learning_rate: 0.001
train_batch_size: 16
eval_batch_size: 16
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: 100
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Micro	F1 Macro	Accuracy	Rate
0.1213	1.0	1953	0.1046	0.4612	0.2564	0.3234	0.001
0.1152	2.0	3906	0.1038	0.4901	0.2770	0.3573	0.001
0.1147	3.0	5859	0.1009	0.4919	0.2707	0.3565	0.001
0.1141	4.0	7812	0.1008	0.4977	0.2798	0.3596	0.001
0.1127	5.0	9765	0.1019	0.5050	0.2555	0.3705	0.001
0.1131	6.0	11718	0.1001	0.5039	0.2749	0.3700	0.001
0.1133	7.0	13671	0.1004	0.5146	0.3024	0.3790	0.001
0.1128	8.0	15624	0.1004	0.5112	0.2921	0.3798	0.001
0.1119	9.0	17577	0.0984	0.5345	0.2850	0.4081	0.001
0.1145	10.0	19530	0.1012	0.5173	0.3044	0.3820	0.001
0.1128	11.0	21483	0.0998	0.5087	0.2539	0.3724	0.001
0.1131	12.0	23436	0.0987	0.5197	0.2886	0.3841	0.001
0.1109	13.0	25389	0.0980	0.5060	0.2898	0.3651	0.001
0.1122	14.0	27342	0.0994	0.5217	0.2700	0.3878	0.001
0.113	15.0	29295	0.1008	0.5238	0.2805	0.3908	0.001
0.1135	16.0	31248	0.0981	0.5208	0.2764	0.3859	0.001
0.1137	17.0	33201	0.0978	0.5259	0.2954	0.3905	0.001
0.114	18.0	35154	0.0994	0.5162	0.2774	0.3836	0.001
0.1143	19.0	37107	0.0976	0.5134	0.2685	0.3742	0.001
0.1144	20.0	39060	0.0979	0.5194	0.2862	0.3801	0.001
0.1154	21.0	41013	0.1040	0.5174	0.2748	0.3874	0.001
0.1133	22.0	42966	0.0971	0.5323	0.3003	0.4011	0.001
0.114	23.0	44919	0.0982	0.5241	0.2923	0.3912	0.001
0.1113	24.0	46872	0.0985	0.5161	0.2783	0.3793	0.001
0.1132	25.0	48825	0.0996	0.5160	0.2651	0.3792	0.001
0.1127	26.0	50778	0.0987	0.5367	0.2911	0.4103	0.001
0.1135	27.0	52731	0.0987	0.5277	0.2785	0.3952	0.001
0.1133	28.0	54684	0.1018	0.5285	0.2633	0.4042	0.001
0.1064	29.0	56637	0.0944	0.5590	0.3221	0.4321	0.0001
0.1063	30.0	58590	0.0929	0.5714	0.3412	0.4493	0.0001
0.1042	31.0	60543	0.0918	0.5832	0.3729	0.4619	0.0001
0.1038	32.0	62496	0.0912	0.5768	0.3565	0.4528	0.0001
0.103	33.0	64449	0.0904	0.5873	0.3712	0.4670	0.0001
0.1036	34.0	66402	0.0903	0.5843	0.3731	0.4594	0.0001
0.1047	35.0	68355	0.0903	0.5869	0.3827	0.4621	0.0001
0.1026	36.0	70308	0.0897	0.5943	0.3954	0.4729	0.0001
0.1028	37.0	72261	0.0893	0.5983	0.3983	0.4794	0.0001
0.1022	38.0	74214	0.0892	0.5997	0.4080	0.4820	0.0001
0.1012	39.0	76167	0.0889	0.6008	0.3995	0.4822	0.0001
0.1022	40.0	78120	0.0884	0.6030	0.4085	0.4843	0.0001
0.1002	41.0	80073	0.0888	0.5940	0.3896	0.4700	0.0001
0.1008	42.0	82026	0.0880	0.6024	0.4174	0.4807	0.0001
0.0991	43.0	83979	0.0882	0.6065	0.4184	0.4895	0.0001
0.1005	44.0	85932	0.0881	0.6047	0.4126	0.4860	0.0001
0.1001	45.0	87885	0.0878	0.6090	0.4236	0.4940	0.0001
0.0989	46.0	89838	0.0875	0.6053	0.4205	0.4862	0.0001
0.0996	47.0	91791	0.0873	0.6069	0.4215	0.4880	0.0001
0.0986	48.0	93744	0.0869	0.6110	0.4260	0.4938	0.0001
0.0988	49.0	95697	0.0872	0.6114	0.4155	0.4966	0.0001
0.0994	50.0	97650	0.0871	0.6136	0.4336	0.4974	0.0001
0.0998	51.0	99603	0.0872	0.6104	0.4271	0.4947	0.0001
0.0992	52.0	101556	0.0871	0.6109	0.4289	0.4951	0.0001
