librarian-bot's picture
Librarian Bot: Add base_model information to model
0b71cf6
|
raw
history blame
9.21 kB
metadata
license: mit
tags:
  - generated_from_trainer
datasets:
  - tweet_eval
metrics:
  - accuracy
base_model: roberta-base
model-index:
  - name: TweetEval_roBERTa_5E
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: tweet_eval
          type: tweet_eval
          config: sentiment
          split: train
          args: sentiment
        metrics:
          - type: accuracy
            value: 0.9466666666666667
            name: Accuracy

TweetEval_roBERTa_5E

This model is a fine-tuned version of roberta-base on the tweet_eval dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2770
  • Accuracy: 0.9467

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-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: 5

Training results

Training Loss Epoch Step Validation Loss Accuracy
0.5967 0.04 50 0.4851 0.7333
0.4085 0.08 100 0.2177 0.9333
0.3449 0.12 150 0.2164 0.9333
0.2739 0.16 200 0.2285 0.9267
0.2588 0.2 250 0.2748 0.92
0.3406 0.24 300 0.1956 0.9467
0.2726 0.28 350 0.2285 0.92
0.2645 0.32 400 0.2192 0.9267
0.2549 0.37 450 0.2115 0.9333
0.2387 0.41 500 0.2230 0.9333
0.2415 0.45 550 0.2156 0.94
0.2829 0.49 600 0.2575 0.9267
0.2865 0.53 650 0.1572 0.9467
0.2107 0.57 700 0.1437 0.9467
0.2609 0.61 750 0.1595 0.94
0.2234 0.65 800 0.2611 0.9333
0.266 0.69 850 0.1544 0.9467
0.2407 0.73 900 0.2145 0.9333
0.2529 0.77 950 0.1861 0.9333
0.2083 0.81 1000 0.1448 0.9533
0.2942 0.85 1050 0.1703 0.9333
0.1916 0.89 1100 0.1831 0.94
0.2425 0.93 1150 0.2349 0.9333
0.2521 0.97 1200 0.1268 0.94
0.1742 1.01 1250 0.1782 0.9333
0.172 1.06 1300 0.2636 0.9333
0.1487 1.1 1350 0.1987 0.9467
0.1805 1.14 1400 0.3030 0.9333
0.1295 1.18 1450 0.2229 0.94
0.2114 1.22 1500 0.1441 0.9467
0.1714 1.26 1550 0.2157 0.9467
0.1886 1.3 1600 0.2353 0.9267
0.1666 1.34 1650 0.2572 0.94
0.2254 1.38 1700 0.1569 0.9467
0.1531 1.42 1750 0.2351 0.9333
0.2174 1.46 1800 0.2137 0.9267
0.2015 1.5 1850 0.2234 0.94
0.1785 1.54 1900 0.1944 0.9333
0.1954 1.58 1950 0.2013 0.9467
0.1481 1.62 2000 0.2196 0.94
0.1426 1.66 2050 0.2005 0.9467
0.1951 1.7 2100 0.2281 0.9467
0.1943 1.75 2150 0.1934 0.94
0.2027 1.79 2200 0.1845 0.96
0.2119 1.83 2250 0.1338 0.9533
0.208 1.87 2300 0.1605 0.94
0.1972 1.91 2350 0.1460 0.9533
0.1876 1.95 2400 0.1488 0.9467
0.1923 1.99 2450 0.2055 0.9533
0.1391 2.03 2500 0.2245 0.9533
0.1416 2.07 2550 0.2194 0.9533
0.1521 2.11 2600 0.2234 0.9533
0.0943 2.15 2650 0.2114 0.9533
0.1452 2.19 2700 0.1772 0.9467
0.1148 2.23 2750 0.2541 0.9333
0.1706 2.27 2800 0.2151 0.9533
0.12 2.31 2850 0.2521 0.9467
0.181 2.35 2900 0.2518 0.9467
0.1308 2.39 2950 0.2610 0.9533
0.1482 2.44 3000 0.1789 0.9533
0.1019 2.48 3050 0.2377 0.9467
0.1474 2.52 3100 0.2468 0.94
0.0843 2.56 3150 0.3056 0.94
0.1521 2.6 3200 0.2067 0.96
0.1333 2.64 3250 0.1921 0.94
0.1318 2.68 3300 0.1699 0.96
0.1503 2.72 3350 0.2186 0.94
0.1242 2.76 3400 0.2322 0.94
0.1179 2.8 3450 0.2313 0.9467
0.1247 2.84 3500 0.2298 0.9467
0.1289 2.88 3550 0.2502 0.94
0.1597 2.92 3600 0.1875 0.9467
0.1645 2.96 3650 0.2469 0.94
0.1366 3.0 3700 0.2469 0.94
0.1418 3.04 3750 0.2457 0.9467
0.1146 3.08 3800 0.2188 0.9467
0.091 3.12 3850 0.2476 0.94
0.0972 3.17 3900 0.2791 0.94
0.0976 3.21 3950 0.2933 0.9333
0.0872 3.25 4000 0.2877 0.9467
0.0857 3.29 4050 0.2664 0.9467
0.1368 3.33 4100 0.2533 0.9467
0.0713 3.37 4150 0.2855 0.9467
0.1101 3.41 4200 0.2716 0.9533
0.0871 3.45 4250 0.2654 0.9467
0.1152 3.49 4300 0.2449 0.9467
0.0441 3.53 4350 0.2904 0.9467
0.1503 3.57 4400 0.2784 0.9467
0.0763 3.61 4450 0.2804 0.9467
0.083 3.65 4500 0.3278 0.94
0.1111 3.69 4550 0.2899 0.9333
0.0791 3.73 4600 0.3137 0.9333
0.0837 3.77 4650 0.2799 0.9467
0.1048 3.81 4700 0.2496 0.9533
0.1031 3.86 4750 0.2689 0.9533
0.0837 3.9 4800 0.2753 0.9533
0.0929 3.94 4850 0.2357 0.9467
0.0856 3.98 4900 0.2615 0.9467
0.0619 4.02 4950 0.2983 0.9467
0.0974 4.06 5000 0.2706 0.9533
0.0548 4.1 5050 0.2978 0.9467
0.0425 4.14 5100 0.3217 0.9333
0.0808 4.18 5150 0.3054 0.94
0.0466 4.22 5200 0.3142 0.94
0.0593 4.26 5250 0.3193 0.9267
0.0551 4.3 5300 0.3017 0.9333
0.0493 4.34 5350 0.2954 0.94
0.0897 4.38 5400 0.2912 0.9467
0.0529 4.42 5450 0.2956 0.94
0.0924 4.46 5500 0.2858 0.94
0.1018 4.5 5550 0.2826 0.94
0.1137 4.55 5600 0.2711 0.94
0.0667 4.59 5650 0.2776 0.94
0.0521 4.63 5700 0.2955 0.94
0.0334 4.67 5750 0.2972 0.94
0.0298 4.71 5800 0.3133 0.94
0.1261 4.75 5850 0.2891 0.9467
0.0514 4.79 5900 0.2804 0.9467
0.0416 4.83 5950 0.2809 0.94
0.0745 4.87 6000 0.2774 0.9467
0.1134 4.91 6050 0.2715 0.9467
0.0446 4.95 6100 0.2748 0.9467
0.0581 4.99 6150 0.2770 0.9467

Framework versions

  • Transformers 4.24.0
  • Pytorch 1.13.0
  • Datasets 2.3.2
  • Tokenizers 0.13.2