---
license: mit
base_model: microsoft/layoutlm-base-uncased
tags:
- generated_from_trainer
datasets:
- my_funsd
model-index:
- name: layoutlm-funsd1
  results: []
---

<!-- 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. -->

# layoutlm-funsd1

This model is a fine-tuned version of [microsoft/layoutlm-base-uncased](https://huggingface.co/microsoft/layoutlm-base-uncased) on the my_funsd dataset.
It achieves the following results on the evaluation set:
- Loss: 1.0974
- Answer: {'precision': 0.5384615384615384, 'recall': 0.4666666666666667, 'f1': 0.5, 'number': 15}
- Header: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}
- Question: {'precision': 0.3333333333333333, 'recall': 0.13333333333333333, 'f1': 0.19047619047619044, 'number': 15}
- Overall Precision: 0.4737
- Overall Recall: 0.2903
- Overall F1: 0.36
- Overall Accuracy: 0.6937

## 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: 3e-05
- 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: 10
- mixed_precision_training: Native AMP

### Training results

| Training Loss | Epoch | Step | Validation Loss | Answer                                                                                                   | Header                                                                                    | Question                                                                                                   | Overall Precision | Overall Recall | Overall F1 | Overall Accuracy |
|:-------------:|:-----:|:----:|:---------------:|:--------------------------------------------------------------------------------------------------------:|:-----------------------------------------------------------------------------------------:|:----------------------------------------------------------------------------------------------------------:|:-----------------:|:--------------:|:----------:|:----------------:|
| 1.9267        | 1.0   | 1    | 1.9079          | {'precision': 0.3125, 'recall': 0.3333333333333333, 'f1': 0.3225806451612903, 'number': 15}              | {'precision': 0.07692307692307693, 'recall': 1.0, 'f1': 0.14285714285714288, 'number': 1} | {'precision': 0.21052631578947367, 'recall': 0.26666666666666666, 'f1': 0.23529411764705882, 'number': 15} | 0.2083            | 0.3226         | 0.2532     | 0.2523           |
| 1.9277        | 2.0   | 2    | 1.7357          | {'precision': 0.42857142857142855, 'recall': 0.4, 'f1': 0.4137931034482759, 'number': 15}                | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.2222222222222222, 'recall': 0.13333333333333333, 'f1': 0.16666666666666669, 'number': 15}  | 0.3333            | 0.2581         | 0.2909     | 0.4144           |
| 1.7536        | 3.0   | 3    | 1.5947          | {'precision': 0.3333333333333333, 'recall': 0.26666666666666666, 'f1': 0.2962962962962963, 'number': 15} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.2353            | 0.1290         | 0.1667     | 0.4955           |
| 1.6284        | 4.0   | 4    | 1.4767          | {'precision': 0.3333333333333333, 'recall': 0.26666666666666666, 'f1': 0.2962962962962963, 'number': 15} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.2667            | 0.1290         | 0.1739     | 0.5586           |
| 1.5334        | 5.0   | 5    | 1.3768          | {'precision': 0.4166666666666667, 'recall': 0.3333333333333333, 'f1': 0.3703703703703704, 'number': 15}  | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.3125            | 0.1613         | 0.2128     | 0.6036           |
| 1.4284        | 6.0   | 6    | 1.2919          | {'precision': 0.5454545454545454, 'recall': 0.4, 'f1': 0.4615384615384615, 'number': 15}                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.375             | 0.1935         | 0.2553     | 0.6216           |
| 1.3646        | 7.0   | 7    | 1.2220          | {'precision': 0.5454545454545454, 'recall': 0.4, 'f1': 0.4615384615384615, 'number': 15}                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.375             | 0.1935         | 0.2553     | 0.6577           |
| 1.3005        | 8.0   | 8    | 1.1665          | {'precision': 0.5384615384615384, 'recall': 0.4666666666666667, 'f1': 0.5, 'number': 15}                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 15}                                                 | 0.3889            | 0.2258         | 0.2857     | 0.6667           |
| 1.2501        | 9.0   | 9    | 1.1250          | {'precision': 0.5384615384615384, 'recall': 0.4666666666666667, 'f1': 0.5, 'number': 15}                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.16666666666666666, 'recall': 0.06666666666666667, 'f1': 0.09523809523809522, 'number': 15} | 0.4211            | 0.2581         | 0.3200     | 0.6847           |
| 1.1952        | 10.0  | 10   | 1.0974          | {'precision': 0.5384615384615384, 'recall': 0.4666666666666667, 'f1': 0.5, 'number': 15}                 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 1}                                 | {'precision': 0.3333333333333333, 'recall': 0.13333333333333333, 'f1': 0.19047619047619044, 'number': 15}  | 0.4737            | 0.2903         | 0.36       | 0.6937           |


### Framework versions

- Transformers 4.41.2
- Pytorch 2.3.1+cu121
- Datasets 2.19.2
- Tokenizers 0.19.1