learning_rate: 2e-05
train_batch_size: 8
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: cosine
lr_scheduler_warmup_steps: 100
num_epochs: 20

Training Loss	Epoch	Step	Validation Loss	F1	Roc Auc	Accuracy
0.2766	1.0	374	0.2807	0.0	0.5	0.4748
0.2602	2.0	748	0.2792	0.0	0.5	0.4748
0.2435	3.0	1122	0.2689	0.0	0.5	0.4748
0.2587	4.0	1496	0.2638	0.0873	0.5289	0.5292
0.2323	5.0	1870	0.2571	0.0976	0.5350	0.5513
0.2377	6.0	2244	0.2550	0.0966	0.5344	0.5594
0.2366	7.0	2618	0.2580	0.1641	0.5598	0.5694
0.2578	8.0	2992	0.2568	0.1574	0.5537	0.5795
0.1927	9.0	3366	0.2502	0.1730	0.5635	0.5855
0.1747	10.0	3740	0.2608	0.1808	0.5683	0.5714
0.1805	11.0	4114	0.2606	0.1664	0.5612	0.5755
0.1761	12.0	4488	0.2663	0.1708	0.5623	0.5795
0.1195	13.0	4862	0.2719	0.1875	0.5710	0.5734
0.0866	14.0	5236	0.2796	0.1762	0.5693	0.5634
0.1472	15.0	5610	0.2702	0.2147	0.5796	0.5895
0.1555	16.0	5984	0.2763	0.2157	0.5784	0.5674
0.1252	17.0	6358	0.2820	0.2368	0.5869	0.5634
0.1424	18.0	6732	0.2840	0.2402	0.5879	0.5674
0.0901	19.0	7106	0.2839	0.2402	0.5882	0.5654
0.109	20.0	7480	0.2832	0.2406	0.5882	0.5674

Kuongan/CS221-xlm-roberta-base-finetuned-yor

CS221-xlm-roberta-base-finetuned-yor