Hugging Face's logo

r-sharma-coder
/
hubert-large-ll60k-librispeech-multi-gpu

Automatic Speech Recognition
Transformers
Safetensors
hubert
macabdul9/librispeech-hubert-discrete-tokens
Generated from Trainer
Inference Endpoints
Model card Files Community
hubert-large-ll60k-librispeech-multi-gpu / README.md
r-sharma-coder's picture
r-sharma-coder
Model save
5d50a79 verified
preview code
|
raw
history blame
No virus
10.2 kB
metadata
license: apache-2.0
base_model: facebook/hubert-large-ll60k
tags:
  - generated_from_trainer
metrics:
  - wer
model-index:
  - name: hubert-large-ll60k-librispeech-multi-gpu
    results: []

hubert-large-ll60k-librispeech-multi-gpu

This model is a fine-tuned version of facebook/hubert-large-ll60k on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0616
  • Wer: 0.0460

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: 0.0003
  • train_batch_size: 2
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 4
  • total_train_batch_size: 8
  • total_eval_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 500
  • num_epochs: 4.0

Training results

Training Loss Epoch Step Validation Loss Wer
2.9692 0.03 100 2.9336 1.0
2.7936 0.06 200 2.8514 1.0
0.8892 0.08 300 0.7173 0.5438
0.4725 0.11 400 0.4293 0.3818
0.5347 0.14 500 0.3474 0.3284
0.3143 0.17 600 0.2966 0.2852
0.4144 0.2 700 0.2498 0.2383
0.516 0.22 800 0.2156 0.2174
0.2537 0.25 900 0.1810 0.1877
0.3008 0.28 1000 0.1699 0.1737
0.3078 0.31 1100 0.1485 0.1600
0.2922 0.34 1200 0.1444 0.1448
0.2303 0.36 1300 0.1319 0.1334
0.1858 0.39 1400 0.1286 0.1353
0.0837 0.42 1500 0.1162 0.1262
0.177 0.45 1600 0.1097 0.1100
0.3476 0.48 1700 0.1140 0.1114
0.2538 0.5 1800 0.1118 0.1086
0.1296 0.53 1900 0.1052 0.1016
0.3905 0.56 2000 0.1034 0.0950
0.2085 0.59 2100 0.1001 0.1003
0.3563 0.62 2200 0.0974 0.0958
0.1258 0.64 2300 0.1067 0.1018
0.0972 0.67 2400 0.0938 0.0930
0.2588 0.7 2500 0.0913 0.0861
0.2066 0.73 2600 0.0946 0.0902
0.1706 0.76 2700 0.0944 0.0956
0.1129 0.78 2800 0.0918 0.0904
0.1805 0.81 2900 0.0913 0.0890
0.2328 0.84 3000 0.0907 0.0893
0.2699 0.87 3100 0.0918 0.0849
0.1653 0.9 3200 0.0902 0.0827
0.2637 0.92 3300 0.0873 0.0836
0.2511 0.95 3400 0.0902 0.0851
0.2053 0.98 3500 0.0907 0.0842
0.0719 1.01 3600 0.0808 0.0752
0.0633 1.04 3700 0.0874 0.0775
0.063 1.07 3800 0.0855 0.0757
0.0653 1.09 3900 0.0916 0.0766
0.0381 1.12 4000 0.0864 0.0756
0.0457 1.15 4100 0.0850 0.0761
0.0399 1.18 4200 0.0842 0.0842
0.0403 1.21 4300 0.0834 0.0754
0.0462 1.23 4400 0.0833 0.0753
0.0312 1.26 4500 0.0815 0.0731
0.0432 1.29 4600 0.0812 0.0748
0.032 1.32 4700 0.0783 0.0683
0.0502 1.35 4800 0.0786 0.0699
0.0743 1.37 4900 0.0839 0.0678
0.0229 1.4 5000 0.0771 0.0664
0.0672 1.43 5100 0.0782 0.0662
0.0758 1.46 5200 0.0808 0.0696
0.0309 1.49 5300 0.0783 0.0710
0.043 1.51 5400 0.0748 0.0682
0.076 1.54 5500 0.0778 0.0685
