learning_rate: 2e-05
train_batch_size: 2
eval_batch_size: 2
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
5.4544	0.0122	100	0.3776
0.7303	0.0243	200	0.3273
0.5778	0.0365	300	0.3020
0.4834	0.0487	400	0.2610
0.4337	0.0609	500	0.2500
0.4185	0.0730	600	0.2368
0.4216	0.0852	700	0.2263
0.3694	0.0974	800	0.2150
0.3531	0.1096	900	0.2096
0.3581	0.1217	1000	0.2107
0.382	0.1339	1100	0.2191
0.3934	0.1461	1200	0.2131
0.3717	0.1583	1300	0.2024
0.3451	0.1704	1400	0.2190
0.3255	0.1826	1500	0.2029
0.3521	0.1948	1600	0.2028
0.3131	0.2070	1700	0.1919
0.3221	0.2191	1800	0.1940
0.312	0.2313	1900	0.1897
0.3065	0.2435	2000	0.1825
0.3448	0.2557	2100	0.1799
0.3428	0.2678	2200	0.1870
0.327	0.2800	2300	0.1800
0.2987	0.2922	2400	0.1787
0.3224	0.3044	2500	0.1780
0.3265	0.3165	2600	0.1801
0.2859	0.3287	2700	0.1770
0.3108	0.3409	2800	0.1734
0.293	0.3531	2900	0.1719
0.2873	0.3652	3000	0.1672
0.3164	0.3774	3100	0.1672
0.2806	0.3896	3200	0.1644
0.2981	0.4018	3300	0.1674
0.31	0.4139	3400	0.1690
0.296	0.4261	3500	0.1666
0.2841	0.4383	3600	0.1638
0.2768	0.4505	3700	0.1625
0.2493	0.4626	3800	0.1590
0.2645	0.4748	3900	0.1612
0.2782	0.4870	4000	0.1576
0.2702	0.4991	4100	0.1567
0.2622	0.5113	4200	0.1590
0.2552	0.5235	4300	0.1541
0.2474	0.5357	4400	0.1580
0.2815	0.5478	4500	0.1535
0.2607	0.5600	4600	0.1534
0.2579	0.5722	4700	0.1522
0.2592	0.5844	4800	0.1527
0.2847	0.5965	4900	0.1542
0.2539	0.6087	5000	0.1499
0.2563	0.6209	5100	0.1500
0.2489	0.6331	5200	0.1506
0.2613	0.6452	5300	0.1498
0.2684	0.6574	5400	0.1493
0.278	0.6696	5500	0.1490
0.2579	0.6818	5600	0.1500
0.2681	0.6939	5700	0.1514
0.244	0.7061	5800	0.1542
0.236	0.7183	5900	0.1516
0.2474	0.7305	6000	0.1505
0.2276	0.7426	6100	0.1481
0.2427	0.7548	6200	0.1543
0.2245	0.7670	6300	0.1493
0.2517	0.7792	6400	0.1470
0.2364	0.7913	6500	0.1463
0.236	0.8035	6600	0.1516
0.2365	0.8157	6700	0.1506
0.2326	0.8279	6800	0.1425
0.2694	0.8400	6900	0.1437
0.2461	0.8522	7000	0.1420
0.2456	0.8644	7100	0.1435
0.2492	0.8766	7200	0.1459
0.2126	0.8887	7300	0.1443
0.2253	0.9009	7400	0.1396
0.2126	0.9131	7500	0.1394
0.2416	0.9252	7600	0.1395
0.2405	0.9374	7700	0.1391
0.2196	0.9496	7800	0.1436
0.2374	0.9618	7900	0.1430
0.2395	0.9739	8000	0.1421
0.2363	0.9861	8100	0.1408
0.2206	0.9983	8200	0.1437
0.2165	1.0105	8300	0.1469
0.2435	1.0226	8400	0.1429
0.2423	1.0348	8500	0.1420
0.2314	1.0470	8600	0.1402
0.2068	1.0592	8700	0.1411
0.2116	1.0713	8800	0.1441
0.2179	1.0835	8900	0.1438
0.2172	1.0957	9000	0.1420
0.2299	1.1079	9100	0.1399
0.2221	1.1200	9200	0.1391
0.2044	1.1322	9300	0.1422
0.2071	1.1444	9400	0.1422
0.21	1.1566	9500	0.1433
0.1947	1.1687	9600	0.1499
0.197	1.1809	9700	0.1408
0.2338	1.1931	9800	0.1376
0.2485	1.2053	9900	0.1386
0.2308	1.2174	10000	0.1404
0.2106	1.2296	10100	0.1400
0.1996	1.2418	10200	0.1392
0.2008	1.2540	10300	0.1409
0.2147	1.2661	10400	0.1367
0.229	1.2783	10500	0.1377
0.2115	1.2905	10600	0.1379
0.2197	1.3027	10700	0.1354
0.2166	1.3148	10800	0.1376
0.2237	1.3270	10900	0.1378
0.2184	1.3392	11000	0.1368
0.2128	1.3514	11100	0.1351
0.2073	1.3635	11200	0.1368
0.2378	1.3757	11300	0.1369
0.2171	1.3879	11400	0.1356
0.2248	1.4000	11500	0.1394
0.2124	1.4122	11600	0.1371
0.2008	1.4244	11700	0.1359
0.2164	1.4366	11800	0.1339
0.2088	1.4487	11900	0.1323
0.1874	1.4609	12000	0.1354
0.211	1.4731	12100	0.1367
0.2153	1.4853	12200	0.1362
0.1868	1.4974	12300	0.1339
0.1996	1.5096	12400	0.1378
0.2407	1.5218	12500	0.1385
0.2157	1.5340	12600	0.1391
0.2168	1.5461	12700	0.1377
