cifar_fine_tuning

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on the cifar10 dataset. It achieves the following results on the evaluation set:

• Loss: 0.1187
• Accuracy: 0.9784

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: 16
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 4

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.49	0.03	100	0.4099	0.9073
0.3651	0.06	200	0.2860	0.9267
0.3671	0.1	300	0.4049	0.8832
0.3793	0.13	400	0.3363	0.9
0.4412	0.16	500	0.3392	0.8998
0.2496	0.19	600	0.3285	0.8987
0.4256	0.22	700	0.3622	0.8919
0.4017	0.26	800	0.3954	0.8782
0.3091	0.29	900	0.2375	0.9269
0.17	0.32	1000	0.2150	0.9345
0.2855	0.35	1100	0.2194	0.9314
0.2582	0.38	1200	0.2473	0.9242
0.3127	0.42	1300	0.2789	0.9169
0.3907	0.45	1400	0.3239	0.9046
0.186	0.48	1500	0.2316	0.9315
0.2105	0.51	1600	0.2121	0.9325
0.2539	0.54	1700	0.2014	0.9376
0.3119	0.58	1800	0.2543	0.9218
0.2136	0.61	1900	0.2670	0.9183
0.2067	0.64	2000	0.2062	0.9401
0.242	0.67	2100	0.2852	0.9121
0.1743	0.7	2200	0.1895	0.9414
0.2458	0.74	2300	0.2358	0.9288
0.131	0.77	2400	0.2408	0.9221
0.4146	0.8	2500	0.2134	0.9344
0.3165	0.83	2600	0.2531	0.9248
0.2364	0.86	2700	0.1996	0.9377
0.2476	0.9	2800	0.1971	0.9393
0.298	0.93	2900	0.2114	0.9333
0.181	0.96	3000	0.1894	0.942
0.1499	0.99	3100	0.1819	0.9431
0.1636	1.02	3200	0.2383	0.9271
0.1163	1.06	3300	0.1888	0.9472
0.1179	1.09	3400	0.1788	0.9491
0.1505	1.12	3500	0.2084	0.9407
0.1135	1.15	3600	0.2637	0.9351
0.0996	1.18	3700	0.2281	0.9399
0.1469	1.22	3800	0.1789	0.9485
0.0902	1.25	3900	0.1599	0.9524
0.0456	1.28	4000	0.1803	0.9493
0.1423	1.31	4100	0.1510	0.9562
0.1269	1.34	4200	0.1549	0.9579
0.0713	1.38	4300	0.1833	0.9495
0.0731	1.41	4400	0.1747	0.9511
0.0488	1.44	4500	0.1530	0.9591
0.0538	1.47	4600	0.1870	0.9522
0.0972	1.5	4700	0.1547	0.9562
0.1294	1.54	4800	0.1846	0.9486
0.1035	1.57	4900	0.1609	0.9562
0.1564	1.6	5000	0.1877	0.9521
0.1143	1.63	5100	0.1606	0.9559
0.1239	1.66	5200	0.1457	0.9587
0.107	1.7	5300	0.1815	0.9526
0.0515	1.73	5400	0.1594	0.9568
0.0508	1.76	5500	0.1584	0.9579
0.0308	1.79	5600	0.1640	0.9543
0.0934	1.82	5700	0.1558	0.9535
0.0372	1.86	5800	0.1792	0.9481
0.063	1.89	5900	0.1453	0.9616
0.1284	1.92	6000	0.1719	0.9534
0.0987	1.95	6100	0.1321	0.9649
0.0736	1.98	6200	0.1754	0.9505
0.097	2.02	6300	0.1608	0.9565
0.0062	2.05	6400	0.1687	0.9576
0.0748	2.08	6500	0.2191	0.9488
0.0491	2.11	6600	0.1442	0.9644
0.0467	2.14	6700	0.1525	0.9636
0.042	2.18	6800	0.1440	0.9643
0.0249	2.21	6900	0.1526	0.9627
0.0887	2.24	7000	0.1858	0.9587
0.0438	2.27	7100	0.1485	0.9644
0.0434	2.3	7200	0.1640	0.9623
0.0216	2.34	7300	0.1685	0.9621
0.0496	2.37	7400	0.1612	0.9615
0.0512	2.4	7500	0.1554	0.9635
0.0173	2.43	7600	0.1424	0.9667
0.1097	2.46	7700	0.1691	0.9603
0.0072	2.5	7800	0.1693	0.9588
0.0417	2.53	7900	0.1669	0.9599
0.0624	2.56	8000	0.1409	0.9675
0.0513	2.59	8100	0.1401	0.9663
0.0083	2.62	8200	0.1340	0.9679
0.0144	2.66	8300	0.1378	0.9671
0.0958	2.69	8400	0.1385	0.9667
0.011	2.72	8500	0.1265	0.9689
0.0022	2.75	8600	0.1268	0.9671
0.0814	2.78	8700	0.1291	0.9695
0.0092	2.82	8800	0.1216	0.9714
0.0178	2.85	8900	0.1156	0.972
0.0082	2.88	9000	0.1070	0.9745
0.0325	2.91	9100	0.1110	0.9744
0.0197	2.94	9200	0.1244	0.972
0.0291	2.98	9300	0.1303	0.9719
0.0012	3.01	9400	0.1283	0.9714
0.0089	3.04	9500	0.1221	0.974
0.0115	3.07	9600	0.1241	0.9737
0.0015	3.1	9700	0.1335	0.971
0.0018	3.14	9800	0.1315	0.9716
0.0004	3.17	9900	0.1127	0.9739
0.0128	3.2	10000	0.1168	0.976
0.0194	3.23	10100	0.1193	0.9749
0.0003	3.26	10200	0.1145	0.9759
0.0056	3.3	10300	0.1231	0.9734
0.0089	3.33	10400	0.1392	0.9723
0.0032	3.36	10500	0.1274	0.9728
0.0003	3.39	10600	0.1236	0.9748
0.0002	3.42	10700	0.1299	0.9737
0.0055	3.46	10800	0.1307	0.9735
0.0008	3.49	10900	0.1348	0.9731
0.0003	3.52	11000	0.1345	0.973
0.0288	3.55	11100	0.1238	0.9759
0.0217	3.58	11200	0.1233	0.9754
0.0012	3.62	11300	0.1203	0.9768
0.0008	3.65	11400	0.1165	0.9768
0.0003	3.68	11500	0.1199	0.9776
0.0028	3.71	11600	0.1258	0.9764
0.0014	3.74	11700	0.1217	0.9766
0.0225	3.78	11800	0.1242	0.9763
0.0002	3.81	11900	0.1214	0.9778
0.0017	3.84	12000	0.1213	0.9775
0.0002	3.87	12100	0.1214	0.9778
0.001	3.9	12200	0.1207	0.9773
0.0008	3.94	12300	0.1190	0.9782
0.0002	3.97	12400	0.1187	0.9784
0.0003	4.0	12500	0.1187	0.9784

Framework versions

• Transformers 4.37.0
• Pytorch 2.1.2
• Datasets 2.1.0
• Tokenizers 0.15.1