generated_from_trainer

<!-- This model card has been generated automatically according to the information the Trainer had access to. You should probably proofread and complete it, then remove this comment. -->

wav2vec2-libri-train360-colab

This model is a fine-tuned version of GW12/wav2vec2-libri-train100-colab on the None dataset. It achieves the following results on the evaluation set:

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:

Training results

Training Loss Epoch Step Validation Loss Wer
3.1196 0.02 500 0.2020 0.1494
0.1695 0.04 1000 0.1600 0.1462
0.1726 0.06 1500 0.1996 0.1457
0.1654 0.08 2000 0.1531 0.1448
0.1665 0.1 2500 0.1582 0.1491
0.1555 0.12 3000 0.1566 0.1478
0.1562 0.13 3500 0.1555 0.1501
0.1604 0.15 4000 0.1465 0.1422
0.1522 0.17 4500 0.1423 0.1452
0.1534 0.19 5000 0.1375 0.1431
0.1576 0.21 5500 0.1872 0.1421
0.1543 0.23 6000 0.1547 0.1381
0.1501 0.25 6500 0.1446 0.1381
0.1508 0.27 7000 0.2108 0.1507
0.1479 0.29 7500 0.1495 0.1364
0.1474 0.31 8000 0.1571 0.1406
0.1475 0.33 8500 0.1570 0.1390
0.1453 0.35 9000 0.1547 0.1377
0.1465 0.37 9500 0.1633 0.1336
0.1424 0.38 10000 0.1344 0.1358
0.1417 0.4 10500 0.2518 0.1515
0.1427 0.42 11000 0.1697 0.1409
0.1434 0.44 11500 0.1649 0.1373
0.1384 0.46 12000 0.1743 0.1403
0.1394 0.48 12500 0.1485 0.1407
0.1392 0.5 13000 0.1421 0.1352
2.3614 0.52 13500 0.9494 0.1673
0.1621 0.54 14000 0.4273 0.1539
0.1454 0.56 14500 0.1764 0.1399
0.1453 0.58 15000 0.1750 0.1414
0.1375 0.6 15500 0.1845 0.1410
0.1436 0.62 16000 0.1583 0.1413
0.1405 0.63 16500 0.1893 0.1413
0.139 0.65 17000 0.2281 0.1619
0.1374 0.67 17500 0.1863 0.1413
0.1386 0.69 18000 0.2301 0.1479
0.1435 0.71 18500 0.2349 0.1579
0.1293 0.73 19000 0.1878 0.1461
0.1311 0.75 19500 0.2092 0.1342
0.1357 0.77 20000 0.1788 0.1421
0.1258 0.79 20500 0.1336 0.1302
0.1284 0.81 21000 0.1459 0.1306
0.1452 0.83 21500 0.1316 0.1319
0.1241 0.85 22000 0.1497 0.1285
0.1292 0.87 22500 0.1417 0.1318
0.1255 0.88 23000 0.1262 0.1305
0.1239 0.9 23500 0.1417 0.1302
0.1237 0.92 24000 0.1704 0.1309
0.1231 0.94 24500 0.1466 0.1308
0.1303 0.96 25000 0.2085 0.1392
0.1252 0.98 25500 0.1514 0.1441
0.1244 1.0 26000 0.1353 0.1282
0.1034 1.02 26500 0.1306 0.1279
0.1035 1.04 27000 0.1785 0.1288
0.1063 1.06 27500 0.1742 0.1311
0.1065 1.08 28000 0.1505 0.1269
0.1093 1.1 28500 0.1394 0.1264
0.1115 1.12 29000 0.1490 0.1325
0.1044 1.13 29500 0.5477 0.1736
