This model is a fine-tuned version of google/vit-base-patch16-224-in21k on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1755
Accuracy: 0.9504

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: 0.0002
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: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6439	0.0267	100	0.6483	0.7925
0.3972	0.0533	200	0.4405	0.8598
0.4898	0.08	300	0.4771	0.8344
0.4585	0.1067	400	0.4260	0.8533
0.4513	0.1333	500	0.4276	0.8582
0.3669	0.16	600	0.3700	0.8728
0.3053	0.1867	700	0.3351	0.8878
0.3537	0.2133	800	0.3868	0.8632
0.3253	0.24	900	0.2819	0.9023
0.6373	0.2667	1000	0.4660	0.8436
0.3327	0.2933	1100	0.2756	0.9068
0.2778	0.32	1200	0.3304	0.8892
0.2734	0.3467	1300	0.3733	0.8688
0.3481	0.3733	1400	0.3195	0.892
0.194	0.4	1500	0.2794	0.9059
0.3727	0.4267	1600	0.3116	0.8932
0.379	0.4533	1700	0.2742	0.9016
0.2764	0.48	1800	0.3533	0.8782
0.2362	0.5067	1900	0.2735	0.9062
0.333	0.5333	2000	0.2844	0.9065
0.2024	0.56	2100	0.3169	0.8871
0.2167	0.5867	2200	0.2575	0.9097
0.2368	0.6133	2300	0.2612	0.9103
0.3344	0.64	2400	0.2549	0.91
0.168	0.6667	2500	0.2792	0.9076
0.2709	0.6933	2600	0.2769	0.9034
0.2131	0.72	2700	0.2900	0.895
0.2265	0.7467	2800	0.2394	0.9141
0.3461	0.7733	2900	0.3260	0.8868
0.3012	0.8	3000	0.4391	0.8687
0.2332	0.8267	3100	0.2320	0.9189
0.2458	0.8533	3200	0.2460	0.9148
0.3271	0.88	3300	0.2724	0.9031
0.1846	0.9067	3400	0.2359	0.9173
0.1764	0.9333	3500	0.2712	0.9035
0.1818	0.96	3600	0.2453	0.9152
0.1628	0.9867	3700	0.2307	0.9189
0.2072	1.0133	3800	0.2309	0.9207
0.182	1.04	3900	0.2980	0.9015
0.1572	1.0667	4000	0.2553	0.917
0.2	1.0933	4100	0.2203	0.9216
0.1475	1.12	4200	0.2635	0.91
0.2729	1.1467	4300	0.2382	0.9151
0.2978	1.1733	4400	0.2469	0.9157
0.2117	1.2	4500	0.2546	0.9104
0.2361	1.2267	4600	0.2434	0.9143
0.3054	1.2533	4700	0.2272	0.9193
0.1032	1.28	4800	0.2392	0.9172
0.1405	1.3067	4900	0.2269	0.9205
0.2779	1.3333	5000	0.2037	0.9293
0.2025	1.3600	5100	0.2238	0.9231
0.3432	1.3867	5200	0.2428	0.9139
0.1422	1.4133	5300	0.2443	0.9181
0.2444	1.44	5400	0.2395	0.919
0.1836	1.4667	5500	0.2089	0.9277
0.2308	1.4933	5600	0.2120	0.926
0.1877	1.52	5700	0.2000	0.9305
0.2019	1.5467	5800	0.2278	0.9229
0.2829	1.5733	5900	0.1935	0.9315
0.1262	1.6	6000	0.2274	0.92
0.1152	1.6267	6100	0.2849	0.9082
0.2012	1.6533	6200	0.2272	0.921
0.1806	1.6800	6300	0.1932	0.9324
0.1769	1.7067	6400	0.2020	0.9293
0.2793	1.7333	6500	0.2052	0.927
0.0894	1.76	6600	0.2147	0.9238
0.2441	1.7867	6700	0.2020	0.93
0.2366	1.8133	6800	0.2125	0.9264
0.1992	1.8400	6900	0.1930	0.9316
0.1936	1.8667	7000	0.2038	0.93
0.2093	1.8933	7100	0.2100	0.9321
0.2183	1.92	7200	0.2287	0.9267
0.1483	1.9467	7300	0.1954	0.934
0.1828	1.9733	7400	0.1922	0.9345
0.1424	2.0	7500	0.1732	0.9388
