Hugging Face's logo

pig4431
/
amazonPolarity_DistilBERT_5E

Text Classification Transformers PyTorch
distilbert generated_from_trainer Eval Results Inference Endpoints
Model card Files Community
1
amazonPolarity_DistilBERT_5E / README.md
pig4431's picture
pig4431
update model card README.md
18f5ff1
preview code
|
raw history blame contribute delete
No virus
13.2 kB
metadata
license: apache-2.0
tags:
  - generated_from_trainer
datasets:
  - amazon_polarity
metrics:
  - accuracy
model-index:
  - name: amazonPolarity_DistilBERT_5EE
    results:
      - task:
          name: Text Classification
          type: text-classification
        dataset:
          name: amazon_polarity
          type: amazon_polarity
          config: amazon_polarity
          split: train
          args: amazon_polarity
        metrics:
          - name: Accuracy
            type: accuracy
            value: 0.94

amazonPolarity_DistilBERT_5EE

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

  • Loss: 0.2899
  • Accuracy: 0.94

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
0.6581 0.03 50 0.5315 0.84
0.4321 0.05 100 0.2897 0.8933
0.298 0.08 150 0.3165 0.8667
0.2902 0.11 200 0.2552 0.9067
0.2824 0.13 250 0.2277 0.9133
0.2522 0.16 300 0.1998 0.94
0.2781 0.19 350 0.1933 0.94
0.2668 0.21 400 0.2316 0.92
0.2619 0.24 450 0.1968 0.9333
0.2446 0.27 500 0.1846 0.9467
0.2677 0.29 550 0.1818 0.94
0.2026 0.32 600 0.2348 0.9133
0.2351 0.35 650 0.2127 0.92
0.2685 0.37 700 0.1792 0.94
0.2141 0.4 750 0.2252 0.9133
0.2193 0.43 800 0.2131 0.9267
0.2456 0.45 850 0.2205 0.9133
0.2548 0.48 900 0.1788 0.94
0.2353 0.51 950 0.1954 0.9267
0.2546 0.53 1000 0.1815 0.9333
0.2583 0.56 1050 0.1654 0.9333
0.219 0.59 1100 0.1760 0.9467
0.2241 0.61 1150 0.2107 0.92
0.2201 0.64 1200 0.2381 0.8933
0.1745 0.67 1250 0.1944 0.92
0.2698 0.69 1300 0.1971 0.9267
0.214 0.72 1350 0.1944 0.9333
0.2436 0.75 1400 0.2079 0.92
0.2318 0.77 1450 0.2088 0.9333
0.2206 0.8 1500 0.1875 0.94
0.2593 0.83 1550 0.1797 0.9267
0.1908 0.85 1600 0.1924 0.9333
0.2378 0.88 1650 0.1649 0.9267
0.2332 0.91 1700 0.1768 0.94
0.2125 0.93 1750 0.2276 0.92
0.2174 0.96 1800 0.2035 0.9333
0.19 0.99 1850 0.1805 0.94
0.1515 1.01 1900 0.1832 0.94
0.1671 1.04 1950 0.1902 0.94
0.171 1.07 2000 0.2468 0.9267
0.1495 1.09 2050 0.2276 0.9267
0.1535 1.12 2100 0.1926 0.94
0.2085 1.15 2150 0.1878 0.94
0.1395 1.17 2200 0.1795 0.9467
0.1556 1.2 2250 0.1554 0.9467
0.1273 1.23 2300 0.1707 0.94
0.1873 1.25 2350 0.1867 0.9467
0.1589 1.28 2400 0.2089 0.9333
0.1426 1.31 2450 0.1797 0.9467
0.149 1.33 2500 0.1991 0.9333
0.1535 1.36 2550 0.2116 0.94
0.1671 1.39 2600 0.1704 0.9467
0.1582 1.41 2650 0.1843 0.94
0.1393 1.44 2700 0.1831 0.94
0.1474 1.47 2750 0.1895 0.94
0.203 1.49 2800 0.1843 0.9467
0.1562 1.52 2850 0.2060 0.9467
0.1886 1.55 2900 0.1837 0.94
0.1332 1.57 2950 0.1920 0.9467
0.1519 1.6 3000 0.1789 0.9533
0.1354 1.63 3050 0.1974 0.9467
0.125 1.65 3100 0.1890 0.9533
0.2044 1.68 3150 0.1755 0.9533
0.1746 1.71 3200 0.1607 0.9467
0.1981 1.73 3250 0.1613 0.9533
0.1276 1.76 3300 0.1825 0.96
0.1935 1.79 3350 0.1707 0.9533
0.1848 1.81 3400 0.1697 0.96
0.1596 1.84 3450 0.1581 0.9667
0.1797 1.87 3500 0.1634 0.96
0.1493 1.89 3550 0.1614 0.9533
0.1703 1.92 3600 0.1673 0.9467
0.1951 1.95 3650 0.1589 0.9533
0.1582 1.97 3700 0.1761 0.9467
0.1974 2.0 3750 0.1918 0.94
0.1056 2.03 3800 0.2063 0.94
0.1109 2.05 3850 0.2031 0.9467
