update model card README.md

586b315 about 2 years ago

7.75 kB

	---
	license: apache-2.0
	tags:
	- automatic-speech-recognition
	- gary109/AI_Light_Dance
	- generated_from_trainer
	model-index:
	- name: ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram
	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. -->

	# ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram

	This model is a fine-tuned version of [gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram](https://huggingface.co/gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram) on the GARY109/AI_LIGHT_DANCE - ONSET-SINGING3 dataset.
	It achieves the following results on the evaluation set:
	- Loss: 0.4498
	- Wer: 0.2114

	## 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: 1e-06
	- train_batch_size: 8
	- eval_batch_size: 8
	- seed: 42
	- gradient_accumulation_steps: 4
	- total_train_batch_size: 32
	- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
	- lr_scheduler_type: linear
	- lr_scheduler_warmup_steps: 100
	- num_epochs: 100.0
	- mixed_precision_training: Native AMP

	### Training results

	\| Training Loss \| Epoch \| Step \| Validation Loss \| Wer \|
	\|:-------------:\|:-----:\|:-----:\|:---------------:\|:------:\|
	\| 0.341 \| 1.0 \| 144 \| 0.4498 \| 0.2114 \|
	\| 0.306 \| 2.0 \| 288 \| 0.4533 \| 0.2128 \|
	\| 0.3028 \| 3.0 \| 432 \| 0.4555 \| 0.2096 \|
	\| 0.2994 \| 4.0 \| 576 \| 0.4597 \| 0.2098 \|
	\| 0.3033 \| 5.0 \| 720 \| 0.4625 \| 0.2096 \|
	\| 0.2944 \| 6.0 \| 864 \| 0.4617 \| 0.2085 \|
	\| 0.2836 \| 7.0 \| 1008 \| 0.4615 \| 0.2081 \|
	\| 0.3034 \| 8.0 \| 1152 \| 0.4636 \| 0.2077 \|
	\| 0.2979 \| 9.0 \| 1296 \| 0.4661 \| 0.2083 \|
	\| 0.2967 \| 10.0 \| 1440 \| 0.4644 \| 0.2072 \|
	\| 0.2974 \| 11.0 \| 1584 \| 0.4641 \| 0.2077 \|
	\| 0.3053 \| 12.0 \| 1728 \| 0.4654 \| 0.2078 \|
	\| 0.2927 \| 13.0 \| 1872 \| 0.4682 \| 0.2071 \|
	\| 0.282 \| 14.0 \| 2016 \| 0.4660 \| 0.2066 \|
	\| 0.299 \| 15.0 \| 2160 \| 0.4671 \| 0.2072 \|
	\| 0.3152 \| 16.0 \| 2304 \| 0.4653 \| 0.2051 \|
	\| 0.288 \| 17.0 \| 2448 \| 0.4656 \| 0.2062 \|
	\| 0.303 \| 18.0 \| 2592 \| 0.4702 \| 0.2050 \|
	\| 0.2943 \| 19.0 \| 2736 \| 0.4695 \| 0.2069 \|
	\| 0.2735 \| 20.0 \| 2880 \| 0.4715 \| 0.2072 \|
	\| 0.3044 \| 21.0 \| 3024 \| 0.4715 \| 0.2049 \|
	\| 0.3019 \| 22.0 \| 3168 \| 0.4655 \| 0.2051 \|
	\| 0.303 \| 23.0 \| 3312 \| 0.4669 \| 0.2047 \|
	\| 0.2846 \| 24.0 \| 3456 \| 0.4657 \| 0.2047 \|
	\| 0.2982 \| 25.0 \| 3600 \| 0.4666 \| 0.2041 \|
	\| 0.3087 \| 26.0 \| 3744 \| 0.4677 \| 0.2031 \|
	\| 0.2954 \| 27.0 \| 3888 \| 0.4670 \| 0.2044 \|
	\| 0.2884 \| 28.0 \| 4032 \| 0.4667 \| 0.2046 \|
	\| 0.2979 \| 29.0 \| 4176 \| 0.4691 \| 0.2063 \|
	\| 0.298 \| 30.0 \| 4320 \| 0.4648 \| 0.2039 \|
	\| 0.2963 \| 31.0 \| 4464 \| 0.4648 \| 0.2057 \|
	\| 0.3047 \| 32.0 \| 4608 \| 0.4688 \| 0.2052 \|
	\| 0.3 \| 33.0 \| 4752 \| 0.4698 \| 0.2051 \|
	\| 0.2883 \| 34.0 \| 4896 \| 0.4655 \| 0.2042 \|
	\| 0.2936 \| 35.0 \| 5040 \| 0.4683 \| 0.2043 \|
	\| 0.2868 \| 36.0 \| 5184 \| 0.4677 \| 0.2046 \|
	\| 0.2935 \| 37.0 \| 5328 \| 0.4665 \| 0.2046 \|
	\| 0.2883 \| 38.0 \| 5472 \| 0.4680 \| 0.2022 \|
