This model is a fine-tuned version of deepseek-ai/deepseek-math-7b-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0201

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: 3e-06
train_batch_size: 16
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: constant_with_warmup
lr_scheduler_warmup_steps: 1
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
0.7887	0.01	1	0.3267
0.8195	0.01	2	0.3220
0.7704	0.02	3	0.3179
0.7745	0.03	4	0.3148
0.7651	0.03	5	0.3115
0.7484	0.04	6	0.3085
0.7621	0.04	7	0.3065
0.7409	0.05	8	0.3033
0.7138	0.06	9	0.3003
0.7204	0.06	10	0.2985
0.6912	0.07	11	0.2952
0.7163	0.08	12	0.2922
0.6911	0.08	13	0.2901
0.6774	0.09	14	0.2878
0.6692	0.1	15	0.2851
0.6055	0.1	16	0.2825
0.4833	0.11	17	0.2801
0.4824	0.12	18	0.2765
0.4753	0.12	19	0.2752
0.4653	0.13	20	0.2722
0.466	0.13	21	0.2696
0.4599	0.14	22	0.2685
0.4484	0.15	23	0.2647
0.4508	0.15	24	0.2615
0.4436	0.16	25	0.2594
0.4526	0.17	26	0.2565
0.4332	0.17	27	0.2551
0.4246	0.18	28	0.2515
0.4241	0.19	29	0.2480
0.4173	0.19	30	0.2453
0.4031	0.2	31	0.2435
0.4122	0.2	32	0.2400
0.408	0.21	33	0.2386
0.3971	0.22	34	0.2361
0.4002	0.22	35	0.2337
0.3881	0.23	36	0.2310
0.3965	0.24	37	0.2272
0.3731	0.24	38	0.2245
0.3743	0.25	39	0.2211
0.3625	0.26	40	0.2191
0.3619	0.26	41	0.2167
0.3557	0.27	42	0.2149
0.3539	0.28	43	0.2107
0.3367	0.28	44	0.2089
0.3427	0.29	45	0.2061
0.333	0.29	46	0.2026
0.308	0.3	47	0.1996
0.2572	0.31	48	0.1969
0.2568	0.31	49	0.1934
0.2452	0.32	50	0.1915
0.2406	0.33	51	0.1874
0.2395	0.33	52	0.1834
0.2337	0.34	53	0.1805
0.2223	0.35	54	0.1767
0.2295	0.35	55	0.1732
0.222	0.36	56	0.1692
0.2174	0.36	57	0.1653
0.2064	0.37	58	0.1637
0.2075	0.38	59	0.1591
0.2014	0.38	60	0.1559
0.1963	0.39	61	0.1519
0.1908	0.4	62	0.1485
0.1963	0.4	63	0.1445
0.1793	0.41	64	0.1408
0.179	0.42	65	0.1377
0.1645	0.42	66	0.1334
0.1651	0.43	67	0.1299
0.1632	0.44	68	0.1264
0.1549	0.44	69	0.1224
0.1479	0.45	70	0.1186
0.1491	0.45	71	0.1153
0.1397	0.46	72	0.1109
0.1384	0.47	73	0.1069
0.1308	0.47	74	0.1025
0.1144	0.48	75	0.0987
0.1191	0.49	76	0.0946
0.1132	0.49	77	0.0910
0.1057	0.5	78	0.0867
0.0911	0.51	79	0.0841
0.1005	0.51	80	0.0812
0.0885	0.52	81	0.0790
0.091	0.52	82	0.0766
0.0841	0.53	83	0.0742
0.0808	0.54	84	0.0728
0.0752	0.54	85	0.0708
0.0717	0.55	86	0.0690
0.0767	0.56	87	0.0676
0.069	0.56	88	0.0658
0.0721	0.57	89	0.0643
0.074	0.58	90	0.0635
0.0633	0.58	91	0.0621
0.0706	0.59	92	0.0609
0.0575	0.6	93	0.0587
0.0641	0.6	94	0.0584
0.0574	0.61	95	0.0572
0.0658	0.61	96	0.0567
0.0696	0.62	97	0.0553
0.0603	0.63	98	0.0544
0.0571	0.63	99	0.0537
0.057	0.64	100	0.0527
0.0569	0.65	101	0.0514
0.0521	0.65	102	0.0511
0.052	0.66	103	0.0501
0.0529	0.67	104	0.0490
0.0523	0.67	105	0.0490
0.0567	0.68	106	0.0480
0.0547	0.68	107	0.0475
0.0509	0.69	108	0.0468
0.0506	0.7	109	0.0462
0.0533	0.7	110	0.0458
0.0544	0.71	111	0.0449
0.0521	0.72	112	0.0442