0.1396	2.0267	7600	0.1920	0.9312
0.1433	2.0533	7700	0.1966	0.9316
0.0639	2.08	7800	0.1811	0.9358
0.1334	2.1067	7900	0.1962	0.9338
0.2618	2.1333	8000	0.2176	0.9307
0.1167	2.16	8100	0.1869	0.9369
0.0498	2.1867	8200	0.2008	0.9357
0.0647	2.2133	8300	0.2179	0.9295
0.1444	2.24	8400	0.1934	0.9368
0.1431	2.2667	8500	0.2257	0.9256
0.1464	2.2933	8600	0.1796	0.9397
0.1152	2.32	8700	0.1746	0.9422
0.1679	2.3467	8800	0.1796	0.9416
0.1404	2.3733	8900	0.1949	0.9357
0.2441	2.4	9000	0.1742	0.9421
0.1206	2.4267	9100	0.1953	0.9366
0.2064	2.4533	9200	0.1908	0.9371
0.0851	2.48	9300	0.1915	0.9369
0.1101	2.5067	9400	0.1830	0.9411
0.1081	2.5333	9500	0.1938	0.9387
0.1559	2.56	9600	0.1692	0.9435
0.0974	2.5867	9700	0.1735	0.9426
0.1344	2.6133	9800	0.1834	0.9411
0.0983	2.64	9900	0.1915	0.9367
0.0941	2.6667	10000	0.1842	0.9399
0.127	2.6933	10100	0.2004	0.938
0.1112	2.7200	10200	0.1829	0.9395
0.1898	2.7467	10300	0.1872	0.9384
0.088	2.7733	10400	0.1831	0.9417
0.1301	2.8	10500	0.1819	0.9408
0.129	2.8267	10600	0.1831	0.9394
0.1225	2.8533	10700	0.1778	0.9406
0.1084	2.88	10800	0.1754	0.9399
0.1159	2.9067	10900	0.1696	0.9432
0.1037	2.9333	11000	0.1731	0.9431
0.1173	2.96	11100	0.1817	0.9406
0.0524	2.9867	11200	0.1703	0.9439
0.0635	3.0133	11300	0.1689	0.9436
0.0662	3.04	11400	0.1726	0.9454
0.068	3.0667	11500	0.1777	0.9449
0.0441	3.0933	11600	0.1942	0.9408
0.0397	3.12	11700	0.1794	0.9478
0.0804	3.1467	11800	0.1859	0.9467
0.0193	3.1733	11900	0.1991	0.9431
0.1243	3.2	12000	0.1867	0.946
0.062	3.2267	12100	0.1877	0.9465
0.032	3.2533	12200	0.2086	0.9432
0.0177	3.2800	12300	0.1971	0.9458
0.0582	3.3067	12400	0.1875	0.9467
0.0584	3.3333	12500	0.1805	0.9484
0.0814	3.36	12600	0.1829	0.9487
0.1127	3.3867	12700	0.1875	0.9466
0.0515	3.4133	12800	0.1906	0.9452
0.0568	3.44	12900	0.1794	0.9488
0.0642	3.4667	13000	0.1820	0.9479
0.1252	3.4933	13100	0.1844	0.9491
0.0512	3.52	13200	0.1787	0.9495
0.0241	3.5467	13300	0.1772	0.9486
0.0239	3.5733	13400	0.1723	0.952
0.0796	3.6	13500	0.1792	0.9494
0.0507	3.6267	13600	0.1744	0.9513
0.0443	3.6533	13700	0.1745	0.9505
0.1451	3.68	13800	0.1796	0.9483
0.0799	3.7067	13900	0.1800	0.9491
0.0416	3.7333	14000	0.1799	0.9481
0.0758	3.76	14100	0.1767	0.9496
0.0472	3.7867	14200	0.1776	0.9495
0.0325	3.8133	14300	0.1745	0.9506
0.0388	3.84	14400	0.1748	0.951
0.0579	3.8667	14500	0.1763	0.9504
0.0784	3.8933	14600	0.1759	0.9508
0.0811	3.92	14700	0.1750	0.951
0.0204	3.9467	14800	0.1749	0.9508
0.0767	3.9733	14900	0.1757	0.9502
0.0661	4.0	15000	0.1755	0.9504

Framework versions

Transformers 4.47.1
Pytorch 2.5.1+cu124
Datasets 3.2.0
Tokenizers 0.21.0

Kankanaghosh/vit-fashion-mnist

vit-fashion-mnist

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Kankanaghosh/
vit-fashion-mnist