metadata

license: mit
tags:
  - generated_from_trainer
datasets:
  - amazon_polarity
metrics:
  - accuracy
model-index:
  - name: amazonPolarity_roBERTa_5E
    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: 0.96

amazonPolarity_roBERTa_5E

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

Loss: 0.2201
Accuracy: 0.96

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: 32
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
0.5785	0.05	50	0.2706	0.9133
0.2731	0.11	100	0.2379	0.9267
0.2223	0.16	150	0.1731	0.92
0.1887	0.21	200	0.1672	0.9267
0.1915	0.27	250	0.2946	0.9067
0.1981	0.32	300	0.1744	0.9267
0.1617	0.37	350	0.2349	0.92
0.1919	0.43	400	0.1605	0.9333
0.1713	0.48	450	0.1626	0.94
0.1961	0.53	500	0.1555	0.9467
0.1652	0.59	550	0.1996	0.94
0.1719	0.64	600	0.1848	0.9333
0.159	0.69	650	0.1783	0.9467
0.1533	0.75	700	0.2016	0.9467
0.1749	0.8	750	0.3943	0.8733
0.1675	0.85	800	0.1948	0.9133
0.1601	0.91	850	0.2044	0.92
0.1424	0.96	900	0.1061	0.9533
0.1447	1.01	950	0.2195	0.9267
0.0997	1.07	1000	0.2102	0.9333
0.1454	1.12	1050	0.1648	0.9467
0.1326	1.17	1100	0.2774	0.9
0.1192	1.23	1150	0.1337	0.96
0.1429	1.28	1200	0.1451	0.96
0.1227	1.33	1250	0.1995	0.94
0.1343	1.39	1300	0.2115	0.92
0.1208	1.44	1350	0.1832	0.9467
0.1314	1.49	1400	0.1298	0.96
0.1069	1.55	1450	0.1778	0.94
0.126	1.6	1500	0.1205	0.9667
0.1162	1.65	1550	0.1569	0.9533
0.0961	1.71	1600	0.1865	0.9467
0.13	1.76	1650	0.1458	0.96
0.1206	1.81	1700	0.1648	0.96
0.1096	1.87	1750	0.2221	0.9333
0.1138	1.92	1800	0.1727	0.9533
0.1258	1.97	1850	0.2036	0.9467
0.1032	2.03	1900	0.1710	0.9667
0.082	2.08	1950	0.2380	0.9467
0.101	2.13	2000	0.1868	0.9533
0.0913	2.19	2050	0.2934	0.9267
0.0859	2.24	2100	0.2385	0.9333
0.1019	2.29	2150	0.1697	0.9667
0.1069	2.35	2200	0.1815	0.94
0.0805	2.4	2250	0.2185	0.9467
0.0906	2.45	2300	0.1923	0.96
0.105	2.51	2350	0.1720	0.96
0.0866	2.56	2400	0.1710	0.96
0.0821	2.61	2450	0.2267	0.9533
0.107	2.67	2500	0.2203	0.9467
0.0841	2.72	2550	0.1621	0.9533
0.0811	2.77	2600	0.1954	0.9533
0.1077	2.83	2650	0.2107	0.9533
0.0771	2.88	2700	0.2398	0.9467
0.08	2.93	2750	0.1816	0.96
0.0827	2.99	2800	0.2311	0.9467
0.1118	3.04	2850	0.1825	0.96
0.0626	3.09	2900	0.2876	0.9333
0.0733	3.14	2950	0.2045	0.9467
0.0554	3.2	3000	0.1775	0.96
0.0569	3.25	3050	0.2208	0.9467
0.0566	3.3	3100	0.2113	0.9533
0.063	3.36	3150	0.2013	0.96
0.056	3.41	3200	0.2229	0.96
0.0791	3.46	3250	0.2472	0.9467
0.0867	3.52	3300	0.1630	0.9667
0.0749	3.57	3350	0.2066	0.9533
0.0653	3.62	3400	0.2085	0.96
0.0784	3.68	3450	0.2068	0.9467
0.074	3.73	3500	0.1976	0.96
0.076	3.78	3550	0.1953	0.9533
0.0807	3.84	3600	0.2246	0.9467
0.077	3.89	3650	0.1867	0.9533
0.0771	3.94	3700	0.2035	0.9533
0.0658	4.0	3750	0.1754	0.9667
0.0711	4.05	3800	0.1977	0.9667
0.066	4.1	3850	0.1806	0.9667
0.0627	4.16	3900	0.1819	0.96
0.0671	4.21	3950	0.2247	0.9533
0.0245	4.26	4000	0.2482	0.9467
0.0372	4.32	4050	0.2201	0.96
0.0607	4.37	4100	0.2381	0.9467
0.0689	4.42	4150	0.2159	0.96
0.0383	4.48	4200	0.2278	0.9533
0.0382	4.53	4250	0.2277	0.96
0.0626	4.58	4300	0.2325	0.96
0.0595	4.64	4350	0.2315	0.96
0.0578	4.69	4400	0.2284	0.96
0.0324	4.74	4450	0.2297	0.96
0.0476	4.8	4500	0.2154	0.96
0.0309	4.85	4550	0.2258	0.96
0.0748	4.9	4600	0.2131	0.96
0.0731	4.96	4650	0.2201	0.96

Framework versions

Transformers 4.24.0
Pytorch 1.13.0
Datasets 2.6.1
Tokenizers 0.13.1