0.1916	1.5583	12800	0.1365
0.1989	1.5705	12900	0.1383
0.2077	1.5827	13000	0.1399
0.1807	1.5948	13100	0.1381
0.2168	1.6070	13200	0.1333
0.2231	1.6192	13300	0.1329
0.2118	1.6314	13400	0.1346
0.2045	1.6435	13500	0.1339
0.1943	1.6557	13600	0.1330
0.2228	1.6679	13700	0.1333
0.2063	1.6801	13800	0.1344
0.2325	1.6922	13900	0.1339
0.2046	1.7044	14000	0.1353
0.1929	1.7166	14100	0.1324
0.1931	1.7288	14200	0.1331
0.2254	1.7409	14300	0.1322
0.2022	1.7531	14400	0.1342
0.2166	1.7653	14500	0.1342
0.1872	1.7775	14600	0.1330
0.1917	1.7896	14700	0.1308
0.1911	1.8018	14800	0.1294
0.2114	1.8140	14900	0.1294
0.1987	1.8262	15000	0.1302
0.1873	1.8383	15100	0.1297
0.1838	1.8505	15200	0.1304
0.1986	1.8627	15300	0.1287
0.1847	1.8748	15400	0.1305
0.1999	1.8870	15500	0.1301
0.2122	1.8992	15600	0.1296
0.1929	1.9114	15700	0.1300
0.2026	1.9235	15800	0.1294
0.2017	1.9357	15900	0.1300
0.2099	1.9479	16000	0.1302
0.2217	1.9601	16100	0.1284
0.1903	1.9722	16200	0.1276
0.1924	1.9844	16300	0.1292
0.226	1.9966	16400	0.1286
0.1927	2.0088	16500	0.1296
0.1932	2.0209	16600	0.1296
0.223	2.0331	16700	0.1290
0.1948	2.0453	16800	0.1299
0.182	2.0575	16900	0.1291
0.2	2.0696	17000	0.1296
0.2016	2.0818	17100	0.1290
0.1968	2.0940	17200	0.1288
0.1947	2.1062	17300	0.1291
0.1787	2.1183	17400	0.1292
0.185	2.1305	17500	0.1292
0.1946	2.1427	17600	0.1290
0.1694	2.1549	17700	0.1295
0.1869	2.1670	17800	0.1281
0.1879	2.1792	17900	0.1286
0.1827	2.1914	18000	0.1295
0.2011	2.2036	18100	0.1283
0.1898	2.2157	18200	0.1288
0.1844	2.2279	18300	0.1290
0.2104	2.2401	18400	0.1290
0.1839	2.2523	18500	0.1281
0.1797	2.2644	18600	0.1289
0.1829	2.2766	18700	0.1286
0.2086	2.2888	18800	0.1275
0.1899	2.3009	18900	0.1279
0.1901	2.3131	19000	0.1275
0.1857	2.3253	19100	0.1272
0.1947	2.3375	19200	0.1280
0.1852	2.3496	19300	0.1274
0.201	2.3618	19400	0.1274
0.1829	2.3740	19500	0.1271
0.1883	2.3862	19600	0.1272
0.1992	2.3983	19700	0.1273
0.1955	2.4105	19800	0.1271
0.1914	2.4227	19900	0.1285
0.1933	2.4349	20000	0.1281
0.1907	2.4470	20100	0.1287
0.1986	2.4592	20200	0.1290
0.1764	2.4714	20300	0.1287
0.1913	2.4836	20400	0.1274
0.189	2.4957	20500	0.1272
0.2042	2.5079	20600	0.1273
0.1954	2.5201	20700	0.1268
0.1827	2.5323	20800	0.1264
0.1995	2.5444	20900	0.1266
0.1981	2.5566	21000	0.1270
0.1914	2.5688	21100	0.1271
0.2043	2.5810	21200	0.1271
0.1975	2.5931	21300	0.1268
0.1979	2.6053	21400	0.1269
0.1905	2.6175	21500	0.1269
0.1914	2.6297	21600	0.1267
0.1907	2.6418	21700	0.1265
0.1821	2.6540	21800	0.1266
0.1898	2.6662	21900	0.1274
0.1914	2.6784	22000	0.1268
0.199	2.6905	22100	0.1269
0.2064	2.7027	22200	0.1269
0.1934	2.7149	22300	0.1274
0.1892	2.7271	22400	0.1277
0.2131	2.7392	22500	0.1268
0.1997	2.7514	22600	0.1268
0.1956	2.7636	22700	0.1264
0.1881	2.7757	22800	0.1269
0.1977	2.7879	22900	0.1269
0.1777	2.8001	23000	0.1267
0.1941	2.8123	23100	0.1267
0.1989	2.8244	23200	0.1268
0.1947	2.8366	23300	0.1267
0.1746	2.8488	23400	0.1268
0.1914	2.8610	23500	0.1267
0.1694	2.8731	23600	0.1268
0.1601	2.8853	23700	0.1268
0.1898	2.8975	23800	0.1269
0.1789	2.9097	23900	0.1268
0.175	2.9218	24000	0.1268
0.1796	2.9340	24100	0.1268
0.1736	2.9462	24200	0.1268
0.2137	2.9584	24300	0.1268
0.1745	2.9705	24400	0.1268
0.2089	2.9827	24500	0.1268
0.2036	2.9949	24600	0.1268

Framework versions

Transformers 4.57.3
Pytorch 2.9.0+cu126
Datasets 4.0.0
Tokenizers 0.22.1

koti31/text2sql_model

text2sql_model

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

koti31/
text2sql_model