0.0527	0.72	113	0.0439
0.0495	0.73	114	0.0436
0.0471	0.74	115	0.0430
0.0442	0.74	116	0.0424
0.0432	0.75	117	0.0421
0.0451	0.76	118	0.0420
0.0498	0.76	119	0.0409
0.0468	0.77	120	0.0409
0.0474	0.77	121	0.0403
0.0462	0.78	122	0.0399
0.037	0.79	123	0.0397
0.041	0.79	124	0.0393
0.045	0.8	125	0.0387
0.045	0.81	126	0.0393
0.0416	0.81	127	0.0381
0.0418	0.82	128	0.0383
0.0382	0.83	129	0.0377
0.0444	0.83	130	0.0376
0.0404	0.84	131	0.0373
0.0438	0.84	132	0.0369
0.0411	0.85	133	0.0365
0.041	0.86	134	0.0364
0.0425	0.86	135	0.0362
0.0418	0.87	136	0.0356
0.0407	0.88	137	0.0358
0.04	0.88	138	0.0362
0.0382	0.89	139	0.0358
0.0415	0.9	140	0.0351
0.0374	0.9	141	0.0353
0.0377	0.91	142	0.0350
0.0368	0.92	143	0.0348
0.0389	0.92	144	0.0348
0.035	0.93	145	0.0344
0.0377	0.93	146	0.0346
0.0394	0.94	147	0.0344
0.0349	0.95	148	0.0344
0.0379	0.95	149	0.0341
0.0336	0.96	150	0.0340
0.037	0.97	151	0.0338
0.0338	0.97	152	0.0337
0.0384	0.98	153	0.0337
0.0385	0.99	154	0.0333
0.0345	0.99	155	0.0333
0.0354	1.0	156	0.0330
0.0359	1.0	157	0.0324
0.0372	1.01	158	0.0328
0.0337	1.02	159	0.0321
0.0344	1.02	160	0.0322
0.0351	1.03	161	0.0319
0.0324	1.04	162	0.0324
0.034	1.04	163	0.0320
0.0287	1.05	164	0.0321
0.03	1.06	165	0.0320
0.0314	1.06	166	0.0319
0.0275	1.07	167	0.0315
0.0213	1.08	168	0.0321
0.0277	1.08	169	0.0321
0.0275	1.09	170	0.0319
0.0182	1.09	171	0.0320
0.0236	1.1	172	0.0319
0.0319	1.11	173	0.0312
0.0358	1.11	174	0.0319
0.0328	1.12	175	0.0319
0.0337	1.13	176	0.0318
0.0382	1.13	177	0.0319
0.0315	1.14	178	0.0312
0.0308	1.15	179	0.0320
0.0314	1.15	180	0.0325
0.0312	1.16	181	0.0324
0.0326	1.16	182	0.0327
0.0278	1.17	183	0.0332
0.0264	1.18	184	0.0329
0.0307	1.18	185	0.0334
0.0255	1.19	186	0.0336
0.0284	1.2	187	0.0338
0.029	1.2	188	0.0342
0.0299	1.21	189	0.0343
0.0317	1.22	190	0.0342
0.0319	1.22	191	0.0345
0.0281	1.23	192	0.0344
0.0293	1.24	193	0.0341
0.0256	1.24	194	0.0344
0.0253	1.25	195	0.0345
0.0255	1.25	196	0.0344
0.0238	1.26	197	0.0343
0.0247	1.27	198	0.0338
0.0239	1.27	199	0.0344
0.0248	1.28	200	0.0345
0.0253	1.29	201	0.0343
0.0252	1.29	202	0.0340
0.0275	1.3	203	0.0340
0.0376	1.31	204	0.0336
0.0374	1.31	205	0.0333
0.0397	1.32	206	0.0331
0.0361	1.32	207	0.0322
0.0402	1.33	208	0.0319
0.0307	1.34	209	0.0317
0.0305	1.34	210	0.0309
0.0285	1.35	211	0.0307
0.0301	1.36	212	0.0307
0.0298	1.36	213	0.0306
0.0278	1.37	214	0.0305
0.0283	1.38	215	0.0303
0.0311	1.38	216	0.0304
0.0314	1.39	217	0.0306
0.0301	1.4	218	0.0304
0.0301	1.4	219	0.0303
0.0297	1.41	220	0.0299
0.0298	1.41	221	0.0300
0.0316	1.42	222	0.0299
0.0258	1.43	223	0.0296
0.0297	1.43	224	0.0297
0.0307	1.44	225	0.0289
0.0256	1.45	226	0.0285
0.0291	1.45	227	0.0285
0.0295	1.46	228	0.0286
0.0263	1.47	229	0.0283
0.0301	1.47	230	0.0284
0.0289	1.48	231	0.0285
0.0272	1.48	232	0.0286
0.0297	1.49	233	0.0286
0.0261	1.5	234	0.0286