0.1003 1.15 30000 0.2347 0.1351
0.1049 1.17 30500 0.2001 0.1347
0.1068 1.19 31000 0.1528 0.1255
0.1069 1.21 31500 0.1528 0.1266
0.1042 1.23 32000 0.2272 0.1318
0.1073 1.25 32500 0.5753 0.1869
0.1021 1.27 33000 0.3459 0.1477
0.1023 1.29 33500 0.2412 0.1362
0.0988 1.31 34000 0.2124 0.1319
0.1047 1.33 34500 0.3733 0.1497
0.1078 1.35 35000 0.1553 0.1281
0.0988 1.37 35500 0.1364 0.1239
0.0957 1.38 36000 0.1484 0.1278
0.1038 1.4 36500 0.1723 0.1253
0.1001 1.42 37000 0.3668 0.1648
0.101 1.44 37500 0.2136 0.1339
0.1022 1.46 38000 0.1140 0.1162
0.0989 1.48 38500 0.1628 0.1265
0.0982 1.5 39000 0.2204 0.1376
0.1012 1.52 39500 0.1716 0.1297
0.1067 1.54 40000 0.1362 0.1234
0.1022 1.56 40500 0.1170 0.1178
0.1011 1.58 41000 0.1578 0.1240
0.0845 1.6 41500 0.1659 0.1243
0.0929 1.62 42000 0.1813 0.1310
0.0904 1.63 42500 0.1309 0.1215
0.0885 1.65 43000 0.1964 0.1359
0.0895 1.67 43500 0.1309 0.1179
0.0855 1.69 44000 0.1472 0.1258
0.0876 1.71 44500 0.1189 0.1190
0.0925 1.73 45000 0.1477 0.1209
0.0866 1.75 45500 0.2537 0.1428
0.0938 1.77 46000 0.1406 0.1240
0.0901 1.79 46500 0.1416 0.1201
0.0839 1.81 47000 0.1323 0.1201
0.0866 1.83 47500 0.1176 0.1149
0.0876 1.85 48000 0.1141 0.1139
0.0857 1.87 48500 0.2148 0.1297
0.089 1.88 49000 0.1707 0.1231
0.0861 1.9 49500 0.1457 0.1183
0.0855 1.92 50000 0.4576 0.1654
0.0808 1.94 50500 0.2264 0.1285
0.0859 1.96 51000 0.1630 0.1201
0.0859 1.98 51500 0.1613 0.1165
0.086 2.0 52000 0.1529 0.1196
0.0769 2.02 52500 0.1258 0.1139
0.0783 2.04 53000 0.1105 0.1136
0.0775 2.06 53500 0.1177 0.1128
0.08 2.08 54000 0.1328 0.1156
0.0765 2.1 54500 0.1229 0.1137
0.0791 2.12 55000 0.1218 0.1121
0.0831 2.13 55500 0.1106 0.1135
0.0769 2.15 56000 0.1466 0.1166
0.0761 2.17 56500 0.1177 0.1126
0.0779 2.19 57000 0.1249 0.1120
0.0749 2.21 57500 0.1258 0.1130
0.0746 2.23 58000 0.1268 0.1122
0.074 2.25 58500 0.1141 0.1153
0.0726 2.27 59000 0.1231 0.1107
0.0771 2.29 59500 0.1393 0.1125
0.0776 2.31 60000 0.1224 0.1115
0.0756 2.33 60500 0.1071 0.1085
0.0753 2.35 61000 0.1072 0.1089
0.0698 2.37 61500 0.1129 0.1094
0.0726 2.38 62000 0.1109 0.1106
0.0758 2.4 62500 0.1052 0.1103
0.0743 2.42 63000 0.1079 0.1106
0.0765 2.44 63500 0.1248 0.1108
0.0724 2.46 64000 0.1248 0.1076
0.0659 2.48 64500 0.1099 0.1088
0.0674 2.5 65000 0.1156 0.1098
0.0691 2.52 65500 0.1122 0.1093
0.0677 2.54 66000 0.1228 0.1082
0.0695 2.56 66500 0.1049 0.1066
0.0687 2.58 67000 0.1025 0.1062
