learning_rate: 5e-05
train_batch_size: 32
eval_batch_size: 32
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: 50
mixed_precision_training: Native AMP

Training Loss	Epoch	Step	Validation Loss
0.1691	1.0	1860	0.6314
0.1598	2.0	3720	0.6036
0.1539	3.0	5580	0.5906
0.153	4.0	7440	0.5836
0.1507	5.0	9300	0.5790
0.1483	6.0	11160	0.5746
0.149	7.0	13020	0.5703
0.1485	8.0	14880	0.5684
0.1462	9.0	16740	0.5656
0.1469	10.0	18600	0.5630
0.1449	11.0	20460	0.5617
0.1469	12.0	22320	0.5581
0.1456	13.0	24180	0.5575
0.1459	14.0	26040	0.5547
0.1432	15.0	27900	0.5544
0.1429	16.0	29760	0.5540
0.1431	17.0	31620	0.5523
0.1432	18.0	33480	0.5512
0.1423	19.0	35340	0.5519
0.1429	20.0	37200	0.5506
0.1429	21.0	39060	0.5490
0.1441	22.0	40920	0.5477
0.1426	23.0	42780	0.5476
0.1436	24.0	44640	0.5463
0.1419	25.0	46500	0.5462
0.1399	26.0	48360	0.5449
0.1412	27.0	50220	0.5452
0.14	28.0	52080	0.5440
0.1396	29.0	53940	0.5440
0.1402	30.0	55800	0.5440
0.1404	31.0	57660	0.5437
0.1415	32.0	59520	0.5427
0.1406	33.0	61380	0.5420
0.1387	34.0	63240	0.5422
0.1392	35.0	65100	0.5420
0.1404	36.0	66960	0.5420
0.1436	37.0	68820	0.5411
0.1424	38.0	70680	0.5415
0.141	39.0	72540	0.5407
0.1402	40.0	74400	0.5403
0.1412	41.0	76260	0.5407
0.139	42.0	78120	0.5403
0.1357	43.0	79980	0.5401
0.1396	44.0	81840	0.5397
0.1398	45.0	83700	0.5394
0.1385	46.0	85560	0.5395
0.1408	47.0	87420	0.5396
0.1371	48.0	89280	0.5392
0.1418	49.0	91140	0.5393
0.1382	50.0	93000	0.5392

augustocsc/Se124M100KInfMinimalist

Se124M100KInfMinimalist