You can deploy this model and start earning money today!

gonzalezrostani/
my_awesome_wnut_SAneither

Name: my_awesome_wnut_SAneither
Availability: InStock

generated_from_trainer

distilbert/distilbert-base-uncased

Views

No views yet

my_awesome_wnut_SAneither

This model is a fine-tuned version of distilbert/distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6680
Precision: 0.4839
Recall: 0.1571
F1: 0.2372
Accuracy: 0.9368

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: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
No log	1.0	46	0.2173	0.0	0.0	0.0	0.9375
No log	2.0	92	0.2094	0.0	0.0	0.0	0.9375
No log	3.0	138	0.2238	0.2667	0.0209	0.0388	0.9352
No log	4.0	184	0.2662	0.35	0.1099	0.1673	0.9316
No log	5.0	230	0.2978	0.3860	0.1152	0.1774	0.9332
No log	6.0	276	0.3394	0.375	0.1414	0.2053	0.9316
No log	7.0	322	0.3681	0.3833	0.1204	0.1833	0.9329
No log	8.0	368	0.3661	0.3889	0.1466	0.2129	0.9322
No log	9.0	414	0.3857	0.4426	0.1414	0.2143	0.9352
No log	10.0	460	0.4246	0.3146	0.1466	0.2000	0.9267
0.0735	11.0	506	0.4329	0.3238	0.1780	0.2297	0.9253
0.0735	12.0	552	0.4548	0.5185	0.1466	0.2286	0.9381
0.0735	13.0	598	0.4622	0.4516	0.1466	0.2213	0.9355
0.0735	14.0	644	0.4740	0.5	0.1414	0.2204	0.9375
0.0735	15.0	690	0.5138	0.4894	0.1204	0.1933	0.9371
0.0735	16.0	736	0.5270	0.5	0.1414	0.2204	0.9375
0.0735	17.0	782	0.5068	0.4133	0.1623	0.2331	0.9332
0.0735	18.0	828	0.5412	0.5455	0.1257	0.2043	0.9388
0.0735	19.0	874	0.5207	0.4133	0.1623	0.2331	0.9332
0.0735	20.0	920	0.5524	0.3333	0.1990	0.2492	0.9250
0.0735	21.0	966	0.5633	0.4386	0.1309	0.2016	0.9352
0.0036	22.0	1012	0.5540	0.4028	0.1518	0.2205	0.9329
0.0036	23.0	1058	0.5615	0.4154	0.1414	0.2109	0.9339
0.0036	24.0	1104	0.5839	0.4032	0.1309	0.1976	0.9335
0.0036	25.0	1150	0.5853	0.4219	0.1414	0.2118	0.9342
0.0036	26.0	1196	0.5975	0.4333	0.1361	0.2072	0.9348
0.0036	27.0	1242	0.5840	0.4182	0.1204	0.1870	0.9345
0.0036	28.0	1288	0.5828	0.3627	0.1937	0.2526	0.9283
0.0036	29.0	1334	0.5900	0.4098	0.1309	0.1984	0.9339
0.0036	30.0	1380	0.5927	0.3298	0.1623	0.2175	0.9270
0.0036	31.0	1426	0.5971	0.3857	0.1414	0.2069	0.9322
0.0036	32.0	1472	0.5956	0.4407	0.1361	0.2080	0.9352
0.0017	33.0	1518	0.5930	0.4091	0.1414	0.2101	0.9335
0.0017	34.0	1564	0.6128	0.4306	0.1623	0.2357	0.9342
0.0017	35.0	1610	0.6113	0.5122	0.1099	0.1810	0.9378
0.0017	36.0	1656	0.5802	0.6061	0.1047	0.1786	0.9398
0.0017	37.0	1702	0.5521	0.3797	0.1571	0.2222	0.9312
0.0017	38.0	1748	0.5717	0.4909	0.1414	0.2195	0.9371
0.0017	39.0	1794	0.5852	0.4821	0.1414	0.2186	0.9368
0.0017	40.0	1840	0.5893	0.4242	0.1466	0.2179	0.9342
0.0017	41.0	1886	0.5968	0.4308	0.1466	0.2188	0.9345
0.0017	42.0	1932	0.6015	0.4906	0.1361	0.2131	0.9371
0.0017	43.0	1978	0.6155	0.5116	0.1152	0.1880	0.9378
0.0017	44.0	2024	0.6213	0.5217	0.1257	0.2025	0.9381
0.0017	45.0	2070	0.6200	0.3971	0.1414	0.2085	0.9329
0.0017	46.0	2116	0.6249	0.4561	0.1361	0.2097	0.9358
0.0017	47.0	2162	0.6271	0.5	0.1361	0.2140	0.9375
0.0017	48.0	2208	0.6272	0.4407	0.1361	0.2080	0.9352
