Training Loss	Epoch	Step	Validation Loss	Rouge1 Fmeasure	Rouge1 Precision	Rouge1 Recall
2.5865	0.03	10	2.4019	0.2349	0.2481	0.2353
2.3384	0.06	20	2.2294	0.2404	0.2571	0.2385
2.0876	0.1	30	2.2887	0.2467	0.2653	0.2432
2.1205	0.13	40	2.2194	0.2517	0.2731	0.246
2.0637	0.16	50	2.2172	0.2577	0.2868	0.246
1.8623	0.19	60	2.2273	0.2613	0.2903	0.2497
0.0	0.22	70	nan	0.262	0.2911	0.25
1.8591	0.26	80	2.1895	0.2604	0.2901	0.2481
1.9819	0.29	90	2.1492	0.2663	0.2917	0.2575
1.9326	0.32	100	2.1248	0.2698	0.2964	0.2608
1.888	0.35	110	2.1253	0.2698	0.2954	0.2614
1.8934	0.38	120	2.0993	0.2705	0.3006	0.2589
1.8357	0.42	130	2.1050	0.2744	0.3001	0.267
1.8061	0.45	140	2.0705	0.2787	0.2924	0.2829
1.8444	0.48	150	2.1156	0.2739	0.2895	0.2762
1.83	0.51	160	2.0636	0.2773	0.2895	0.2831
1.7433	0.54	170	2.0857	0.2767	0.2811	0.29
1.7523	0.58	180	2.0809	0.2766	0.2798	0.2913
1.764	0.61	190	2.0351	0.2799	0.2751	0.3041
1.8441	0.64	200	2.0460	0.2804	0.2772	0.3025
1.7118	0.67	210	2.0319	0.2798	0.2767	0.3024
1.818	0.7	220	2.0287	0.2823	0.2666	0.318
1.7484	0.74	230	2.0084	0.2822	0.2653	0.3188
1.8224	0.77	240	2.0372	0.2787	0.2634	0.3132
1.6475	0.4	250	2.0281	0.2768	0.2594	0.3141
1.6915	0.42	260	1.9941	0.2851	0.2637	0.3269
1.7106	0.43	270	2.0204	0.2862	0.2718	0.3198
1.6382	0.45	280	2.0073	0.288	0.2657	0.3307
1.6017	0.46	290	2.0242	0.2847	0.2584	0.3328
1.8248	0.48	300	1.9996	0.2821	0.2595	0.3249
1.687	0.5	310	1.9801	0.2857	0.2664	0.3243
1.6993	0.51	320	1.9979	0.2837	0.2608	0.3271
1.6191	0.53	330	2.0025	0.285	0.2618	0.329
1.5409	0.54	340	1.9968	0.2851	0.2616	0.3293
1.6279	0.56	350	1.9940	0.2824	0.2601	0.3259
1.7538	0.58	360	1.9907	0.2803	0.2574	0.3234
1.6781	1.19	370	1.9684	0.2805	0.2565	0.3249
1.6106	1.22	380	1.9798	0.2842	0.2584	0.3314
1.5798	1.25	390	1.9940	0.2842	0.2581	0.3321
1.7134	1.28	400	1.9634	0.2851	0.2596	0.3313
1.6301	1.31	410	1.9644	0.2866	0.2606	0.3342
1.6657	1.35	420	1.9775	0.2861	0.2604	0.3325
1.7028	1.38	430	1.9792	0.2838	0.26	0.3275
1.7063	1.41	440	1.9728	0.2838	0.2598	0.3279
1.5825	1.44	450	1.9644	0.2838	0.259	0.3291
1.5955	1.47	460	1.9674	0.2864	0.2605	0.3329
1.6774	1.51	470	1.9718	0.288	0.2616	0.3354
1.7171	1.54	480	1.9602	0.2882	0.2619	0.3358
1.6631	1.57	490	1.9592	0.2873	0.2614	0.3335
1.5405	1.6	500	1.9625	0.2868	0.261	0.3329
1.5711	1.63	510	1.9690	0.2872	0.2614	0.3337
1.7382	1.67	520	1.9669	0.2873	0.262	0.3326
1.6345	1.7	530	1.9564	0.2867	0.2615	0.3323
1.6289	1.73	540	1.9558	0.2856	0.2604	0.3309
1.575	1.76	550	1.9620	0.2872	0.2616	0.333
1.682	1.79	560	1.9613	0.287	0.2615	0.3326
1.5385	1.83	570	1.9616	0.2869	0.2614	0.3324
1.62	1.86	580	1.9603	0.2868	0.2611	0.3325
1.6026	1.89	590	1.9589	0.2867	0.2611	0.3325
1.6511	1.92	600	1.9575	0.2865	0.2608	0.3322
1.5688	1.95	610	1.9555	0.2866	0.2608	0.3327
1.6092	1.99	620	1.9553	0.2863	0.2604	0.3324

Framework versions

Transformers 4.35.2
Pytorch 2.1.1+cu121
Datasets 2.14.5
Tokenizers 0.15.1

silmi224/finetune-longt5

finetune-longt5

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

silmi224/
finetune-longt5