	\| 0.296 \| 39.0 \| 5616 \| 0.4685 \| 0.2033 \|
	\| 0.2967 \| 40.0 \| 5760 \| 0.4663 \| 0.2038 \|
	\| 0.2909 \| 41.0 \| 5904 \| 0.4634 \| 0.2046 \|
	\| 0.2834 \| 42.0 \| 6048 \| 0.4636 \| 0.2042 \|
	\| 0.2904 \| 43.0 \| 6192 \| 0.4700 \| 0.2038 \|
	\| 0.3006 \| 44.0 \| 6336 \| 0.4670 \| 0.2029 \|
	\| 0.281 \| 45.0 \| 6480 \| 0.4705 \| 0.2030 \|
	\| 0.2964 \| 46.0 \| 6624 \| 0.4704 \| 0.2016 \|
	\| 0.2914 \| 47.0 \| 6768 \| 0.4644 \| 0.2013 \|
	\| 0.2948 \| 48.0 \| 6912 \| 0.4693 \| 0.2027 \|
	\| 0.2904 \| 49.0 \| 7056 \| 0.4687 \| 0.2015 \|
	\| 0.2875 \| 50.0 \| 7200 \| 0.4730 \| 0.2017 \|
	\| 0.2889 \| 51.0 \| 7344 \| 0.4693 \| 0.2011 \|
	\| 0.2829 \| 52.0 \| 7488 \| 0.4681 \| 0.2011 \|
	\| 0.296 \| 53.0 \| 7632 \| 0.4675 \| 0.2002 \|
	\| 0.3022 \| 54.0 \| 7776 \| 0.4720 \| 0.2008 \|
	\| 0.2813 \| 55.0 \| 7920 \| 0.4702 \| 0.2019 \|
	\| 0.2988 \| 56.0 \| 8064 \| 0.4706 \| 0.2027 \|
	\| 0.2942 \| 57.0 \| 8208 \| 0.4718 \| 0.2025 \|
	\| 0.2899 \| 58.0 \| 8352 \| 0.4729 \| 0.2008 \|
	\| 0.2844 \| 59.0 \| 8496 \| 0.4744 \| 0.2006 \|
	\| 0.2749 \| 60.0 \| 8640 \| 0.4720 \| 0.2011 \|
	\| 0.2835 \| 61.0 \| 8784 \| 0.4718 \| 0.2017 \|
	\| 0.2908 \| 62.0 \| 8928 \| 0.4702 \| 0.2014 \|
	\| 0.2834 \| 63.0 \| 9072 \| 0.4699 \| 0.2022 \|
	\| 0.3023 \| 64.0 \| 9216 \| 0.4667 \| 0.2010 \|
	\| 0.2814 \| 65.0 \| 9360 \| 0.4657 \| 0.2007 \|
	\| 0.2775 \| 66.0 \| 9504 \| 0.4680 \| 0.2015 \|
	\| 0.2991 \| 67.0 \| 9648 \| 0.4656 \| 0.2016 \|
	\| 0.2952 \| 68.0 \| 9792 \| 0.4685 \| 0.2008 \|
	\| 0.2874 \| 69.0 \| 9936 \| 0.4686 \| 0.2013 \|
	\| 0.2951 \| 70.0 \| 10080 \| 0.4693 \| 0.2011 \|
	\| 0.2952 \| 71.0 \| 10224 \| 0.4699 \| 0.2004 \|
	\| 0.2986 \| 72.0 \| 10368 \| 0.4711 \| 0.2011 \|
	\| 0.2858 \| 73.0 \| 10512 \| 0.4660 \| 0.2008 \|
	\| 0.3033 \| 74.0 \| 10656 \| 0.4656 \| 0.2004 \|
	\| 0.2791 \| 75.0 \| 10800 \| 0.4654 \| 0.2011 \|
	\| 0.2971 \| 76.0 \| 10944 \| 0.4645 \| 0.2006 \|
	\| 0.2816 \| 77.0 \| 11088 \| 0.4645 \| 0.2006 \|
	\| 0.274 \| 78.0 \| 11232 \| 0.4652 \| 0.2001 \|
	\| 0.2924 \| 79.0 \| 11376 \| 0.4655 \| 0.2007 \|
	\| 0.299 \| 80.0 \| 11520 \| 0.4642 \| 0.2004 \|
	\| 0.3009 \| 81.0 \| 11664 \| 0.4652 \| 0.1998 \|
	\| 0.281 \| 82.0 \| 11808 \| 0.4691 \| 0.2009 \|
	\| 0.2969 \| 83.0 \| 11952 \| 0.4695 \| 0.2002 \|
	\| 0.2896 \| 84.0 \| 12096 \| 0.4694 \| 0.2005 \|
	\| 0.2918 \| 85.0 \| 12240 \| 0.4701 \| 0.2003 \|
	\| 0.2897 \| 86.0 \| 12384 \| 0.4702 \| 0.2000 \|
	\| 0.2968 \| 87.0 \| 12528 \| 0.4702 \| 0.2004 \|
	\| 0.2992 \| 88.0 \| 12672 \| 0.4689 \| 0.2013 \|
	\| 0.2813 \| 89.0 \| 12816 \| 0.4691 \| 0.2009 \|
	\| 0.283 \| 90.0 \| 12960 \| 0.4696 \| 0.1999 \|
	\| 0.2915 \| 91.0 \| 13104 \| 0.4692 \| 0.2007 \|
	\| 0.2867 \| 92.0 \| 13248 \| 0.4677 \| 0.2011 \|
	\| 0.2922 \| 93.0 \| 13392 \| 0.4678 \| 0.1998 \|
	\| 0.2846 \| 94.0 \| 13536 \| 0.4663 \| 0.2008 \|
	\| 0.2867 \| 95.0 \| 13680 \| 0.4657 \| 0.1996 \|
	\| 0.2912 \| 96.0 \| 13824 \| 0.4660 \| 0.1998 \|
	\| 0.2752 \| 97.0 \| 13968 \| 0.4658 \| 0.2001 \|
	\| 0.2914 \| 98.0 \| 14112 \| 0.4661 \| 0.2010 \|
	\| 0.2826 \| 99.0 \| 14256 \| 0.4655 \| 0.2003 \|
	\| 0.2839 \| 100.0 \| 14400 \| 0.4664 \| 0.1998 \|


