Training Loss	Epoch	Step	Validation Loss	Accuracy	Brier Loss	Nll	F1 Micro	F1 Macro	Ece	Aurc
No log	1.0	25	4.4851	0.06	0.9565	13.8276	0.06	0.0556	0.1688	0.9385
No log	2.0	50	3.5619	0.3775	0.7827	6.2649	0.3775	0.3611	0.2331	0.3882
No log	3.0	75	2.8990	0.5025	0.6453	4.7376	0.5025	0.4858	0.1689	0.2658
No log	4.0	100	2.5972	0.515	0.5980	4.4210	0.515	0.4895	0.1605	0.2249
No log	5.0	125	2.4353	0.56	0.5762	3.4885	0.56	0.5566	0.1548	0.2100
No log	6.0	150	2.4157	0.5475	0.5864	3.8261	0.5475	0.5323	0.1837	0.2167
No log	7.0	175	2.1786	0.6075	0.5203	3.4565	0.6075	0.6103	0.1403	0.1670
No log	8.0	200	2.1082	0.63	0.5040	3.3570	0.63	0.6246	0.1580	0.1530
No log	9.0	225	2.0472	0.625	0.5042	3.8572	0.625	0.6184	0.1552	0.1530
No log	10.0	250	2.0589	0.6025	0.5468	3.5723	0.6025	0.5982	0.1781	0.1785
No log	11.0	275	1.8965	0.65	0.4755	3.4466	0.65	0.6497	0.1605	0.1475
No log	12.0	300	1.9014	0.6325	0.5066	3.0881	0.6325	0.6359	0.1658	0.1591
No log	13.0	325	1.7904	0.6175	0.5162	3.4673	0.6175	0.6141	0.1525	0.1598
No log	14.0	350	1.8624	0.625	0.5173	3.6824	0.625	0.6179	0.1567	0.1624
No log	15.0	375	1.7083	0.6625	0.4817	3.1296	0.6625	0.6686	0.1651	0.1405
No log	16.0	400	1.8848	0.59	0.5478	4.3761	0.59	0.5913	0.2083	0.1696
No log	17.0	425	1.7238	0.6125	0.5229	3.1232	0.6125	0.6052	0.1833	0.1553
No log	18.0	450	1.7126	0.625	0.5152	2.9267	0.625	0.6284	0.1747	0.1565
No log	19.0	475	1.6459	0.6275	0.5024	2.9078	0.6275	0.6219	0.1766	0.1527
1.0542	20.0	500	1.6029	0.6275	0.4855	3.0931	0.6275	0.6316	0.1720	0.1414
1.0542	21.0	525	1.6566	0.6525	0.4847	3.0998	0.6525	0.6479	0.1558	0.1438
1.0542	22.0	550	1.6169	0.645	0.4894	3.0081	0.645	0.6471	0.1687	0.1400
1.0542	23.0	575	1.5322	0.6525	0.4557	3.3587	0.6525	0.6520	0.1428	0.1247
1.0542	24.0	600	1.5991	0.6475	0.4787	2.9349	0.6475	0.6444	0.1580	0.1450
1.0542	25.0	625	1.5625	0.6375	0.4926	3.0245	0.6375	0.6378	0.1641	0.1433
1.0542	26.0	650	1.5366	0.64	0.4884	3.3388	0.64	0.6461	0.1595	0.1453
1.0542	27.0	675	1.5686	0.65	0.4765	3.5120	0.65	0.6504	0.1625	0.1359
1.0542	28.0	700	1.5562	0.6475	0.4817	3.0348	0.6475	0.6488	0.1459	0.1388
1.0542	29.0	725	1.5213	0.6475	0.4719	3.2628	0.6475	0.6475	0.1634	0.1326
1.0542	30.0	750	1.5492	0.6675	0.4730	3.1693	0.6675	0.6679	0.1469	0.1415
1.0542	31.0	775	1.5311	0.65	0.4896	3.0881	0.65	0.6504	0.1815	0.1380
1.0542	32.0	800	1.5556	0.6475	0.4821	3.1829	0.6475	0.6491	0.1640	0.1405
1.0542	33.0	825	1.5471	0.6375	0.4846	3.4190	0.6375	0.6407	0.1628	0.1415
1.0542	34.0	850	1.4809	0.6575	0.4714	2.9136	0.6575	0.6612	0.1729	0.1338
