Public100_MobileBERT_20epoch_notweettokenizer

This model is a fine-tuned version of Youssef320/Public100_MobileBERT_5epoch_2hidden_notweettokenizer on the None dataset. It achieves the following results on the evaluation set:

Loss: 3.5035
Top 1 Macro F1 Score: 0.0718
Top 1 Weighted F1score: 0.1188
Top 3 Macro F1 Score: 0.1751
Top3 3 Weighted F1 Score : 0.2652

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: 0.0002
train_batch_size: 64
eval_batch_size: 64
seed: 42
gradient_accumulation_steps: 32
total_train_batch_size: 2048
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: constant
num_epochs: 15.0

Training results

Training Loss	Epoch	Step	Validation Loss	Top 1 Macro F1 Score	Top 1 Weighted F1score	Top 3 Macro F1 Score	Top3 3 Weighted F1 Score
3.6108	0.12	64	3.6491	0.0460	0.0857	0.1326	0.2206
3.623	0.25	128	3.6510	0.0476	0.0879	0.1333	0.2190
3.6082	0.38	192	3.6414	0.0481	0.0884	0.1363	0.2239
3.6153	0.5	256	3.6450	0.0464	0.0870	0.1330	0.2219
3.6232	0.62	320	3.6390	0.0487	0.0904	0.1336	0.2226
3.6417	0.75	384	3.6367	0.0464	0.0865	0.1333	0.2206
3.6587	0.88	448	3.6313	0.0486	0.0902	0.1365	0.2238
3.6255	1.0	512	3.6313	0.0490	0.0902	0.1368	0.2252
3.6402	1.12	576	3.6298	0.0493	0.0907	0.1369	0.2235
3.6114	1.25	640	3.6287	0.0501	0.0919	0.1361	0.2246
3.6172	1.38	704	3.6249	0.0520	0.0943	0.1359	0.2230
3.6161	1.5	768	3.6256	0.0501	0.0927	0.1364	0.2255
3.615	1.62	832	3.6216	0.0512	0.0933	0.1411	0.2292
3.6177	1.75	896	3.6191	0.0521	0.0942	0.1369	0.2263
3.5927	1.88	960	3.6179	0.0503	0.0921	0.1378	0.2261
3.6205	2.0	1024	3.6176	0.0518	0.0939	0.1423	0.2323
3.6113	2.12	1088	3.6143	0.0538	0.0963	0.1417	0.2302
3.5706	2.25	1152	3.6199	0.0514	0.0918	0.1408	0.2258
3.6033	2.38	1216	3.6109	0.0521	0.0935	0.1391	0.2282
3.6152	2.5	1280	3.6094	0.0536	0.0969	0.1434	0.2307
3.5987	2.62	1344	3.6071	0.0557	0.0985	0.1477	0.2352
3.5949	2.75	1408	3.6046	0.0537	0.0955	0.1440	0.2302
3.6053	2.88	1472	3.6024	0.0565	0.1005	0.1418	0.2325
3.6039	3.0	1536	3.6019	0.0540	0.0969	0.1455	0.2343
3.5723	3.12	1600	3.6026	0.0549	0.0978	0.1473	0.2345
3.5799	3.25	1664	3.5989	0.0566	0.0995	0.1452	0.2333
3.5675	3.38	1728	3.5996	0.0542	0.0964	0.1467	0.2341
3.5797	3.5	1792	3.5957	0.0565	0.1003	0.1503	0.2382
3.5864	3.62	1856	3.5945	0.0569	0.1003	0.1483	0.2350
3.5545	3.75	1920	3.5892	0.0582	0.1016	0.1526	0.2405
3.5809	3.88	1984	3.5883	0.0582	0.1023	0.1511	0.2412
3.57	4.0	2048	3.5862	0.0557	0.0996	0.1485	0.2387
