YELP_ELECTRA_5E

作者 pig4431 · 下载 1 · 点赞 0 · 更新 2023-11-01

generated_from_trainer

YELP_ELECTRA_5E

This model is a fine-tuned version of google/electra-small-discriminator on the yelp_review_full 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 Accuracy
0.6872 0.03 50 0.6751 0.5867
0.6407 0.06 100 0.5811 0.86
0.5551 0.1 150 0.4980 0.8667
0.4784 0.13 200 0.3889 0.9333
0.412 0.16 250 0.3349 0.9333
0.3826 0.19 300 0.3138 0.9133
0.3629 0.22 350 0.2568 0.96
0.335 0.26 400 0.2352 0.9333
0.2966 0.29 450 0.1907 0.9667
0.2776 0.32 500 0.1898 0.96
0.2428 0.35 550 0.1771 0.9533
0.2577 0.38 600 0.1610 0.96
0.2252 0.42 650 0.1503 0.96
0.2273 0.45 700 0.1425 0.9667
0.2155 0.48 750 0.1417 0.96
0.2681 0.51 800 0.1682 0.94
0.195 0.54 850 0.1527 0.96
0.2133 0.58 900 0.1480 0.9533
0.1996 0.61 950 0.1516 0.9533
0.2123 0.64 1000 0.1645 0.94
0.2263 0.67 1050 0.1449 0.96
0.1941 0.7 1100 0.1445 0.96
0.2273 0.74 1150 0.1389 0.96
0.2156 0.77 1200 0.1541 0.9533
0.193 0.8 1250 0.1512 0.9533
0.1851 0.83 1300 0.1949 0.92
0.2041 0.86 1350 0.1531 0.96
0.1924 0.9 1400 0.1640 0.9533
0.2453 0.93 1450 0.1639 0.9467
0.1774 0.96 1500 0.1729 0.9467
0.1999 0.99 1550 0.1618 0.94
0.1998 1.02 1600 0.1628 0.9467
0.1607 1.06 1650 0.1608 0.94
0.1878 1.09 1700 0.1659 0.9467
0.1702 1.12 1750 0.1694 0.9467
0.1711 1.15 1800 0.1666 0.9467
0.1517 1.18 1850 0.1560 0.9533
0.1521 1.22 1900 0.1662 0.9467
0.2297 1.25 1950 0.2137 0.94
0.2046 1.28 2000 0.1793 0.94
0.1869 1.31 2050 0.1673 0.9467
0.1684 1.34 2100 0.1730 0.9467
0.1359 1.38 2150 0.1817 0.94
0.1595 1.41 2200 0.1709 0.9467
0.1458 1.44 2250 0.1660 0.94
0.1518 1.47 2300 0.1735 0.9467
0.1239 1.5 2350 0.1514 0.9533
0.2183 1.54 2400 0.1644 0.9467
0.1678 1.57 2450 0.1578 0.9467
0.1516 1.6 2500 0.1562 0.9467
0.2575 1.63 2550 0.1516 0.9467
0.1576 1.66 2600 0.1684 0.9533
0.1134 1.7 2650 0.1691 0.96
0.2075 1.73 2700 0.1586 0.96
0.1425 1.76 2750 0.1516 0.96
0.1426 1.79 2800 0.1499 0.96
0.1295 1.82 2850 0.1563 0.96
0.1253 1.86 2900 0.1576 0.9533
0.1801 1.89 2950 0.1563 0.9533
0.1513 1.92 3000 0.1522 0.96
0.1204 1.95 3050 0.1604 0.9533
0.2055 1.98 3100 0.1483 0.96
0.1461 2.02 3150 0.1532 0.96
0.1044 2.05 3200 0.1540 0.96
0.116 2.08 3250 0.1604 0.96
0.1098 2.11 3300 0.1632 0.96
0.1259 2.14 3350 0.1640 0.96
0.1137 2.18 3400 0.1684 0.9533
0.135 2.21 3450 0.1568 0.9467
0.1819 2.24 3500 0.1497 0.96
0.1612 2.27 3550 0.1569 0.96
0.1699 2.3 3600 0.1594 0.96
0.1488 2.34 3650 0.1727 0.96