0.0254	1.5	235	0.0286
0.0298	1.51	236	0.0284
0.0329	1.52	237	0.0278
0.0325	1.52	238	0.0281
0.0297	1.53	239	0.0280
0.0274	1.54	240	0.0281
0.0291	1.54	241	0.0277
0.0271	1.55	242	0.0279
0.0283	1.56	243	0.0278
0.0258	1.56	244	0.0277
0.0271	1.57	245	0.0276
0.0279	1.57	246	0.0273
0.0282	1.58	247	0.0274
0.0286	1.59	248	0.0272
0.0248	1.59	249	0.0268
0.0268	1.6	250	0.0272
0.0239	1.61	251	0.0271
0.0321	1.61	252	0.0268
0.0305	1.62	253	0.0266
0.0307	1.63	254	0.0263
0.0245	1.63	255	0.0266
0.0261	1.64	256	0.0268
0.0264	1.64	257	0.0262
0.0268	1.65	258	0.0264
0.0253	1.66	259	0.0261
0.0267	1.66	260	0.0261
0.0276	1.67	261	0.0262
0.0269	1.68	262	0.0260
0.0265	1.68	263	0.0262
0.0267	1.69	264	0.0262
0.0256	1.7	265	0.0260
0.0285	1.7	266	0.0257
0.0305	1.71	267	0.0259
0.0302	1.72	268	0.0262
0.0294	1.72	269	0.0258
0.0295	1.73	270	0.0255
0.027	1.73	271	0.0255
0.0276	1.74	272	0.0256
0.0256	1.75	273	0.0257
0.0248	1.75	274	0.0257
0.0305	1.76	275	0.0253
0.029	1.77	276	0.0253
0.0296	1.77	277	0.0251
0.0307	1.78	278	0.0250
0.0247	1.79	279	0.0250
0.0235	1.79	280	0.0250
0.0267	1.8	281	0.0250
0.0278	1.8	282	0.0246
0.0277	1.81	283	0.0248
0.0266	1.82	284	0.0242
0.0232	1.82	285	0.0244
0.0288	1.83	286	0.0243
0.0276	1.84	287	0.0243
0.0295	1.84	288	0.0241
0.0253	1.85	289	0.0240
0.0267	1.86	290	0.0244
0.0286	1.86	291	0.0242
0.0272	1.87	292	0.0237
0.0267	1.88	293	0.0240
0.0251	1.88	294	0.0243
0.0257	1.89	295	0.0239
0.0283	1.89	296	0.0237
0.0246	1.9	297	0.0238
0.0241	1.91	298	0.0238
0.0259	1.91	299	0.0241
0.0246	1.92	300	0.0237
0.0253	1.93	301	0.0239
0.0257	1.93	302	0.0237
0.0232	1.94	303	0.0238
0.0241	1.95	304	0.0237
0.0254	1.95	305	0.0237
0.0227	1.96	306	0.0238
0.023	1.96	307	0.0238
0.0232	1.97	308	0.0238
0.0268	1.98	309	0.0234
0.027	1.98	310	0.0237
0.0243	1.99	311	0.0235
0.025	2.0	312	0.0235
0.0185	2.0	313	0.0235
0.0153	2.01	314	0.0234
0.0119	2.02	315	0.0236
0.0094	2.02	316	0.0235
0.0171	2.03	317	0.0237
0.0121	2.04	318	0.0235
0.0135	2.04	319	0.0231
0.0182	2.05	320	0.0235
0.0128	2.05	321	0.0232
0.014	2.06	322	0.0235
0.0142	2.07	323	0.0237
0.0084	2.07	324	0.0236
0.0137	2.08	325	0.0235
0.0144	2.09	326	0.0238
0.0114	2.09	327	0.0237
0.0104	2.1	328	0.0239
0.0205	2.11	329	0.0234
0.0234	2.11	330	0.0233
0.0227	2.12	331	0.0237
0.0217	2.12	332	0.0235
0.025	2.13	333	0.0237
0.0208	2.14	334	0.0245
0.0192	2.14	335	0.0245
0.0195	2.15	336	0.0249
0.0203	2.16	337	0.0253
0.0234	2.16	338	0.0252
0.0176	2.17	339	0.0259
0.018	2.18	340	0.0260
0.0188	2.18	341	0.0265
0.0198	2.19	342	0.0262
0.0172	2.2	343	0.0268
0.0184	2.2	344	0.0271
0.0192	2.21	345	0.0273
0.0203	2.21	346	0.0277
0.0221	2.22	347	0.0283
0.0189	2.23	348	0.0282
0.0196	2.23	349	0.0289
0.0205	2.24	350	0.0288
0.0168	2.25	351	0.0291
0.0176	2.25	352	0.0294
0.0165	2.26	353	0.0295
0.0148	2.27	354	0.0301
0.0178	2.27	355	0.0296
0.0163	2.28	356	0.0301
0.0203	2.28	357	0.0303