3.549	4.12	2112	3.5883	0.0601	0.1038	0.1518	0.2409
3.5567	4.25	2176	3.5855	0.0589	0.1034	0.1491	0.2391
3.5657	4.38	2240	3.5847	0.0582	0.1012	0.1515	0.2417
3.5727	4.5	2304	3.5792	0.0591	0.1033	0.1518	0.2418
3.5482	4.62	2368	3.5821	0.0583	0.1031	0.1540	0.2425
3.5766	4.75	2432	3.5783	0.0585	0.1026	0.1479	0.2394
3.5395	4.88	2496	3.5756	0.0607	0.1046	0.1567	0.2436
3.5614	5.0	2560	3.5715	0.0610	0.1062	0.1560	0.2472
3.5559	5.12	2624	3.5714	0.0622	0.1070	0.1580	0.2476
3.5387	5.25	2688	3.5777	0.0622	0.1067	0.1554	0.2453
3.5466	5.38	2752	3.5704	0.0614	0.1061	0.1577	0.2460
3.5567	5.5	2816	3.5701	0.0622	0.1067	0.1560	0.2456
3.5367	5.62	2880	3.5722	0.0630	0.1081	0.1542	0.2456
3.5276	5.75	2944	3.5662	0.0625	0.1065	0.1596	0.2479
3.5505	5.88	3008	3.5632	0.0629	0.1079	0.1572	0.2480
3.5482	6.0	3072	3.5659	0.0636	0.1097	0.1574	0.2497
3.5075	6.12	3136	3.5632	0.0631	0.1081	0.1577	0.2469
3.5373	6.25	3200	3.5617	0.0627	0.1081	0.1586	0.2485
3.5316	6.38	3264	3.5616	0.0636	0.1100	0.1578	0.2491
3.5259	6.5	3328	3.5591	0.0654	0.1102	0.1607	0.2501
3.5378	6.62	3392	3.5572	0.0635	0.1088	0.1602	0.2501
3.5438	6.75	3456	3.5615	0.0639	0.1086	0.1604	0.2503
3.5255	6.88	3520	3.5538	0.0625	0.1079	0.1608	0.2511
3.5187	7.0	3584	3.5533	0.0645	0.1089	0.1606	0.2510
3.5366	7.12	3648	3.5568	0.0656	0.1108	0.1640	0.2519
3.5333	7.25	3712	3.5520	0.0664	0.1120	0.1626	0.2536
3.5214	7.38	3776	3.5585	0.0652	0.1105	0.1611	0.2514
3.5543	7.5	3840	3.5544	0.0642	0.1107	0.1607	0.2522
3.5317	7.62	3904	3.5499	0.0656	0.1115	0.1602	0.2515
3.5196	7.75	3968	3.5472	0.0685	0.1161	0.1669	0.2561
3.5596	7.88	4032	3.5505	0.0644	0.1090	0.1627	0.2509
3.5157	8.0	4096	3.5524	0.0655	0.1124	0.1643	0.2528
3.5271	8.12	4160	3.5479	0.0686	0.1148	0.1654	0.2559
3.502	8.25	4224	3.5503	0.0672	0.1135	0.1632	0.2521
3.505	8.38	4288	3.5473	0.0693	0.1160	0.1676	0.2564
3.5303	8.5	4352	3.5470	0.0687	0.1140	0.1681	0.2570
3.5138	8.62	4416	3.5407	0.0684	0.1140	0.1670	0.2566
3.5142	8.75	4480	3.5414	0.0670	0.1130	0.1671	0.2551
3.5404	8.88	4544	3.5448	0.0674	0.1133	0.1663	0.2561
3.5134	9.0	4608	3.5430	0.0675	0.1124	0.1644	0.2545
3.5133	9.12	4672	3.5376	0.0688	0.1148	0.1680	0.2575
3.5285	9.25	4736	3.5426	0.0659	0.1116	0.1637	0.2539
3.5025	9.38	4800	3.5395	0.0704	0.1168	0.1658	0.2558
3.4903	9.5	4864	3.5386	0.0670	0.1131	0.1679	0.2554
3.4992	9.62	4928	3.5355	0.0676	0.1136	0.1665	0.2561
3.5021	9.75	4992	3.5397	0.0686	0.1135	0.1694	0.2583
3.5202	9.88	5056	3.5347	0.0708	0.1165	0.1727	0.2610