0.113 2.08 3900 0.2118 0.9467
0.0834 2.11 3950 0.1974 0.9533
0.1434 2.13 4000 0.2075 0.9533
0.0691 2.16 4050 0.2178 0.9533
0.1144 2.19 4100 0.2383 0.9467
0.1446 2.21 4150 0.2207 0.9533
0.172 2.24 4200 0.2034 0.9467
0.1026 2.27 4250 0.2048 0.9467
0.1131 2.29 4300 0.2334 0.9467
0.121 2.32 4350 0.2367 0.9333
0.1144 2.35 4400 0.2313 0.9467
0.1089 2.37 4450 0.2352 0.9533
0.1193 2.4 4500 0.2440 0.94
0.0689 2.43 4550 0.2379 0.9333
0.1799 2.45 4600 0.2354 0.9467
0.1068 2.48 4650 0.2158 0.9533
0.0974 2.51 4700 0.2456 0.94
0.0637 2.53 4750 0.2191 0.9333
0.1125 2.56 4800 0.2390 0.9467
0.1706 2.59 4850 0.2407 0.94
0.1533 2.61 4900 0.2242 0.9533
0.1357 2.64 4950 0.2119 0.9533
0.1342 2.67 5000 0.2268 0.9467
0.0796 2.69 5050 0.2450 0.9467
0.1351 2.72 5100 0.2499 0.94
0.1285 2.75 5150 0.2252 0.94
0.1563 2.77 5200 0.2191 0.94
0.1022 2.8 5250 0.2256 0.9533
0.11 2.83 5300 0.2365 0.9467
0.0926 2.85 5350 0.2206 0.9467
0.1043 2.88 5400 0.2018 0.9533
0.1041 2.91 5450 0.2268 0.9467
0.1232 2.93 5500 0.2164 0.9467
0.1537 2.96 5550 0.1956 0.9533
0.1188 2.99 5600 0.2126 0.9467
0.0749 3.01 5650 0.2249 0.9467
0.062 3.04 5700 0.2254 0.9467
0.0755 3.07 5750 0.2472 0.94
0.0866 3.09 5800 0.2569 0.94
0.0502 3.12 5850 0.2481 0.9467
0.1158 3.15 5900 0.2457 0.94
0.0413 3.17 5950 0.2500 0.94
0.0966 3.2 6000 0.2851 0.9333
0.0613 3.23 6050 0.2717 0.9467
0.1029 3.25 6100 0.2714 0.94
0.0833 3.28 6150 0.2683 0.94
0.0928 3.31 6200 0.2490 0.9467
0.0571 3.33 6250 0.2575 0.9533
0.1252 3.36 6300 0.2599 0.9467
0.0788 3.39 6350 0.2522 0.9467
0.0862 3.41 6400 0.2489 0.9533
0.112 3.44 6450 0.2452 0.9533
0.0868 3.47 6500 0.2438 0.9533
0.0979 3.49 6550 0.2474 0.94
0.0739 3.52 6600 0.2508 0.94
0.0786 3.55 6650 0.2621 0.94
0.0872 3.57 6700 0.2543 0.9333
0.0962 3.6 6750 0.2347 0.9467
0.124 3.63 6800 0.2319 0.9533
0.0747 3.65 6850 0.2448 0.9533
0.0591 3.68 6900 0.2379 0.94
0.1049 3.71 6950 0.2493 0.9333
0.0772 3.73 7000 0.2429 0.94
0.071 3.76 7050 0.2558 0.94
0.1116 3.79 7100 0.2600 0.94
0.1199 3.81 7150 0.2480 0.94
0.0819 3.84 7200 0.2506 0.94
0.1054 3.87 7250 0.2431 0.94
0.09 3.89 7300 0.2582 0.9333
0.0936 3.92 7350 0.2460 0.94
0.0469 3.95 7400 0.2509 0.94
0.1101 3.97 7450 0.2545 0.9467
0.1077 4.0 7500 0.2640 0.9467
0.0777 4.03 7550 0.2709 0.94
0.0777 4.05 7600 0.2842 0.94
0.0847 4.08 7650 0.2649 0.94
0.0462 4.11 7700 0.2702 0.9467
0.0572 4.13 7750 0.2628 0.94
0.0435 4.16 7800 0.2689 0.9467
0.0566 4.19 7850 0.2727 0.9467
0.1149 4.21 7900 0.2635 0.9467
0.0557 4.24 7950 0.2665 0.9467
0.061 4.27 8000 0.2680 0.9467
0.0664 4.29 8050 0.2767 0.9467
0.0481 4.32 8100 0.2662 0.9467
0.0893 4.35 8150 0.2677 0.9467
0.0855 4.37 8200 0.2733 0.9467
0.0552 4.4 8250 0.2589 0.94
0.0469 4.43 8300 0.2733 0.94
0.0633 4.45 8350 0.2799 0.94
0.0629 4.48 8400 0.2838 0.94
0.0854 4.51 8450 0.2837 0.94
0.0596 4.53 8500 0.2808 0.94
0.0579 4.56 8550 0.2839 0.94
0.0508 4.59 8600 0.2844 0.94
0.0557 4.61 8650 0.2833 0.94
0.0383 4.64 8700 0.2878 0.94
0.0554 4.67 8750 0.2924 0.94
0.0681 4.69 8800 0.2868 0.94
0.065 4.72 8850 0.2888 0.94
0.0731 4.75 8900 0.2946 0.94
0.0638 4.77 8950 0.2886 0.94
0.043 4.8 9000 0.2867 0.94
0.0658 4.83 9050 0.2872 0.94
0.0249 4.85 9100 0.2882 0.94
0.0612 4.88 9150 0.2902 0.94
0.0271 4.91 9200 0.2890 0.94
0.0308 4.93 9250 0.2897 0.94
0.0896 4.96 9300 0.2898 0.94
0.1172 4.99 9350 0.2899 0.94

Framework versions

  • Transformers 4.24.0
  • Pytorch 1.12.1+cu113
  • Datasets 2.6.1
  • Tokenizers 0.13.1