1.0542	35.0	875	1.5256	0.66	0.4773	3.2303	0.66	0.6650	0.1746	0.1368
1.0542	36.0	900	1.4929	0.6675	0.4671	3.2360	0.6675	0.6698	0.1698	0.1309
1.0542	37.0	925	1.4923	0.645	0.4880	3.0567	0.645	0.6564	0.1764	0.1395
1.0542	38.0	950	1.5038	0.665	0.4672	3.2116	0.665	0.6661	0.1588	0.1343
1.0542	39.0	975	1.4708	0.6625	0.4669	3.1420	0.6625	0.6675	0.1683	0.1301
0.0522	40.0	1000	1.5153	0.6475	0.4865	3.1796	0.6475	0.6447	0.1639	0.1400
0.0522	41.0	1025	1.4705	0.6575	0.4642	3.2196	0.6575	0.6626	0.1440	0.1308
0.0522	42.0	1050	1.4844	0.6575	0.4722	3.2445	0.6575	0.6595	0.1746	0.1328
0.0522	43.0	1075	1.4957	0.6425	0.4828	3.1456	0.6425	0.6468	0.1499	0.1417
0.0522	44.0	1100	1.5179	0.645	0.4910	3.3921	0.645	0.6470	0.1861	0.1433
0.0522	45.0	1125	1.4878	0.6425	0.4839	3.2139	0.6425	0.6478	0.1720	0.1403
0.0522	46.0	1150	1.4666	0.655	0.4741	2.9333	0.655	0.6601	0.1813	0.1347
0.0522	47.0	1175	1.4954	0.6575	0.4776	3.2102	0.6575	0.6604	0.1842	0.1390
0.0522	48.0	1200	1.4976	0.645	0.4856	3.1539	0.645	0.6493	0.1549	0.1407
0.0522	49.0	1225	1.4772	0.64	0.4780	2.9845	0.64	0.6445	0.1826	0.1388
0.0522	50.0	1250	1.4584	0.65	0.4703	3.0776	0.65	0.6533	0.1685	0.1352
0.0522	51.0	1275	1.4828	0.6325	0.4844	3.1425	0.6325	0.6377	0.1641	0.1409
0.0522	52.0	1300	1.4676	0.6525	0.4737	3.1483	0.6525	0.6565	0.1773	0.1358
0.0522	53.0	1325	1.4675	0.6475	0.4791	3.1411	0.6475	0.6515	0.1820	0.1388
0.0522	54.0	1350	1.4724	0.645	0.4764	3.0744	0.645	0.6499	0.1847	0.1382
0.0522	55.0	1375	1.4689	0.6425	0.4769	3.2256	0.6425	0.6476	0.1839	0.1376
0.0522	56.0	1400	1.4660	0.6425	0.4760	2.9907	0.6425	0.6479	0.1906	0.1378
0.0522	57.0	1425	1.4663	0.645	0.4757	3.0722	0.645	0.6514	0.1705	0.1367
0.0522	58.0	1450	1.4678	0.65	0.4770	3.0710	0.65	0.6546	0.1794	0.1371
0.0522	59.0	1475	1.4717	0.64	0.4786	3.0737	0.64	0.6455	0.1889	0.1392
0.0064	60.0	1500	1.4691	0.645	0.4768	3.0688	0.645	0.6499	0.1815	0.1378
0.0064	61.0	1525	1.4689	0.64	0.4767	3.0688	0.64	0.6452	0.1846	0.1382
0.0064	62.0	1550	1.4689	0.64	0.4770	3.0674	0.64	0.6455	0.1937	0.1383
0.0064	63.0	1575	1.4687	0.6425	0.4767	3.0700	0.6425	0.6485	0.1897	0.1381
0.0064	64.0	1600	1.4674	0.6425	0.4764	3.0675	0.6425	0.6472	0.1855	0.1375
0.0064	65.0	1625	1.4681	0.6425	0.4766	3.0694	0.6425	0.6485	0.1917	0.1381
0.0064	66.0	1650	1.4681	0.6425	0.4766	3.0687	0.6425	0.6472	0.1905	0.1378
0.0064	67.0	1675	1.4667	0.645	0.4757	3.0681	0.645	0.6505	0.1899	0.1375
0.0064	68.0	1700	1.4683	0.6425	0.4771	3.0686	0.6425	0.6474	0.1871	0.1379
0.0064	69.0	1725	1.4672	0.64	0.4760	3.0679	0.64	0.6455	0.1932	0.1380