	### Framework versions

	- Transformers 4.21.0.dev0
	- Pytorch 1.9.1+cu102
	- Datasets 2.3.3.dev0
	- Tokenizers 0.12.1

	---
	license: apache-2.0
	tags:
	- automatic-speech-recognition
	- gary109/AI_Light_Dance
	- generated_from_trainer
	model-index:
	- name: ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram
	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. -->

	# ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram

	This model is a fine-tuned version of [gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram](https://huggingface.co/gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53-v1-5gram) on the GARY109/AI_LIGHT_DANCE - ONSET-SINGING3 dataset.
	It achieves the following results on the evaluation set:
	- Loss: 0.4498
	- Wer: 0.2114

	## 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: 1e-06
	- train_batch_size: 8
	- eval_batch_size: 8
	- seed: 42
	- gradient_accumulation_steps: 4
	- total_train_batch_size: 32
	- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
	- lr_scheduler_type: linear
	- lr_scheduler_warmup_steps: 100
	- num_epochs: 100.0
	- mixed_precision_training: Native AMP

	### Training results

	\| Training Loss \| Epoch \| Step \| Validation Loss \| Wer \|
	\|:-------------:\|:-----:\|:-----:\|:---------------:\|:------:\|
	\| 0.341 \| 1.0 \| 144 \| 0.4498 \| 0.2114 \|
	\| 0.306 \| 2.0 \| 288 \| 0.4533 \| 0.2128 \|
	\| 0.3028 \| 3.0 \| 432 \| 0.4555 \| 0.2096 \|
	\| 0.2994 \| 4.0 \| 576 \| 0.4597 \| 0.2098 \|
	\| 0.3033 \| 5.0 \| 720 \| 0.4625 \| 0.2096 \|
	\| 0.2944 \| 6.0 \| 864 \| 0.4617 \| 0.2085 \|
	\| 0.2836 \| 7.0 \| 1008 \| 0.4615 \| 0.2081 \|
	\| 0.3034 \| 8.0 \| 1152 \| 0.4636 \| 0.2077 \|
	\| 0.2979 \| 9.0 \| 1296 \| 0.4661 \| 0.2083 \|
	\| 0.2967 \| 10.0 \| 1440 \| 0.4644 \| 0.2072 \|
	\| 0.2974 \| 11.0 \| 1584 \| 0.4641 \| 0.2077 \|
	\| 0.3053 \| 12.0 \| 1728 \| 0.4654 \| 0.2078 \|
	\| 0.2927 \| 13.0 \| 1872 \| 0.4682 \| 0.2071 \|
	\| 0.282 \| 14.0 \| 2016 \| 0.4660 \| 0.2066 \|
	\| 0.299 \| 15.0 \| 2160 \| 0.4671 \| 0.2072 \|
	\| 0.3152 \| 16.0 \| 2304 \| 0.4653 \| 0.2051 \|
	\| 0.288 \| 17.0 \| 2448 \| 0.4656 \| 0.2062 \|
