Hugging Face's logo

pig4431
/
TweetEval_roBERTa_5E

Text Classification
Transformers
PyTorch
roberta
generated_from_trainer
Eval Results
Inference Endpoints
Model card Files Community
1
TweetEval_roBERTa_5E / README.md
pig4431's picture
pig4431
update model card README.md
d38bb4f
preview code
|
raw history blame contribute delete
No virus
9.18 kB
metadata
license: mit
tags:
  - generated_from_trainer
datasets:
  - tweet_eval
metrics:
  - accuracy
model-index:
  - name: TweetEval_roBERTa_5E
    results:
      - task:
          name: Text Classification
          type: text-classification
        dataset:
          name: tweet_eval
          type: tweet_eval
          config: sentiment
          split: train
          args: sentiment
        metrics:
          - name: Accuracy
            type: accuracy
            value: 0.9466666666666667

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