03	4	0.4207
0.756	0.03	5	0.4180
0.7324	0.04	6	0.4137
0.7399	0.04	7	0.4102
0.6939	0.05	8	0.4063
0.5255	0.06	9	0.4014
0.522	0.06	10	0.4000
0.5147	0.07	11	0.3937
0.5088	0.08	12	0.3893
0.5033	0.08	13	0.3856
0.5035	0.09	14	0.3826
0.494	0.1	15	0.3783
0.4919	0.1	16	0.3748
0.49	0.11	17	0.3721
0.4856	0.12	18	0.3673
0.4726	0.12	19	0.3653
0.47	0.13	20	0.3611
0.4539	0.13	21	0.3561
0.4553	0.14	22	0.3524
0.4529	0.15	23	0.3486
0.3904	0.15	24	0.3453
0.3481	0.16	25	0.3412
0.3392	0.17	26	0.3377
0.3384	0.17	27	0.3330
0.3353	0.18	28	0.3303
0.3278	0.19	29	0.3266
0.3286	0.19	30	0.3230
0.3197	0.2	31	0.3201
0.3173	0.2	32	0.3161
0.3058	0.21	33	0.3131
0.3183	0.22	34	0.3081
0.3043	0.22	35	0.3043
0.3051	0.23	36	0.2996
0.2966	0.24	37	0.2979
0.2995	0.24	38	0.2936
0.2929	0.25	39	0.2896
0.2434	0.26	40	0.2858
0.24	0.26	41	0.2817
0.2339	0.27	42	0.2777
0.2353	0.28	43	0.2750
0.2355	0.28	44	0.2724
0.2285	0.29	45	0.2666
0.2264	0.29	46	0.2631
0.2215	0.3	47	0.2578
0.2151	0.31	48	0.2542
0.2178	0.31	49	0.2502
0.2139	0.32	50	0.2461
0.2028	0.33	51	0.2416
0.2046	0.33	52	0.2372
0.2071	0.34	53	0.2326
0.1921	0.35	54	0.2287
0.1912	0.35	55	0.2238
0.1724	0.36	56	0.2182
0.1675	0.36	57	0.2147
0.1653	0.37	58	0.2105
0.1585	0.38	59	0.2047
0.1546	0.38	60	0.2013
0.1507	0.39	61	0.1966
0.1552	0.4	62	0.1923
0.1417	0.4	63	0.1876
0.142	0.41	64	0.1831
0.1387	0.42	65	0.1788
0.1315	0.42	66	0.1735
0.1358	0.43	67	0.1693
0.1312	0.44	68	0.1637
0.1305	0.44	69	0.1596
0.1269	0.45	70	0.1551
0.1278	0.45	71	0.1498
0.1193	0.46	72	0.1451
0.1175	0.47	73	0.1392
0.1132	0.47	74	0.1351
0.1098	0.48	75	0.1298
0.1092	0.49	76	0.1254
0.0992	0.49	77	0.1197
0.1	0.5	78	0.1142
0.0929	0.51	79	0.1090
0.0875	0.51	80	0.1048
0.091	0.52	81	0.1006
0.083	0.52	82	0.0963
0.0814	0.53	83	0.0921
0.0818	0.54	84	0.0895
0.0748	0.54	85	0.0869
0.0758	0.55	86	0.0843
0.0779	0.56	87	0.0817
0.081	0.56	88	0.0797
0.0706	0.57	89	0.0778
0.0607	0.58	90	0.0762
0.0642	0.58	91	0.0744
0.0649	0.59	92	0.0729
0.0631	0.6	93	0.0719
0.0594	0.6	94	0.0698
0.0578	0.61	95	0.0692
0.0616	0.61	96	0.0680
0.0567	0.62	97	0.0669
0.0558	0.63	98	0.0655
0.0536	0.63	99	0.0642
0.0551	0.64	100	0.0639
0.0509	0.65	101	0.0627
0.06	0.65	102	0.0616
0.053	0.66	103	0.0608
0.0587	0.67	104	0.0612
0.0509	0.67	105	0.0592
0.0489	0.68	106	0.0584
0.0515	0.68	107	0.0579
0.0515	0.69	108	0.0564
0.0485	0.7	109	0.0558
0.0496	0.7	110	0.0544
0.0471	0.71	111	0.0534
0.0514	0.72	112	0.0524
0.0458	0.72	113	0.0522
0.0454	0.73	114	0.0515
0.0435	0.74	115	0.0511
0.0475	0.74	116	0.0503
0.0506	0.75	117	0.0497
0.0452	0.76	118	0.0492
0.0468	0.76	119	0.0488
0.0446	0.77	120	0.0487
0.0419	0.77	121	0.0481
0.0414	0.78	122	0.0477
0.0424	0.79	123	0.0467
0.044	0.79	124	0.0465
0.0413	0.8	125	0.0460
0.0439	0.81	126	0.0455
0.0391	0.81	127	0.0453
0.0407	0.82	128	0.0451
0.0357	0.83	129	0.0446
0.0387	0.83	130	0.0443
0.0411	0.84	131	0.0442
0.0396	0.84	132	0.0438
0.039	0.85	133	0.0435
0.0427	0.86	134	0.0432
0.0417	0.86	135	0.0427
0.035	0.87	136	0.0425
0.036	0.88	137	0.0425
0.0391	0.88	138	0.0419
0.0389	0.89	139	0.0414
0.042	0.9	140	0.0413
0.0368	0.9	141	0.0415
0.0336	0.91	142	0.0406
0.0356	0.92	143	0.0405
0.0349	0.92	144	0.0400
0.04	0.93	145	0.0401
0.0398	0.93	146	0.0397
0.0333	0.94	147	0.0398
0.0344	0.95	148	0.0390
0.037	0.95	149	0.0396
0.0327	0.96	150	0.0382
0.0336	0.97	151	0.0383
0.0342	0.97	152	0.0378
0.0348	0.98	153	0.0373
0.0368	0.99	154	0.0380
0.0333	0.99	155	0.0376
0.0344	1.0	156	0.0375

Framework versions

Transformers 4.37.2
Pytorch 2.1.0a0+32f93b1
Datasets 2.17.1
Tokenizers 0.15.2

woody72/albert-random-3

albert-random-3

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

woody72/
albert-random-3