0.0988	53.0	103509	0.0871	0.6137	0.4268	0.4990	0.0001
0.0977	54.0	105462	0.0867	0.6147	0.4405	0.5006	0.0001
0.0987	55.0	107415	0.0872	0.6131	0.4344	0.4986	0.0001
0.0985	56.0	109368	0.0865	0.6122	0.4268	0.4959	0.0001
0.0982	57.0	111321	0.0864	0.6177	0.4405	0.5041	0.0001
0.0997	58.0	113274	0.0865	0.6104	0.4243	0.4962	0.0001
0.0982	59.0	115227	0.0865	0.6165	0.4318	0.5044	0.0001
0.0973	60.0	117180	0.0868	0.6140	0.4458	0.4993	0.0001
0.0974	61.0	119133	0.0872	0.6115	0.4204	0.4940	0.0001
0.0976	62.0	121086	0.0862	0.6121	0.4359	0.4944	0.0001
0.0977	63.0	123039	0.0865	0.6087	0.4275	0.4900	0.0001
0.0968	64.0	124992	0.0862	0.6156	0.4383	0.5010	0.0001
0.0971	65.0	126945	0.0864	0.6151	0.4484	0.5009	0.0001
0.0968	66.0	128898	0.0857	0.6216	0.4437	0.5099	0.0001
0.0962	67.0	130851	0.0859	0.6186	0.4409	0.5051	0.0001
0.0977	68.0	132804	0.0859	0.6186	0.4427	0.5049	0.0001
0.0969	69.0	134757	0.0863	0.6197	0.4344	0.5109	0.0001
0.0972	70.0	136710	0.0858	0.6242	0.4471	0.5158	0.0001
0.0961	71.0	138663	0.0858	0.6219	0.4529	0.5104	0.0001
0.0972	72.0	140616	0.0858	0.6215	0.4392	0.5131	0.0001
0.0948	73.0	142569	0.0852	0.6232	0.4489	0.5112	1e-05
0.0956	74.0	144522	0.0850	0.6263	0.4569	0.5188	1e-05
0.0928	75.0	146475	0.0848	0.6273	0.4543	0.5189	1e-05
0.0963	76.0	148428	0.0847	0.6299	0.4604	0.5244	1e-05
0.0946	77.0	150381	0.0846	0.6272	0.4473	0.5187	1e-05
0.0947	78.0	152334	0.0845	0.6325	0.4540	0.5271	1e-05
0.0939	79.0	154287	0.0846	0.6245	0.4471	0.5143	1e-05
0.0938	80.0	156240	0.0846	0.6264	0.4489	0.5169	1e-05
0.0946	81.0	158193	0.0844	0.6299	0.4637	0.5227	1e-05
0.0937	82.0	160146	0.0844	0.6307	0.4596	0.5253	1e-05
0.094	83.0	162099	0.0844	0.6289	0.4588	0.5218	1e-05
0.0957	84.0	164052	0.0841	0.6286	0.4608	0.5221	1e-05
0.0934	85.0	166005	0.0844	0.6270	0.4572	0.5195	1e-05
0.0932	86.0	167958	0.0841	0.6310	0.4637	0.5262	1e-05
0.0938	87.0	169911	0.0844	0.6282	0.4543	0.5218	1e-05
0.0926	88.0	171864	0.0844	0.6318	0.4613	0.5267	1e-05
0.0937	89.0	173817	0.0843	0.6260	0.4494	0.5152	1e-05
0.0925	90.0	175770	0.0844	0.6243	0.4515	0.5140	1e-05
0.0937	91.0	177723	0.0841	0.6327	0.4606	0.5276	1e-05
0.0924	92.0	179676	0.0841	0.6301	0.4568	0.5226	1e-05
0.0923	93.0	181629	0.0839	0.6317	0.4593	0.5272	0.0000
0.0929	94.0	183582	0.0841	0.6301	0.4572	0.5234	0.0000
0.0924	95.0	185535	0.0844	0.6308	0.4614	0.5248	0.0000
0.0937	96.0	187488	0.0839	0.6314	0.4611	0.5251	0.0000
0.0926	97.0	189441	0.0843	0.6296	0.4546	0.5227	0.0000
0.0951	98.0	191394	0.0842	0.6294	0.4556	0.5217	0.0000
0.0928	99.0	193347	0.0840	0.6301	0.4615	0.5236	0.0000
0.093	100.0	195300	0.0842	0.6319	0.4612	0.5263	0.0000

Framework versions

Transformers 4.48.0
Pytorch 2.6.0+cu118
Datasets 3.0.2
Tokenizers 0.21.1

Amoros/Amoros_Beaugosse_test-large-2025_05_21_36883-bs16_freeze

Amoros_Beaugosse_test-large-2025_05_21_36883-bs16_freeze

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Amoros/
Amoros_Beaugosse_test-large-2025_05_21_36883-bs16_freeze