0.0163	2.29	358	0.0301
0.0183	2.3	359	0.0301
0.0266	2.3	360	0.0299
0.0295	2.31	361	0.0295
0.0293	2.32	362	0.0291
0.0248	2.32	363	0.0281
0.0285	2.33	364	0.0273
0.0252	2.34	365	0.0262
0.0222	2.34	366	0.0257
0.0208	2.35	367	0.0245
0.0194	2.36	368	0.0239
0.0217	2.36	369	0.0238
0.0183	2.37	370	0.0237
0.0218	2.37	371	0.0238
0.0224	2.38	372	0.0233
0.023	2.39	373	0.0235
0.0205	2.39	374	0.0235
0.0215	2.4	375	0.0237
0.0189	2.41	376	0.0238
0.0233	2.41	377	0.0236
0.0225	2.42	378	0.0238
0.0196	2.43	379	0.0233
0.0224	2.43	380	0.0232
0.0214	2.44	381	0.0234
0.0187	2.44	382	0.0233
0.0199	2.45	383	0.0231
0.0227	2.46	384	0.0231
0.0199	2.46	385	0.0231
0.0248	2.47	386	0.0231
0.0196	2.48	387	0.0231
0.0214	2.48	388	0.0231
0.022	2.49	389	0.0230
0.0201	2.5	390	0.0232
0.0205	2.5	391	0.0233
0.0221	2.51	392	0.0231
0.0255	2.52	393	0.0233
0.0235	2.52	394	0.0232
0.0235	2.53	395	0.0231
0.0237	2.53	396	0.0232
0.0216	2.54	397	0.0236
0.0229	2.55	398	0.0232
0.0191	2.55	399	0.0231
0.0211	2.56	400	0.0231
0.02	2.57	401	0.0232
0.0217	2.57	402	0.0228
0.0228	2.58	403	0.0228
0.0222	2.59	404	0.0230
0.0197	2.59	405	0.0226
0.0195	2.6	406	0.0225
0.0208	2.6	407	0.0227
0.0238	2.61	408	0.0226
0.0247	2.62	409	0.0222
0.0229	2.62	410	0.0223
0.0208	2.63	411	0.0222
0.0197	2.64	412	0.0220
0.0215	2.64	413	0.0222
0.0216	2.65	414	0.0221
0.0194	2.66	415	0.0221
0.0223	2.66	416	0.0220
0.022	2.67	417	0.0220
0.0204	2.68	418	0.0218
0.0211	2.68	419	0.0219
0.0205	2.69	420	0.0218
0.021	2.69	421	0.0213
0.0206	2.7	422	0.0216
0.0261	2.71	423	0.0215
0.0234	2.71	424	0.0216
0.0246	2.72	425	0.0215
0.0242	2.73	426	0.0217
0.0204	2.73	427	0.0217
0.0214	2.74	428	0.0215
0.0235	2.75	429	0.0216
0.0196	2.75	430	0.0213
0.0223	2.76	431	0.0213
0.0239	2.76	432	0.0211
0.0224	2.77	433	0.0210
0.025	2.78	434	0.0210
0.0228	2.78	435	0.0210
0.0182	2.79	436	0.0207
0.0214	2.8	437	0.0208
0.022	2.8	438	0.0212
0.0233	2.81	439	0.0205
0.0209	2.82	440	0.0208
0.0194	2.82	441	0.0206
0.0215	2.83	442	0.0205
0.0242	2.84	443	0.0204
0.0219	2.84	444	0.0205
0.0217	2.85	445	0.0205
0.0237	2.85	446	0.0205
0.0214	2.86	447	0.0205
0.0224	2.87	448	0.0201
0.0199	2.87	449	0.0206
0.0219	2.88	450	0.0202
0.022	2.89	451	0.0202
0.0224	2.89	452	0.0204
0.0214	2.9	453	0.0200
0.0185	2.91	454	0.0201
0.0219	2.91	455	0.0202
0.0204	2.92	456	0.0203
0.0198	2.92	457	0.0201
0.0214	2.93	458	0.0202
0.0184	2.94	459	0.0203
0.0191	2.94	460	0.0200
0.0221	2.95	461	0.0205
0.0192	2.96	462	0.0204
0.0186	2.96	463	0.0204
0.0176	2.97	464	0.0201
0.0209	2.98	465	0.0203
0.0233	2.98	466	0.0200
0.0189	2.99	467	0.0204
0.0214	3.0	468	0.0201

Framework versions

Transformers 4.37.2
Pytorch 2.1.0a0+32f93b1
Datasets 2.17.1
Tokenizers 0.15.2

woody72/albert-no-variable-items-length

albert-no-variable-items-length

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

woody72/
albert-no-variable-items-length