wav2vec2-large-xlsr-53-Total2e-4_3

作者 akadriu · 下载 40 · 点赞 0 · 更新 2023-10-31

generated_from_trainer

wav2vec2-large-xlsr-53-Total2e-4_3

This model is a fine-tuned version of facebook/wav2vec2-large-xlsr-53 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
5.16 0.1 200 2.9123 0.9707
2.4599 0.2 400 0.8145 0.6906
1.0523 0.3 600 0.5247 0.4823
0.8965 0.4 800 0.4391 0.4416
0.7994 0.5 1000 0.3889 0.3773
0.7491 0.6 1200 0.3604 0.3305
0.7425 0.7 1400 0.3543 0.3277
0.7253 0.8 1600 0.3397 0.3143
0.7221 0.9 1800 0.3341 0.2979
0.6853 1.0 2000 0.3244 0.2906
0.6107 1.1 2200 0.3127 0.2771
0.6233 1.2 2400 0.3116 0.2721
0.6214 1.3 2600 0.3256 0.2671
0.6511 1.4 2800 0.3019 0.2570
0.6491 1.5 3000 0.2961 0.2576
0.6411 1.6 3200 0.2963 0.2535
0.5963 1.7 3400 0.2939 0.2526
0.6146 1.8 3600 0.2908 0.2490
0.6291 1.9 3800 0.2851 0.2448
0.6154 2.0 4000 0.2861 0.2424
0.5652 2.1 4200 0.2852 0.2411
0.5648 2.2 4400 0.2856 0.2350
0.5365 2.3 4600 0.2802 0.2395
0.5855 2.4 4800 0.2883 0.2374
0.5978 2.5 5000 0.2855 0.2364
0.5863 2.6 5200 0.2736 0.2277
0.5569 2.7 5400 0.2746 0.2293
0.5628 2.8 5600 0.2719 0.2249
0.5655 2.9 5800 0.2653 0.2224
0.5578 3.0 6000 0.2685 0.2243
0.5303 3.1 6200 0.2696 0.2204
0.5316 3.2 6400 0.2733 0.2247
0.5476 3.3 6600 0.2716 0.2203
0.5326 3.4 6800 0.2697 0.2209
0.5375 3.5 7000 0.2701 0.2197
0.5364 3.6 7200 0.2655 0.2165
0.503 3.7 7400 0.2650 0.2125
0.5284 3.8 7600 0.2672 0.2162
0.5251 3.9 7800 0.2669 0.2172
0.5299 4.0 8000 0.2632 0.2081
0.4904 4.1 8200 0.2674 0.2099
0.496 4.2 8400 0.2700 0.2143
0.5067 4.3 8600 0.2648 0.2090
0.506 4.4 8800 0.2595 0.2069
0.4795 4.5 9000 0.2653 0.2072
0.5149 4.6 9200 0.2618 0.2073
0.4786 4.7 9400 0.2632 0.2058
0.5056 4.8 9600 0.2674 0.2123
0.5059 4.9 9800 0.2642 0.2115
0.5119 5.0 10000 0.2672 0.2089
0.4619 5.1 10200 0.2658 0.2062
0.4647 5.2 10400 0.2664 0.2025
0.4707 5.3 10600 0.2656 0.2084
0.486 5.4 10800 0.2728 0.2029
0.4785 5.5 11000 0.2653 0.2004
0.4895 5.6 11200 0.2835 0.2119
0.4519 5.7 11400 0.2715 0.2061
0.484 5.8 11600 0.2663 0.2071
0.4734 5.9 11800 0.2615 0.2023
0.4563 6.0 12000 0.2604 0.1997
0.4193 6.1 12200 0.2708 0.2015
0.4516 6.2 12400 0.2724 0.2018
0.4609 6.3 12600 0.2745 0.2004
0.43 6.4 12800 0.2716 0.1979
0.4424 6.5 13000 0.2674 0.1963
0.4589 6.6 13200 0.2622 0.1977
0.4458 6.7 13400 0.2668 0.1994
0.4233 6.8 13600 0.2739 0.1978
0.4557 6.9 13800 0.2692 0.1972
0.4472 7.0 14000 0.2686 0.1942
0.4193 7.1 14200 0.2843 0.1959
0.4033 7.2 14400 0.2767 0.1945
0.4266 7.3 14600 0.2808 0.1931
0.419 7.4 14800 0.2801 0.1945
0.4352 7.5 15000 0.2764 0.1934
0.4248 7.6 15200 0.2818 0.1938
0.4001 7.7 15400 0.2754 0.1931
0.415 7.8 15600 0.2799 0.1916
0.4056 7.9 15800 0.2746 0.1916
0.419 8.0 16000 0.2789 0.1909
0.3974 8.1 16200 0.2913 0.1897
0.3999 8.2 16400 0.2894 0.1899
0.4179 8.3 16600 0.2819 0.1918
0.4081 8.4 16800 0.2868 0.1910
0.3963 8.5 17000 0.2835 0.1889
0.3748 8.6 17200 0.2841 0.1903
0.375 8.7 17400 0.2820 0.1874
0.3857 8.8 17600 0.2865 0.1872
0.3901 8.9 17800 0.2824 0.1882
0.4067 9.0 18000 0.2838 0.1887
0.3711 9.1 18200 0.2892 0.1897
0.3661 9.2 18400 0.2889 0.1883
0.3796 9.3 18600 0.2876 0.1886
0.3932 9.4 18800 0.2948 0.1877
0.3894 9.5 19000 0.2896 0.1884
0.3643 9.6 19200 0.2897 0.1868
0.384 9.7 19400 0.2887 0.1867
0.3951 9.8 19600 0.2905 0.1862
0.3595 9.9 19800 0.2893 0.1866
0.3758 10.0 20000 0.2893 0.1863

Framework versions