0.1079 2.37 3700 0.1830 0.9533
0.1209 2.4 3750 0.1657 0.96
0.1619 2.43 3800 0.1556 0.96
0.1544 2.46 3850 0.1627 0.96
0.1717 2.5 3900 0.1597 0.96
0.1198 2.53 3950 0.1470 0.9467
0.0922 2.56 4000 0.1643 0.96
0.1399 2.59 4050 0.1577 0.9467
0.1491 2.62 4100 0.1557 0.96
0.146 2.66 4150 0.1596 0.96
0.1617 2.69 4200 0.1608 0.96
0.1463 2.72 4250 0.1601 0.9467
0.1342 2.75 4300 0.1624 0.96
0.1492 2.78 4350 0.1586 0.96
0.1672 2.82 4400 0.1582 0.96
0.1403 2.85 4450 0.1572 0.96
0.1173 2.88 4500 0.1630 0.96
0.1345 2.91 4550 0.1571 0.96
0.171 2.94 4600 0.1562 0.96
0.125 2.98 4650 0.1477 0.9533
0.1494 3.01 4700 0.1404 0.96
0.1234 3.04 4750 0.1494 0.96
0.0926 3.07 4800 0.1538 0.96
0.1188 3.1 4850 0.1565 0.96
0.0986 3.13 4900 0.1679 0.96
0.1242 3.17 4950 0.1686 0.96
0.1193 3.2 5000 0.1688 0.96
0.1548 3.23 5050 0.1639 0.96
0.1216 3.26 5100 0.1601 0.96
0.1068 3.29 5150 0.1799 0.94
0.1582 3.33 5200 0.1594 0.96
0.1454 3.36 5250 0.1594 0.96
0.1631 3.39 5300 0.1555 0.96
0.1323 3.42 5350 0.1548 0.9667
0.145 3.45 5400 0.1573 0.9667
0.1221 3.49 5450 0.1611 0.96
0.1034 3.52 5500 0.1653 0.96
0.1096 3.55 5550 0.1688 0.96
0.096 3.58 5600 0.1690 0.9533
0.1228 3.61 5650 0.1671 0.9533
0.1133 3.65 5700 0.1710 0.9533
0.0939 3.68 5750 0.1772 0.96
0.1252 3.71 5800 0.1706 0.9533
0.0726 3.74 5850 0.1685 0.96
0.1144 3.77 5900 0.1696 0.9533
0.0902 3.81 5950 0.1753 0.9533
0.1462 3.84 6000 0.1699 0.96
0.1019 3.87 6050 0.1677 0.96
0.1374 3.9 6100 0.1727 0.96
0.1246 3.93 6150 0.1711 0.96
0.1026 3.97 6200 0.1728 0.96
0.1081 4.0 6250 0.1745 0.96
0.1014 4.03 6300 0.1760 0.9533
0.1047 4.06 6350 0.1726 0.96
0.0989 4.09 6400 0.1748 0.96
0.117 4.13 6450 0.1736 0.96
0.1499 4.16 6500 0.1755 0.96
0.0911 4.19 6550 0.1761 0.96
0.1165 4.22 6600 0.1734 0.96
0.1072 4.25 6650 0.1693 0.96
0.1166 4.29 6700 0.1703 0.96
0.0987 4.32 6750 0.1715 0.9467
0.0996 4.35 6800 0.1700 0.96
0.1267 4.38 6850 0.1633 0.96
0.1374 4.41 6900 0.1642 0.9667
0.0699 4.45 6950 0.1628 0.96
0.0773 4.48 7000 0.1642 0.96
0.0903 4.51 7050 0.1649 0.96
0.1357 4.54 7100 0.1641 0.96
0.1252 4.57 7150 0.1659 0.9667
0.1013 4.61 7200 0.1663 0.96
0.1071 4.64 7250 0.1653 0.96
0.1094 4.67 7300 0.1671 0.96
0.1103 4.7 7350 0.1650 0.96
0.1169 4.73 7400 0.1656 0.96
0.0858 4.77 7450 0.1651 0.96
0.0925 4.8 7500 0.1669 0.96
0.1572 4.83 7550 0.1663 0.96
0.1125 4.86 7600 0.1655 0.96
0.1011 4.89 7650 0.1654 0.96
0.1307 4.93 7700 0.1656 0.96
0.1195 4.96 7750 0.1656 0.96
0.1004 4.99 7800 0.1658 0.96

Framework versions