0.0064	70.0	1750	1.4673	0.6425	0.4763	3.0683	0.6425	0.6474	0.1955	0.1376
0.0064	71.0	1775	1.4676	0.645	0.4763	3.0680	0.645	0.6505	0.1921	0.1376
0.0064	72.0	1800	1.4674	0.6425	0.4763	3.0683	0.6425	0.6474	0.1946	0.1376
0.0064	73.0	1825	1.4675	0.6425	0.4763	3.0682	0.6425	0.6474	0.1946	0.1377
0.0064	74.0	1850	1.4674	0.6425	0.4763	3.0682	0.6425	0.6485	0.1945	0.1380
0.0064	75.0	1875	1.4674	0.64	0.4763	3.0680	0.64	0.6455	0.1960	0.1380
0.0064	76.0	1900	1.4675	0.64	0.4764	3.0682	0.64	0.6455	0.1972	0.1381
0.0064	77.0	1925	1.4675	0.6425	0.4763	3.0681	0.6425	0.6485	0.1947	0.1380
0.0064	78.0	1950	1.4674	0.6425	0.4763	3.0681	0.6425	0.6485	0.1958	0.1381
0.0064	79.0	1975	1.4674	0.6425	0.4763	3.0680	0.6425	0.6474	0.1935	0.1376
0.0	80.0	2000	1.4673	0.6425	0.4763	3.0681	0.6425	0.6485	0.1958	0.1380
0.0	81.0	2025	1.4674	0.6425	0.4763	3.0681	0.6425	0.6485	0.1946	0.1380
0.0	82.0	2050	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1935	0.1380
0.0	83.0	2075	1.4674	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	84.0	2100	1.4674	0.6425	0.4763	3.0681	0.6425	0.6485	0.1958	0.1381
0.0	85.0	2125	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	86.0	2150	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	87.0	2175	1.4673	0.6425	0.4763	3.0681	0.6425	0.6485	0.1958	0.1381
0.0	88.0	2200	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	89.0	2225	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	90.0	2250	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	91.0	2275	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	92.0	2300	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	93.0	2325	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	94.0	2350	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1909	0.1381
0.0	95.0	2375	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	96.0	2400	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	97.0	2425	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	98.0	2450	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	99.0	2475	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381
0.0	100.0	2500	1.4673	0.6425	0.4763	3.0680	0.6425	0.6485	0.1946	0.1381

Framework versions

Transformers 4.28.0.dev0
Pytorch 1.12.1+cu113
Datasets 2.12.0
Tokenizers 0.12.1

jordyvl/vit-small_rvl_cdip_100_examples_per_class_kd_MSE

vit-small_rvl_cdip_100_examples_per_class_kd_MSE

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

jordyvl/
vit-small_rvl_cdip_100_examples_per_class_kd_MSE