Update README.md

README.md

@@ -28,11 +28,11 @@ You can use this model directly with a pipeline for text generation.
 >>> set_seed(5)
 >>> generator("昨日私は京都で", max_length=30, do_sample=True, num_return_sequences=5)
 
-[{'generated_text': '昨日私は京都で仕事していたんですけど、ある日突然京都にいる私'},
- {'generated_text': '昨日私は京都で就職し、母と一緒に奈良県の商工会議所に行ってき'},
- {'generated_text': '昨日私は京都ではありませんが、自分の住んでる事について色々と'},
- {'generated_text': '昨日私は京都では地図を見ることしかしない、京福電車のホームで'},
- {'generated_text': '昨日私は京都でこみちに住み始めた時からある不思議な現象で、そ'}]
+[{'generated_text': '昨日私は京都であの日に、あんなに頑張ったのに…と思った。私は'},
+ {'generated_text': '昨日私は京都で開かれた大阪市内で会場見学をしました。そしてそ'},
+ {'generated_text': '昨日私は京都で行われました。その時はまだ若手が多数入学して何'},
+ {'generated_text': '昨日私は京都では雪が解けるまで寝た様子があります・・・(;´'},
+ {'generated_text': '昨日私は京都でこみ上げてきたものを写真撮るため、駅近くのセン'}]
 ```
 
 You can also use this model to get the features of a given text.
@@ -67,7 +67,7 @@ The following hyperparameters were used during pre-training:
 - weight_decay: 0.01
 - lr_scheduler_type: linear
 - max_grad_norm: 1.0
-- max_steps: 500,000 (but terminated at *** steps)
+- max_steps: 500,000 (but terminated at 142,000 steps ~= 3.0 epochs)
 - warmup_steps: 10,000
 
-The eval loss was 1.60 while the eval accuracy was 0.635. The evaluation set consists of 5,000 randomly sampled documents from each of the training corpora.
+The eval loss was 1.597 while the eval accuracy was 0.6359. The evaluation set consists of 5,000 randomly sampled documents from each of the training corpora.