learning_rate: 3e-05
train_batch_size: 8
eval_batch_size: 4
seed: 42
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_ratio: 0.05
num_epochs: 100
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer	Cer
0.819	1.0	5613	0.2290	0.2918	0.0555
0.244	2.0	11226	0.2156	0.2651	0.0499
0.2177	3.0	16839	0.2111	0.2556	0.0470
0.2066	4.0	22452	0.2115	0.2498	0.0470
0.1988	5.0	28065	0.2030	0.2516	0.0474
0.1861	6.0	33678	0.1939	0.2417	0.0452
0.1692	7.0	39291	0.1948	0.2303	0.0437
0.1507	8.0	44904	0.1893	0.2181	0.0417
0.1333	9.0	50517	0.1947	0.2114	0.0406
0.1164	10.0	56130	0.1998	0.2093	0.0405
0.101	11.0	61743	0.1886	0.1982	0.0384
0.0878	12.0	67356	0.1878	0.1961	0.0380
0.077	13.0	72969	0.2061	0.1926	0.0377
0.0689	14.0	78582	0.2110	0.1906	0.0374
0.0625	15.0	84195	0.2119	0.1811	0.0358
0.057	16.0	89808	0.2249	0.1799	0.0356
0.0538	17.0	95421	0.2206	0.1802	0.0360
0.05	18.0	101034	0.2246	0.1791	0.0353
0.0467	19.0	106647	0.2249	0.1785	0.0355
0.0445	20.0	112260	0.2210	0.1739	0.0348
0.0421	21.0	117873	0.2298	0.1754	0.0352
0.0398	22.0	123486	0.2331	0.1678	0.0340
0.0376	23.0	129099	0.2212	0.1628	0.0332
0.0362	24.0	134712	0.2304	0.1670	0.0340
0.0343	25.0	140325	0.2307	0.1680	0.0341
0.0325	26.0	145938	0.2404	0.1648	0.0331
0.0313	27.0	151551	0.2378	0.1673	0.0338
0.03	28.0	157164	0.2418	0.1616	0.0330
0.029	29.0	162777	0.2435	0.1627	0.0329
0.0278	30.0	168390	0.2460	0.1642	0.0334
0.0275	31.0	174003	0.2420	0.1633	0.0332
0.0262	32.0	179616	0.2537	0.1607	0.0324
0.0259	33.0	185229	0.2451	0.1575	0.0324
0.025	34.0	190842	0.2432	0.1574	0.0319
0.024	35.0	196455	0.2584	0.1603	0.0327
0.0231	36.0	202068	0.2519	0.1604	0.0329
0.0224	37.0	207681	0.2506	0.1625	0.0327
0.0215	38.0	213294	0.2473	0.1571	0.0320
0.0218	39.0	218907	0.2551	0.1551	0.0318
0.0205	40.0	224520	0.2501	0.1547	0.0317
0.0198	41.0	230133	0.2590	0.1520	0.0312
0.0191	42.0	235746	0.2536	0.1528	0.0317
0.0192	43.0	241359	0.2453	0.1526	0.0311
0.0184	44.0	246972	0.2571	0.1558	0.0319
0.0178	45.0	252585	0.2444	0.1547	0.0314
0.0172	46.0	258198	0.2564	0.1526	0.0313
0.0168	47.0	263811	0.2564	0.1523	0.0312
0.0161	48.0	269424	0.2656	0.1494	0.0308
0.0154	49.0	275037	0.2505	0.1512	0.0310
0.0151	50.0	280650	0.2660	0.1485	0.0305
0.0145	51.0	286263	0.2496	0.1473	0.0303
0.0143	52.0	291876	0.2589	0.1480	0.0306
0.0134	53.0	297489	0.2645	0.1477	0.0303
0.0133	54.0	303102	0.2550	0.1505	0.0309
0.0133	55.0	308715	0.2707	0.1458	0.0299
0.0125	56.0	314328	0.2633	0.1446	0.0298
0.0124	57.0	319941	0.2691	0.1485	0.0309
0.0119	58.0	325554	0.2694	0.1462	0.0299
0.0116	59.0	331167	0.2737	0.1469	0.0306
0.0112	60.0	336780	0.2626	0.1454	0.0300
0.0108	61.0	342393	0.2686	0.1436	0.0299
0.0106	62.0	348006	0.2734	0.1451	0.0300
0.0107	63.0	353619	0.2693	0.1440	0.0298
0.0101	64.0	359232	0.2761	0.1467	0.0300
0.0098	65.0	364845	0.2714	0.1451	0.0301
0.0094	66.0	370458	0.2759	0.1432	0.0298

Framework versions

Transformers 4.49.0
Pytorch 2.5.1+cu121
Datasets 2.20.0
Tokenizers 0.21.0

Alvin-Nahabwe/mms-1b-all-Sagalee-orm-85hrs-4

mms-1b-all-Sagalee-orm-85hrs-4

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Alvin-Nahabwe/
mms-1b-all-Sagalee-orm-85hrs-4