0.0682 2.6 67500 0.1080 0.1064
0.0663 2.61 68000 0.1009 0.1058
0.0654 2.63 68500 0.1145 0.1071
0.0641 2.65 69000 0.1178 0.1082
0.0662 2.67 69500 0.1106 0.1084
0.0623 2.69 70000 0.1086 0.1057
0.0692 2.71 70500 0.1048 0.1071
0.0663 2.73 71000 0.1119 0.1069
0.0639 2.75 71500 0.1147 0.1062
0.0597 2.77 72000 0.1121 0.1072
0.0688 2.79 72500 0.1149 0.1060
0.0616 2.81 73000 0.1126 0.1069
0.0633 2.83 73500 0.1302 0.1074
0.0651 2.85 74000 0.1260 0.1066
0.0637 2.86 74500 0.1233 0.1075
0.0641 2.88 75000 0.1199 0.1066
0.0655 2.9 75500 0.1249 0.1075
0.065 2.92 76000 0.1192 0.1061
0.0626 2.94 76500 0.1267 0.1069
0.0622 2.96 77000 0.1289 0.1094
0.0608 2.98 77500 0.1502 0.1096
0.0631 3.0 78000 0.1493 0.1099
0.0535 3.02 78500 0.1220 0.1064
0.0582 3.04 79000 0.1274 0.1077
0.052 3.06 79500 0.1296 0.1072
0.0562 3.08 80000 0.1160 0.1050
0.0533 3.1 80500 0.1066 0.1031
0.0564 3.11 81000 0.1300 0.1078
0.0589 3.13 81500 0.1167 0.1056
0.0582 3.15 82000 0.1129 0.1025
0.0594 3.17 82500 0.1255 0.1054
0.0559 3.19 83000 0.1258 0.1045
0.0535 3.21 83500 0.1150 0.1029
0.0538 3.23 84000 0.1043 0.1017
0.0537 3.25 84500 0.1073 0.1028
0.0534 3.27 85000 0.1011 0.1011
0.0527 3.29 85500 0.0987 0.1010
0.0549 3.31 86000 0.1008 0.1015
0.0516 3.33 86500 0.1031 0.1017
0.0549 3.35 87000 0.1103 0.1028
0.056 3.36 87500 0.0980 0.1008
0.0528 3.38 88000 0.1045 0.1020
0.0555 3.4 88500 0.0979 0.1005
0.0517 3.42 89000 0.0948 0.0992
0.0495 3.44 89500 0.0974 0.1002
0.0496 3.46 90000 0.1035 0.1013
0.0497 3.48 90500 0.1167 0.1035
0.0485 3.5 91000 0.1098 0.1009
0.0465 3.52 91500 0.1168 0.1009
0.05 3.54 92000 0.1088 0.1005
0.0514 3.56 92500 0.1116 0.1000
0.0467 3.58 93000 0.1053 0.0998
0.045 3.6 93500 0.1099 0.1012
0.0507 3.61 94000 0.1186 0.1012
0.0452 3.63 94500 0.1119 0.0998
0.0452 3.65 95000 0.1099 0.1002
0.0452 3.67 95500 0.1228 0.1015
0.0448 3.69 96000 0.1271 0.1025
0.0485 3.71 96500 0.1338 0.1037
0.048 3.73 97000 0.1288 0.1030
0.0476 3.75 97500 0.1183 0.1012
0.0457 3.77 98000 0.1171 0.1007
0.0492 3.79 98500 0.1142 0.1004
0.049 3.81 99000 0.1141 0.1006
0.046 3.83 99500 0.1165 0.1007
0.0444 3.85 100000 0.1173 0.1010
0.0456 3.86 100500 0.1150 0.1004
0.0467 3.88 101000 0.1130 0.1003
0.0465 3.9 101500 0.1137 0.1003
0.0451 3.92 102000 0.1127 0.1004
0.0445 3.94 102500 0.1118 0.1003
0.0453 3.96 103000 0.1112 0.1002
0.0458 3.98 103500 0.1103 0.1002
0.0454 4.0 104000 0.1101 0.1002

Framework versions