optimizer: {'name': 'AdamWeightDecay', 'learning_rate': 1e-05, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-07, 'amsgrad': False, 'weight_decay_rate': 0.01}
training_precision: float32

Training results

Train Loss	Train Accuracy	Train Wermet	Validation Loss	Validation Accuracy	Validation Wermet	Epoch
3.2071	0.0313	0.1237	2.8546	0.0225	0.1109	0
3.0365	0.0325	0.0375	2.8115	0.0228	0.1215	1
3.0162	0.0326	0.0484	2.7884	0.0231	0.1318	2
3.0042	0.0327	0.0555	2.7853	0.0233	0.1393	3
2.9934	0.0328	0.0614	2.7657	0.0232	0.1273	4
2.9858	0.0329	0.0654	2.7542	0.0234	0.1073	5
2.9735	0.0330	0.0673	2.7367	0.0234	0.1414	6
2.9574	0.0332	0.0704	2.6961	0.0240	0.1429	7
2.9320	0.0335	0.0723	2.6652	0.0239	0.0990	8
2.8976	0.0339	0.0729	2.5997	0.0245	0.0944	9
2.8460	0.0343	0.0728	2.5378	0.0248	0.1435	10
2.7781	0.0347	0.0741	2.4355	0.0254	0.1372	11
2.7083	0.0352	0.0747	2.5163	0.0248	0.0987	12
2.6445	0.0356	0.0720	2.2997	0.0261	0.1484	13
2.5838	0.0360	0.0724	2.2386	0.0266	0.1419	14
2.5294	0.0363	0.0721	2.1855	0.0269	0.1289	15
2.4760	0.0367	0.0711	2.1682	0.0271	0.1214	16
2.4339	0.0370	0.0698	2.1018	0.0273	0.1264	17
2.3867	0.0373	0.0684	2.0647	0.0275	0.1403	18
2.3528	0.0376	0.0669	2.0705	0.0275	0.1089	19
2.3145	0.0379	0.0658	2.0179	0.0280	0.1209	20
2.2765	0.0382	0.0654	2.0182	0.0279	0.1023	21
2.2415	0.0385	0.0650	1.9558	0.0284	0.1523	22
2.2102	0.0388	0.0643	1.9395	0.0285	0.1123	23
2.1717	0.0392	0.0635	1.9791	0.0282	0.0928	24
2.1457	0.0395	0.0626	1.8907	0.0291	0.1078	25
2.1159	0.0398	0.0633	1.8930	0.0290	0.1098	26
2.0892	0.0401	0.0638	1.8696	0.0292	0.1078	27
2.0609	0.0405	0.0659	1.8555	0.0296	0.1051	28
2.0342	0.0409	0.0639	1.8589	0.0293	0.1092	29
2.0044	0.0413	0.0653	1.8375	0.0299	0.1015	30
1.9831	0.0416	0.0649	1.7954	0.0302	0.1194	31
1.9535	0.0421	0.0689	1.7937	0.0302	0.1168	32
1.9290	0.0425	0.0706	1.8385	0.0299	0.1074	33
1.8933	0.0432	0.0682	1.8761	0.0295	0.1173	34
1.8724	0.0435	0.0752	1.7929	0.0304	0.1220	35
1.8407	0.0442	0.0760	1.7865	0.0306	0.1266	36
1.8179	0.0446	0.0832	1.8108	0.0304	0.1226	37
1.7977	0.0451	0.0888	1.8024	0.0306	0.1161	38
1.7846	0.0454	0.0855	1.8107	0.0305	0.1385	39
1.7516	0.0461	0.0922	1.8258	0.0307	0.1365	40
1.7358	0.0465	0.1070	1.8837	0.0302	0.1461	41
1.7036	0.0474	0.1106	1.8589	0.0306	0.1201	42
1.6779	0.0481	0.1052	1.8831	0.0305	0.1755	43
1.6539	0.0487	0.1192	1.8249	0.0309	0.1901	44
1.6500	0.0488	0.1149	1.8435	0.0310	0.1313	45
1.6401	0.0490	0.1468	1.8509	0.0310	0.1597	46
1.6232	0.0495	0.1443	1.8573	0.0310	0.1588	47
1.5947	0.0503	0.1315	1.8350	0.0311	0.1476	48
1.5659	0.0512	0.1890	1.8934	0.0310	0.1507	49
1.5409	0.0521	0.1410	1.9782	0.0299	0.1663	50
1.5417	0.0520	0.1805	1.9223	0.0309	0.2287	51
1.5330	0.0522	0.1907	1.9174	0.0313	0.2481	52
1.5182	0.0527	0.1963	1.9254	0.0312	0.1440	53
1.5008	0.0532	0.2386	1.9368	0.0309	0.2045	54
1.4700	0.0543	0.2347	1.9171	0.0310	0.3189	55
1.4517	0.0549	0.2159	1.9880	0.0308	0.4000	56
1.4421	0.0553	0.2616	1.9647	0.0310	0.3311	57
1.4393	0.0552	0.2959	1.9191	0.0314	0.3403	58
1.4163	0.0560	0.3296	2.0068	0.0313	0.3711	59

Framework versions

Transformers 4.34.0.dev0
TensorFlow 2.13.0
Tokenizers 0.13.3

bigmorning/whisper_4_with_init_sun_char_0060

whisper_4_with_init_sun_char_0060

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

bigmorning/
whisper_4_with_init_sun_char_0060