0.0017	49.0	2254	0.6274	0.4386	0.1309	0.2016	0.9352
0.0017	50.0	2300	0.6214	0.4576	0.1414	0.216	0.9358
0.0017	51.0	2346	0.6247	0.4792	0.1204	0.1925	0.9368
0.0017	52.0	2392	0.6255	0.4754	0.1518	0.2302	0.9365
0.0017	53.0	2438	0.6275	0.4603	0.1518	0.2283	0.9358
0.0017	54.0	2484	0.6303	0.4667	0.1466	0.2231	0.9361
0.0009	55.0	2530	0.6335	0.4603	0.1518	0.2283	0.9358
0.0009	56.0	2576	0.6352	0.4247	0.1623	0.2348	0.9339
0.0009	57.0	2622	0.6334	0.4576	0.1414	0.216	0.9358
0.0009	58.0	2668	0.6366	0.5094	0.1414	0.2213	0.9378
0.0009	59.0	2714	0.6377	0.5	0.1361	0.2140	0.9375
0.0009	60.0	2760	0.6414	0.5417	0.1361	0.2176	0.9388
0.0009	61.0	2806	0.6424	0.3919	0.1518	0.2189	0.9322
0.0009	62.0	2852	0.6435	0.4412	0.1571	0.2317	0.9348
0.0009	63.0	2898	0.6387	0.4328	0.1518	0.2248	0.9345
0.0009	64.0	2944	0.6437	0.6	0.1414	0.2288	0.9404
0.0009	65.0	2990	0.6459	0.4821	0.1414	0.2186	0.9368
0.001	66.0	3036	0.6505	0.4286	0.1414	0.2126	0.9345
0.001	67.0	3082	0.6526	0.4426	0.1414	0.2143	0.9352
0.001	68.0	3128	0.6474	0.4576	0.1414	0.216	0.9358
0.001	69.0	3174	0.6470	0.4545	0.1571	0.2335	0.9355
0.001	70.0	3220	0.6496	0.4545	0.1571	0.2335	0.9355
0.001	71.0	3266	0.6512	0.4545	0.1571	0.2335	0.9355
0.001	72.0	3312	0.6528	0.4688	0.1571	0.2353	0.9361
0.001	73.0	3358	0.6540	0.4603	0.1518	0.2283	0.9358
0.001	74.0	3404	0.6574	0.4655	0.1414	0.2169	0.9361
0.001	75.0	3450	0.6557	0.4615	0.1571	0.2344	0.9358
0.001	76.0	3496	0.6587	0.4247	0.1623	0.2348	0.9339
0.001	77.0	3542	0.6589	0.4828	0.1466	0.2249	0.9368
0.001	78.0	3588	0.6614	0.4133	0.1623	0.2331	0.9332
0.001	79.0	3634	0.6680	0.3902	0.1675	0.2344	0.9316
0.001	80.0	3680	0.6637	0.4667	0.1466	0.2231	0.9361
0.001	81.0	3726	0.6635	0.4328	0.1518	0.2248	0.9345
0.001	82.0	3772	0.6640	0.4462	0.1518	0.2266	0.9352
0.001	83.0	3818	0.6656	0.4189	0.1623	0.2340	0.9335
0.001	84.0	3864	0.6664	0.4026	0.1623	0.2313	0.9325
0.001	85.0	3910	0.6682	0.3855	0.1675	0.2336	0.9312
0.001	86.0	3956	0.6646	0.4051	0.1675	0.2370	0.9325
0.0009	87.0	4002	0.6633	0.4051	0.1675	0.2370	0.9325
0.0009	88.0	4048	0.6606	0.4762	0.1571	0.2362	0.9365
0.0009	89.0	4094	0.6599	0.4754	0.1518	0.2302	0.9365
0.0009	90.0	4140	0.6604	0.4754	0.1518	0.2302	0.9365
0.0009	91.0	4186	0.6609	0.4754	0.1518	0.2302	0.9365
0.0009	92.0	4232	0.6637	0.4828	0.1466	0.2249	0.9368
0.0009	93.0	4278	0.6640	0.5	0.1466	0.2267	0.9375
0.0009	94.0	4324	0.6651	0.4667	0.1466	0.2231	0.9361
0.0009	95.0	4370	0.6672	0.4754	0.1518	0.2302	0.9365
0.0009	96.0	4416	0.6674	0.4754	0.1518	0.2302	0.9365
0.0009	97.0	4462	0.6675	0.4754	0.1518	0.2302	0.9365
0.0008	98.0	4508	0.6678	0.4839	0.1571	0.2372	0.9368
0.0008	99.0	4554	0.6679	0.4839	0.1571	0.2372	0.9368
0.0008	100.0	4600	0.6680	0.4839	0.1571	0.2372	0.9368

Framework versions

Transformers 4.39.1
Pytorch 2.2.2+cu118
Datasets 2.18.0
Tokenizers 0.15.2

gonzalezrostani/my_awesome_wnut_SAneither

my_awesome_wnut_SAneither

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

gonzalezrostani/
my_awesome_wnut_SAneither