3.506	10.0	5120	3.5407	0.0675	0.1129	0.1668	0.2556
3.505	10.12	5184	3.5366	0.0690	0.1151	0.1677	0.2576
3.4971	10.25	5248	3.5370	0.0693	0.1157	0.1695	0.2597
3.4993	10.38	5312	3.5344	0.0688	0.1154	0.1677	0.2585
3.5125	10.5	5376	3.5300	0.0704	0.1175	0.1707	0.2606
3.4975	10.62	5440	3.5339	0.0708	0.1172	0.1689	0.2580
3.5193	10.75	5504	3.5292	0.0716	0.1185	0.1718	0.2616
3.4898	10.88	5568	3.5301	0.0715	0.1181	0.1702	0.2607
3.4971	11.0	5632	3.5312	0.0701	0.1173	0.1698	0.2600
3.4909	11.12	5696	3.5280	0.0695	0.1167	0.1705	0.2609
3.485	11.25	5760	3.5312	0.0704	0.1152	0.1730	0.2591
3.4916	11.38	5824	3.5272	0.0716	0.1186	0.1710	0.2612
3.5049	11.5	5888	3.5269	0.0710	0.1170	0.1728	0.2608
3.5037	11.62	5952	3.5234	0.0727	0.1185	0.1749	0.2634
3.508	11.75	6016	3.5232	0.0725	0.1204	0.1749	0.2636
3.492	11.88	6080	3.5205	0.0728	0.1197	0.1738	0.2642
3.471	12.0	6144	3.5253	0.0730	0.1203	0.1734	0.2625
3.478	12.12	6208	3.5231	0.0730	0.1208	0.1750	0.2662
3.4745	12.25	6272	3.5231	0.0722	0.1197	0.1751	0.2644
3.4906	12.38	6336	3.5234	0.0707	0.1168	0.1715	0.2602
3.4625	12.5	6400	3.5206	0.0722	0.1196	0.1720	0.2620
3.5299	12.62	6464	3.5193	0.0732	0.1181	0.1766	0.2622
3.4727	12.75	6528	3.5210	0.0713	0.1174	0.1760	0.2628
3.4615	12.88	6592	3.5209	0.0711	0.1168	0.1723	0.2608
3.5003	13.0	6656	3.5176	0.0729	0.1203	0.1736	0.2635
3.467	13.12	6720	3.5196	0.0717	0.1182	0.1735	0.2618
3.4596	13.25	6784	3.5208	0.0738	0.1202	0.1755	0.2644
3.4484	13.38	6848	3.5176	0.0731	0.1197	0.1750	0.2629
3.4744	13.5	6912	3.5185	0.0740	0.1200	0.1748	0.2639
3.4826	13.62	6976	3.5146	0.0729	0.1203	0.1754	0.2657
3.4905	13.75	7040	3.5138	0.0750	0.1214	0.1768	0.2669
3.4898	13.88	7104	3.5144	0.0750	0.1224	0.1771	0.2653
3.515	14.0	7168	3.5119	0.0724	0.1196	0.1795	0.2668
3.4785	14.12	7232	3.5126	0.0750	0.1237	0.1773	0.2683
3.4617	14.25	7296	3.5121	0.0744	0.1224	0.1766	0.2660
3.4653	14.38	7360	3.5126	0.0737	0.1217	0.1777	0.2679
3.4669	14.5	7424	3.5098	0.0722	0.1187	0.1731	0.2616
3.4712	14.62	7488	3.5101	0.0734	0.1209	0.1765	0.2657
3.4592	14.75	7552	3.5091	0.0768	0.1229	0.1802	0.2700
3.4568	14.88	7616	3.5067	0.0746	0.1221	0.1788	0.2688
3.4643	15.0	7680	3.5035	0.0718	0.1188	0.1751	0.2652

Framework versions

Transformers 4.20.1
Pytorch 1.12.1+cu102
Datasets 2.0.0
Tokenizers 0.11.0

Public100_MobileBERT_20epoch_notweettokenizer

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

NSDT 3DConvert

UnrealSynth

DreamTexture.js