Training Loss	Epoch	Step	Validation Loss	Accuracy
0.6717	0.06	50	0.4377	0.8533
0.3989	0.12	100	0.4525	0.84
0.3433	0.17	150	0.3348	0.9133
0.2646	0.23	200	0.3722	0.9
0.3052	0.29	250	0.3306	0.8933
0.2583	0.35	300	0.3129	0.92
0.2712	0.4	350	0.3147	0.9
0.2708	0.46	400	0.2680	0.9
0.2443	0.52	450	0.2261	0.9133
0.2463	0.58	500	0.2583	0.9067
0.2525	0.63	550	0.2719	0.92
0.2522	0.69	600	0.3905	0.8933
0.2078	0.75	650	0.2674	0.9133
0.264	0.81	700	0.2774	0.9133
0.211	0.87	750	0.2652	0.9333
0.286	0.92	800	0.1777	0.94
0.2341	0.98	850	0.2570	0.9133
0.1797	1.04	900	0.3162	0.92
0.1831	1.1	950	0.3205	0.92
0.2006	1.15	1000	0.3173	0.9133
0.1555	1.21	1050	0.3388	0.9267
0.1712	1.27	1100	0.3968	0.92
0.1488	1.33	1150	0.4167	0.9133
0.1893	1.38	1200	0.3269	0.9267
0.1543	1.44	1250	0.3797	0.9133
0.1825	1.5	1300	0.2203	0.94
0.1841	1.56	1350	0.2744	0.9133
0.1523	1.61	1400	0.3561	0.9067
0.1914	1.67	1450	0.2859	0.9067
0.1742	1.73	1500	0.2461	0.9267
0.145	1.79	1550	0.4266	0.9133
0.208	1.85	1600	0.3470	0.9067
0.147	1.9	1650	0.4521	0.9133
0.1867	1.96	1700	0.3648	0.9067
0.182	2.02	1750	0.2659	0.9333
0.1079	2.08	1800	0.3393	0.92
0.1338	2.13	1850	0.3483	0.9267
0.1181	2.19	1900	0.4384	0.92
0.1418	2.25	1950	0.3468	0.9267
0.0953	2.31	2000	0.4008	0.9267
0.1313	2.36	2050	0.3301	0.9333
0.0499	2.42	2100	0.4018	0.92
0.1197	2.48	2150	0.3394	0.9267
0.1237	2.54	2200	0.3399	0.92
0.0766	2.6	2250	0.3947	0.9267
0.1142	2.65	2300	0.4055	0.9133
0.1362	2.71	2350	0.2599	0.9333
0.1332	2.77	2400	0.3293	0.9133
0.1241	2.83	2450	0.3717	0.92
0.0696	2.88	2500	0.4440	0.92
0.1012	2.94	2550	0.4026	0.92
0.1028	3.0	2600	0.4202	0.9133
0.0551	3.06	2650	0.4649	0.9133
0.0796	3.11	2700	0.4053	0.92
0.0786	3.17	2750	0.4862	0.9067
0.0843	3.23	2800	0.4007	0.9267
0.0502	3.29	2850	0.4510	0.92
0.0726	3.34	2900	0.4171	0.9267
0.0933	3.4	2950	0.3485	0.9333
0.0624	3.46	3000	0.4442	0.9133
0.0475	3.52	3050	0.4449	0.92
0.0498	3.58	3100	0.4147	0.9267
0.1101	3.63	3150	0.3484	0.9333
0.0785	3.69	3200	0.3630	0.9267
0.075	3.75	3250	0.4267	0.92
0.0709	3.81	3300	0.3638	0.9267
0.0754	3.86	3350	0.3890	0.9333
0.1038	3.92	3400	0.3910	0.9267
0.0274	3.98	3450	0.4246	0.9267
0.0723	4.04	3500	0.3847	0.9267
0.015	4.09	3550	0.4134	0.9333
0.0329	4.15	3600	0.4136	0.9333
0.0619	4.21	3650	0.4048	0.9333
0.0505	4.27	3700	0.4228	0.9267
0.0523	4.33	3750	0.4139	0.9267
0.0365	4.38	3800	0.4067	0.9267
0.0434	4.44	3850	0.4132	0.9333
0.0262	4.5	3900	0.4245	0.9333
0.0534	4.56	3950	0.4217	0.9333
0.0186	4.61	4000	0.4282	0.9333
0.0548	4.67	4050	0.4255	0.9333
0.0146	4.73	4100	0.4368	0.9333
0.0442	4.79	4150	0.4470	0.9333
0.0431	4.84	4200	0.4469	0.9333
0.0297	4.9	4250	0.4470	0.9333
0.0601	4.96	4300	0.4463	0.9333

Framework versions

Transformers 4.24.0
Pytorch 1.13.0
Datasets 2.3.2
Tokenizers 0.13.1

pig4431/TSE_XLNET_5E

TSE_XLNET_5E

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

pig4431/
TSE_XLNET_5E