	\| 0.303 \| 18.0 \| 2592 \| 0.4702 \| 0.2050 \|
	\| 0.2943 \| 19.0 \| 2736 \| 0.4695 \| 0.2069 \|
	\| 0.2735 \| 20.0 \| 2880 \| 0.4715 \| 0.2072 \|
	\| 0.3044 \| 21.0 \| 3024 \| 0.4715 \| 0.2049 \|
	\| 0.3019 \| 22.0 \| 3168 \| 0.4655 \| 0.2051 \|
	\| 0.303 \| 23.0 \| 3312 \| 0.4669 \| 0.2047 \|
	\| 0.2846 \| 24.0 \| 3456 \| 0.4657 \| 0.2047 \|
	\| 0.2982 \| 25.0 \| 3600 \| 0.4666 \| 0.2041 \|
	\| 0.3087 \| 26.0 \| 3744 \| 0.4677 \| 0.2031 \|
	\| 0.2954 \| 27.0 \| 3888 \| 0.4670 \| 0.2044 \|
	\| 0.2884 \| 28.0 \| 4032 \| 0.4667 \| 0.2046 \|
	\| 0.2979 \| 29.0 \| 4176 \| 0.4691 \| 0.2063 \|
	\| 0.298 \| 30.0 \| 4320 \| 0.4648 \| 0.2039 \|
	\| 0.2963 \| 31.0 \| 4464 \| 0.4648 \| 0.2057 \|
	\| 0.3047 \| 32.0 \| 4608 \| 0.4688 \| 0.2052 \|
	\| 0.3 \| 33.0 \| 4752 \| 0.4698 \| 0.2051 \|
	\| 0.2883 \| 34.0 \| 4896 \| 0.4655 \| 0.2042 \|
	\| 0.2936 \| 35.0 \| 5040 \| 0.4683 \| 0.2043 \|
	\| 0.2868 \| 36.0 \| 5184 \| 0.4677 \| 0.2046 \|
	\| 0.2935 \| 37.0 \| 5328 \| 0.4665 \| 0.2046 \|
	\| 0.2883 \| 38.0 \| 5472 \| 0.4680 \| 0.2022 \|
	\| 0.296 \| 39.0 \| 5616 \| 0.4685 \| 0.2033 \|
	\| 0.2967 \| 40.0 \| 5760 \| 0.4663 \| 0.2038 \|
	\| 0.2909 \| 41.0 \| 5904 \| 0.4634 \| 0.2046 \|
	\| 0.2834 \| 42.0 \| 6048 \| 0.4636 \| 0.2042 \|
	\| 0.2904 \| 43.0 \| 6192 \| 0.4700 \| 0.2038 \|
	\| 0.3006 \| 44.0 \| 6336 \| 0.4670 \| 0.2029 \|
	\| 0.281 \| 45.0 \| 6480 \| 0.4705 \| 0.2030 \|
	\| 0.2964 \| 46.0 \| 6624 \| 0.4704 \| 0.2016 \|
	\| 0.2914 \| 47.0 \| 6768 \| 0.4644 \| 0.2013 \|
	\| 0.2948 \| 48.0 \| 6912 \| 0.4693 \| 0.2027 \|
	\| 0.2904 \| 49.0 \| 7056 \| 0.4687 \| 0.2015 \|
	\| 0.2875 \| 50.0 \| 7200 \| 0.4730 \| 0.2017 \|
	\| 0.2889 \| 51.0 \| 7344 \| 0.4693 \| 0.2011 \|
	\| 0.2829 \| 52.0 \| 7488 \| 0.4681 \| 0.2011 \|
	\| 0.296 \| 53.0 \| 7632 \| 0.4675 \| 0.2002 \|
	\| 0.3022 \| 54.0 \| 7776 \| 0.4720 \| 0.2008 \|
	\| 0.2813 \| 55.0 \| 7920 \| 0.4702 \| 0.2019 \|
	\| 0.2988 \| 56.0 \| 8064 \| 0.4706 \| 0.2027 \|
	\| 0.2942 \| 57.0 \| 8208 \| 0.4718 \| 0.2025 \|
	\| 0.2899 \| 58.0 \| 8352 \| 0.4729 \| 0.2008 \|
	\| 0.2844 \| 59.0 \| 8496 \| 0.4744 \| 0.2006 \|
	\| 0.2749 \| 60.0 \| 8640 \| 0.4720 \| 0.2011 \|