0.041 1.57 5600 0.0792 0.0726
0.0784 1.6 5700 0.0763 0.0639
0.097 1.63 5800 0.0751 0.0668
0.0915 1.65 5900 0.0748 0.0661
0.0511 1.68 6000 0.0767 0.0641
0.0254 1.71 6100 0.0754 0.0656
0.024 1.74 6200 0.0732 0.0657
0.041 1.77 6300 0.0713 0.0673
0.034 1.79 6400 0.0686 0.0647
0.0604 1.82 6500 0.0733 0.0658
0.0456 1.85 6600 0.0743 0.0658
0.0431 1.88 6700 0.0760 0.0637
0.1149 1.91 6800 0.0757 0.0620
0.0431 1.93 6900 0.0727 0.0618
0.0425 1.96 7000 0.0717 0.0619
0.0452 1.99 7100 0.0708 0.0637
0.0172 2.02 7200 0.0740 0.0620
0.0413 2.05 7300 0.0695 0.0628
0.018 2.07 7400 0.0749 0.0626
0.0303 2.1 7500 0.0723 0.0625
0.0196 2.13 7600 0.0741 0.0629
0.015 2.16 7700 0.0699 0.0583
0.0145 2.19 7800 0.0735 0.0602
0.0287 2.21 7900 0.0726 0.0619
0.0735 2.24 8000 0.0705 0.0576
0.0161 2.27 8100 0.0715 0.0563
0.0549 2.3 8200 0.0692 0.0563
0.0227 2.33 8300 0.0715 0.0545
0.0156 2.35 8400 0.0702 0.0536
0.045 2.38 8500 0.0672 0.0533
0.0286 2.41 8600 0.0670 0.0537
0.0176 2.44 8700 0.0693 0.0554
0.0128 2.47 8800 0.0696 0.0549
0.0279 2.49 8900 0.0685 0.0541
0.0328 2.52 9000 0.0674 0.0574
0.0416 2.55 9100 0.0674 0.0581
0.0364 2.58 9200 0.0642 0.0540
0.0223 2.61 9300 0.0686 0.0544
0.0162 2.63 9400 0.0680 0.0521
0.0392 2.66 9500 0.0646 0.0512
0.027 2.69 9600 0.0663 0.0544
0.0192 2.72 9700 0.0654 0.0529
0.0339 2.75 9800 0.0654 0.0526
0.0269 2.77 9900 0.0651 0.0545
0.0263 2.8 10000 0.0636 0.0521
0.0444 2.83 10100 0.0650 0.0520
0.0322 2.86 10200 0.0622 0.0513
0.0171 2.89 10300 0.0641 0.0516
0.0121 2.91 10400 0.0633 0.0515
0.0347 2.94 10500 0.0610 0.0518
0.0432 2.97 10600 0.0605 0.0512
0.0187 3.0 10700 0.0623 0.0501
0.0147 3.03 10800 0.0652 0.0486
0.0112 3.05 10900 0.0648 0.05
0.0146 3.08 11000 0.0638 0.0514
0.0064 3.11 11100 0.0665 0.0486
0.0223 3.14 11200 0.0654 0.0487
0.0261 3.17 11300 0.0655 0.0488
0.0144 3.2 11400 0.0638 0.0488
0.0195 3.22 11500 0.0655 0.0491
0.0091 3.25 11600 0.0648 0.0492
0.0171 3.28 11700 0.0633 0.0483
0.0538 3.31 11800 0.0654 0.0488
0.0047 3.34 11900 0.0625 0.0490
0.015 3.36 12000 0.0634 0.0476
0.0323 3.39 12100 0.0655 0.0494
0.0173 3.42 12200 0.0637 0.0495
0.0188 3.45 12300 0.0638 0.0479
0.004 3.48 12400 0.0637 0.0459
0.022 3.5 12500 0.0637 0.0467
0.0139 3.53 12600 0.0638 0.0466
0.024 3.56 12700 0.0633 0.0467
0.0047 3.59 12800 0.0650 0.0468
0.0099 3.62 12900 0.0636 0.0476
0.0418 3.64 13000 0.0631 0.0473
0.0298 3.67 13100 0.0620 0.0476
0.0382 3.7 13200 0.0617 0.0468
0.0281 3.73 13300 0.0619 0.0464
0.0256 3.76 13400 0.0621 0.0463
0.0024 3.78 13500 0.0612 0.0463
0.0107 3.81 13600 0.0611 0.0456
0.0084 3.84 13700 0.0613 0.0456
0.0039 3.87 13800 0.0614 0.0463
0.0032 3.9 13900 0.0611 0.0461
0.0043 3.92 14000 0.0614 0.0458
0.0073 3.95 14100 0.0615 0.0460
0.0145 3.98 14200 0.0616 0.0460

Framework versions

  • Transformers 4.39.0.dev0
  • Pytorch 2.2.1
  • Datasets 2.18.0
  • Tokenizers 0.15.1