Training Loss	Epoch	Step	Validation Loss	Accuracy
0.5575	0.04	50	0.2675	0.9
0.4177	0.08	100	0.2193	0.9067
0.2911	0.12	150	0.2482	0.9
0.3503	0.16	200	0.2424	0.9
0.3412	0.2	250	0.1913	0.9267
0.2747	0.24	300	0.1783	0.92
0.2999	0.28	350	0.2495	0.9133
0.3141	0.32	400	0.2460	0.9
0.2935	0.37	450	0.2034	0.92
0.2619	0.41	500	0.2600	0.9067
0.2454	0.45	550	0.2178	0.92
0.2809	0.49	600	0.2254	0.9133
0.288	0.53	650	0.1849	0.92
0.2769	0.57	700	0.1896	0.9267
0.3079	0.61	750	0.2153	0.9133
0.2598	0.65	800	0.3279	0.9067
0.3149	0.69	850	0.1985	0.92
0.2872	0.73	900	0.1801	0.9333
0.2554	0.77	950	0.2023	0.9267
0.2645	0.81	1000	0.2208	0.9067
0.2509	0.85	1050	0.2012	0.9333
0.2404	0.89	1100	0.1995	0.9067
0.2361	0.93	1150	0.1808	0.9133
0.2298	0.97	1200	0.2226	0.9333
0.193	1.01	1250	0.2535	0.9267
0.1603	1.06	1300	0.2163	0.9467
0.1916	1.1	1350	0.2479	0.92
0.1963	1.14	1400	0.1964	0.94
0.1667	1.18	1450	0.3139	0.9133
0.1668	1.22	1500	0.2204	0.9267
0.1677	1.26	1550	0.2468	0.9333
0.1601	1.3	1600	0.2394	0.94
0.1714	1.34	1650	0.2326	0.94
0.197	1.38	1700	0.1861	0.94
0.1777	1.42	1750	0.2518	0.94
0.1925	1.46	1800	0.1806	0.94
0.2068	1.5	1850	0.1319	0.9467
0.1716	1.54	1900	0.1199	0.9667
0.1442	1.58	1950	0.1694	0.96
0.1929	1.62	2000	0.1990	0.9467
0.1654	1.66	2050	0.2972	0.9333
0.1759	1.7	2100	0.1584	0.9467
0.1788	1.75	2150	0.2266	0.94
0.1796	1.79	2200	0.2746	0.9333
0.172	1.83	2250	0.2313	0.9333
0.1637	1.87	2300	0.2918	0.9267
0.2359	1.91	2350	0.2121	0.9267
0.1778	1.95	2400	0.2022	0.9333
0.1581	1.99	2450	0.2936	0.9067
0.1312	2.03	2500	0.2531	0.9333
0.1178	2.07	2550	0.2525	0.9267
0.0924	2.11	2600	0.2715	0.9333
0.0774	2.15	2650	0.2123	0.9533
0.091	2.19	2700	0.2128	0.9467
0.0948	2.23	2750	0.2187	0.9533
0.1121	2.27	2800	0.2438	0.9467
0.1259	2.31	2850	0.2197	0.9467
0.0747	2.35	2900	0.2727	0.9333
0.114	2.39	2950	0.3197	0.9333
0.086	2.44	3000	0.3643	0.9333
0.1326	2.48	3050	0.2791	0.94
0.1017	2.52	3100	0.2661	0.9333
0.0719	2.56	3150	0.2797	0.94
0.1424	2.6	3200	0.1819	0.96
0.106	2.64	3250	0.2770	0.94
0.0996	2.68	3300	0.2213	0.94
0.0835	2.72	3350	0.2894	0.9333
0.0808	2.76	3400	0.3424	0.9333
0.1406	2.8	3450	0.2166	0.94
0.0345	2.84	3500	0.3146	0.9333
0.1247	2.88	3550	0.2824	0.9467
0.076	2.92	3600	0.2650	0.9467
0.134	2.96	3650	0.2758	0.9267
0.0521	3.0	3700	0.2693	0.9467
0.0366	3.04	3750	0.3428	0.9333
0.0682	3.08	3800	0.2779	0.9533
0.0624	3.12	3850	0.2563	0.9467
0.0402	3.17	3900	0.3086	0.94
0.052	3.21	3950	0.3324	0.94
0.0579	3.25	4000	0.3165	0.9467
0.0411	3.29	4050	0.3507	0.9467
0.0507	3.33	4100	0.3108	0.9533
0.0326	3.37	4150	0.3645	0.94
0.085	3.41	4200	0.3390	0.94
0.022	3.45	4250	0.3367	0.94
0.0689	3.49	4300	0.3433	0.94
0.0458	3.53	4350	0.3359	0.9533
0.0384	3.57	4400	0.3642	0.9467
0.0415	3.61	4450	0.3429	0.9467
0.0362	3.65	4500	0.3727	0.9467
0.0351	3.69	4550	0.3293	0.9467
0.06	3.73	4600	0.4717	0.92
0.0344	3.77	4650	0.3668	0.94
0.0518	3.81	4700	0.3461	0.94
0.046	3.86	4750	0.4020	0.9267
0.0735	3.9	4800	0.2660	0.9467
0.0453	3.94	4850	0.3364	0.9333
0.039	3.98	4900	0.4398	0.92
0.0497	4.02	4950	0.3476	0.94
0.0183	4.06	5000	0.3871	0.94
0.0558	4.1	5050	0.4066	0.9267
0.0358	4.14	5100	0.3926	0.92
0.0507	4.18	5150	0.3312	0.9467
0.0111	4.22	5200	0.3976	0.9267
0.0363	4.26	5250	0.4753	0.92
0.0283	4.3	5300	0.4234	0.9267
0.0097	4.34	5350	0.4547	0.9333
0.0018	4.38	5400	0.4687	0.9267
0.0344	4.42	5450	0.4274	0.9333
0.021	4.46	5500	0.4448	0.9333
0.0092	4.5	5550	0.4672	0.9333
0.0354	4.55	5600	0.4666	0.9333
0.029	4.59	5650	0.4614	0.9333
0.0182	4.63	5700	0.4840	0.9333
0.043	4.67	5750	0.4327	0.9333
0.0259	4.71	5800	0.4639	0.9333
0.0224	4.75	5850	0.4607	0.9333
0.0302	4.79	5900	0.4606	0.9333
0.0224	4.83	5950	0.4654	0.9333
0.0431	4.87	6000	0.4681	0.9333
0.0284	4.91	6050	0.4622	0.9333
0.0326	4.95	6100	0.4602	0.9333
0.018	4.99	6150	0.4591	0.9333

Framework versions

Transformers 4.24.0
Pytorch 1.13.0
Datasets 2.7.1
Tokenizers 0.13.2

Etelis/TweetEval_XLNET_5E

TweetEval_XLNET_5E

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Etelis/
TweetEval_XLNET_5E