	\| 0.2835 \| 61.0 \| 8784 \| 0.4718 \| 0.2017 \|
	\| 0.2908 \| 62.0 \| 8928 \| 0.4702 \| 0.2014 \|
	\| 0.2834 \| 63.0 \| 9072 \| 0.4699 \| 0.2022 \|
	\| 0.3023 \| 64.0 \| 9216 \| 0.4667 \| 0.2010 \|
	\| 0.2814 \| 65.0 \| 9360 \| 0.4657 \| 0.2007 \|
	\| 0.2775 \| 66.0 \| 9504 \| 0.4680 \| 0.2015 \|
	\| 0.2991 \| 67.0 \| 9648 \| 0.4656 \| 0.2016 \|
	\| 0.2952 \| 68.0 \| 9792 \| 0.4685 \| 0.2008 \|
	\| 0.2874 \| 69.0 \| 9936 \| 0.4686 \| 0.2013 \|
	\| 0.2951 \| 70.0 \| 10080 \| 0.4693 \| 0.2011 \|
	\| 0.2952 \| 71.0 \| 10224 \| 0.4699 \| 0.2004 \|
	\| 0.2986 \| 72.0 \| 10368 \| 0.4711 \| 0.2011 \|
	\| 0.2858 \| 73.0 \| 10512 \| 0.4660 \| 0.2008 \|
	\| 0.3033 \| 74.0 \| 10656 \| 0.4656 \| 0.2004 \|
	\| 0.2791 \| 75.0 \| 10800 \| 0.4654 \| 0.2011 \|
	\| 0.2971 \| 76.0 \| 10944 \| 0.4645 \| 0.2006 \|
	\| 0.2816 \| 77.0 \| 11088 \| 0.4645 \| 0.2006 \|
	\| 0.274 \| 78.0 \| 11232 \| 0.4652 \| 0.2001 \|
	\| 0.2924 \| 79.0 \| 11376 \| 0.4655 \| 0.2007 \|
	\| 0.299 \| 80.0 \| 11520 \| 0.4642 \| 0.2004 \|
	\| 0.3009 \| 81.0 \| 11664 \| 0.4652 \| 0.1998 \|
	\| 0.281 \| 82.0 \| 11808 \| 0.4691 \| 0.2009 \|
	\| 0.2969 \| 83.0 \| 11952 \| 0.4695 \| 0.2002 \|
	\| 0.2896 \| 84.0 \| 12096 \| 0.4694 \| 0.2005 \|
	\| 0.2918 \| 85.0 \| 12240 \| 0.4701 \| 0.2003 \|
	\| 0.2897 \| 86.0 \| 12384 \| 0.4702 \| 0.2000 \|
	\| 0.2968 \| 87.0 \| 12528 \| 0.4702 \| 0.2004 \|
	\| 0.2992 \| 88.0 \| 12672 \| 0.4689 \| 0.2013 \|
	\| 0.2813 \| 89.0 \| 12816 \| 0.4691 \| 0.2009 \|
	\| 0.283 \| 90.0 \| 12960 \| 0.4696 \| 0.1999 \|
	\| 0.2915 \| 91.0 \| 13104 \| 0.4692 \| 0.2007 \|
	\| 0.2867 \| 92.0 \| 13248 \| 0.4677 \| 0.2011 \|
	\| 0.2922 \| 93.0 \| 13392 \| 0.4678 \| 0.1998 \|
	\| 0.2846 \| 94.0 \| 13536 \| 0.4663 \| 0.2008 \|
	\| 0.2867 \| 95.0 \| 13680 \| 0.4657 \| 0.1996 \|
	\| 0.2912 \| 96.0 \| 13824 \| 0.4660 \| 0.1998 \|
	\| 0.2752 \| 97.0 \| 13968 \| 0.4658 \| 0.2001 \|
	\| 0.2914 \| 98.0 \| 14112 \| 0.4661 \| 0.2010 \|
	\| 0.2826 \| 99.0 \| 14256 \| 0.4655 \| 0.2003 \|
	\| 0.2839 \| 100.0 \| 14400 \| 0.4664 \| 0.1998 \|


	### Framework versions

	- Transformers 4.21.0.dev0
	- Pytorch 1.9.1+cu102
	- Datasets 2.3.3.dev0
	- Tokenizers 0.12.1