ft_0202_korean

This model is a fine-tuned version of facebook/wav2vec2-xls-r-300m on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.5641
• Cer: 0.0886

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: 0.0001
• train_batch_size: 4
• eval_batch_size: 8
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_steps: 500
• num_epochs: 20
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Cer
24.8667	0.1	500	5.1486	1.0
4.7502	0.2	1000	4.8664	1.0
4.6253	0.31	1500	4.6545	1.0
4.4689	0.41	2000	4.2926	0.9784
3.5162	0.51	2500	2.6778	0.5191
2.6355	0.61	3000	2.1095	0.4424
2.2199	0.72	3500	1.7898	0.3896
2.0362	0.82	4000	1.5788	0.3551
1.8016	0.92	4500	1.4385	0.3407
1.6906	1.02	5000	1.3008	0.3072
1.5136	1.12	5500	1.1820	0.2845
1.4168	1.23	6000	1.0870	0.2673
1.3461	1.33	6500	1.0315	0.2589
1.3039	1.43	7000	0.9758	0.2438
1.2616	1.53	7500	0.9589	0.2415
1.2301	1.64	8000	0.9262	0.2275
1.1979	1.74	8500	0.8997	0.2305
1.1518	1.84	9000	0.8420	0.2183
1.0925	1.94	9500	0.8073	0.2103
1.051	2.04	10000	0.7964	0.2050
1.0025	2.15	10500	0.7683	0.2017
0.9649	2.25	11000	0.7426	0.1984
0.9574	2.35	11500	0.7213	0.1919
0.9244	2.45	12000	0.7198	0.1939
0.9334	2.56	12500	0.6958	0.1847
0.8901	2.66	13000	0.6925	0.1829
0.9049	2.76	13500	0.6862	0.1819
0.8834	2.86	14000	0.6751	0.1813
0.8691	2.97	14500	0.6659	0.1744
0.8194	3.07	15000	0.6674	0.1740
0.7972	3.17	15500	0.6612	0.1711
0.7737	3.27	16000	0.6474	0.1719
0.76	3.37	16500	0.6760	0.1687
0.7744	3.48	17000	0.6232	0.1645
0.7571	3.58	17500	0.6104	0.1607
0.753	3.68	18000	0.6099	0.1609
0.7276	3.78	18500	0.5977	0.1562
0.7388	3.89	19000	0.5798	0.1548
0.7173	3.99	19500	0.5894	0.1547
0.6796	4.09	20000	0.5873	0.1537
0.6549	4.19	20500	0.5852	0.1518
0.6534	4.29	21000	0.5859	0.1502
0.6659	4.4	21500	0.5679	0.1474
0.654	4.5	22000	0.5804	0.1490
0.6356	4.6	22500	0.5888	0.1504
0.6612	4.7	23000	0.5544	0.1436
0.6344	4.81	23500	0.5641	0.1428
0.6432	4.91	24000	0.5570	0.1417
0.6297	5.01	24500	0.5638	0.1413
0.5746	5.11	25000	0.5808	0.1435
0.5619	5.21	25500	0.5471	0.1403
0.5835	5.32	26000	0.5505	0.1417
0.5867	5.42	26500	0.5446	0.1361
0.5598	5.52	27000	0.5558	0.1358
0.5465	5.62	27500	0.5434	0.1354
0.546	5.73	28000	0.5394	0.1362
0.5527	5.83	28500	0.5289	0.1334
0.5712	5.93	29000	0.5175	0.1321
0.5308	6.03	29500	0.5279	0.1318
0.5093	6.13	30000	0.5301	0.1356
0.5129	6.24	30500	0.5252	0.1302
0.51	6.34	31000	0.5279	0.1302
0.4938	6.44	31500	0.5234	0.1281
0.5044	6.54	32000	0.5105	0.1290
0.4977	6.65	32500	0.5299	0.1262
0.5046	6.75	33000	0.5164	0.1268
0.4913	6.85	33500	0.5078	0.1260
0.4926	6.95	34000	0.5052	0.1252
0.4636	7.06	34500	0.5200	0.1236
0.4437	7.16	35000	0.5070	0.1217
0.4361	7.26	35500	0.5056	0.1238
0.456	7.36	36000	0.5038	0.1212
0.4458	7.46	36500	0.5101	0.1218
0.441	7.57	37000	0.5050	0.1211
0.4477	7.67	37500	0.5054	0.1183
0.4521	7.77	38000	0.5029	0.1179
0.4516	7.87	38500	0.5048	0.1211
0.4466	7.98	39000	0.4962	0.1187
0.4103	8.08	39500	0.5037	0.1181
0.4079	8.18	40000	0.5123	0.1188
0.3871	8.28	40500	0.5027	0.1161
0.4012	8.38	41000	0.4979	0.1165
0.4028	8.49	41500	0.5291	0.1190
0.405	8.59	42000	0.5006	0.1164
0.3916	8.69	42500	0.4994	0.1136
0.4055	8.79	43000	0.4961	0.1151
0.4098	8.9	43500	0.4934	0.1127
0.3983	9.0	44000	0.4873	0.1122
0.3618	9.1	44500	0.4981	0.1130
0.3504	9.2	45000	0.4963	0.1116
0.3507	9.3	45500	0.4998	0.1132
0.37	9.41	46000	0.4787	0.1093
0.3597	9.51	46500	0.4883	0.1095
0.3676	9.61	47000	0.4838	0.1096
0.3469	9.71	47500	0.4967	0.1103
0.3726	9.82	48000	0.4796	0.1081
0.3518	9.92	48500	0.4849	0.1093
0.3444	10.02	49000	0.4902	0.1092
0.3213	10.12	49500	0.5074	0.1082
0.3325	10.22	50000	0.5097	0.1092
0.3289	10.33	50500	0.5087	0.1090
0.3329	10.43	51000	0.5041	0.1090
0.325	10.53	51500	0.4926	0.1096
0.3286	10.63	52000	0.5094	0.1058
0.3339	10.74	52500	0.4896	0.1074
0.32	10.84	53000	0.4862	0.1069
0.3151	10.94	53500	0.4916	0.1064
0.3262	11.04	54000	0.4836	0.1049
0.2925	11.15	54500	0.4971	0.1056
0.2795	11.25	55000	0.5115	0.1059
0.2937	11.35	55500	0.5015	0.1058
0.3031	11.45	56000	0.4892	0.1039
0.3083	11.55	56500	0.5128	0.1044
0.315	11.66	57000	0.4943	0.1029
0.2962	11.76	57500	0.4978	0.1020
0.3018	11.86	58000	0.4841	0.1026
0.2905	11.96	58500	0.5011	0.1032
0.2848	12.07	59000	0.5009	0.1010
0.2618	12.17	59500	0.5169	0.1028
0.2699	12.27	60000	0.4928	0.1012
0.2825	12.37	60500	0.5010	0.1022
0.2723	12.47	61000	0.4960	0.1014
0.2754	12.58	61500	0.5003	0.1002
0.267	12.68	62000	0.4775	0.0995
0.2643	12.78	62500	0.4873	0.1003
0.2704	12.88	63000	0.5097	0.1012
0.2611	12.99	63500	0.5054	0.1009
0.2534	13.09	64000	0.5063	0.0996
0.247	13.19	64500	0.5079	0.0989
0.2358	13.29	65000	0.5029	0.0986
0.2418	13.39	65500	0.5108	0.0980
0.2536	13.5	66000	0.5140	0.0980
0.25	13.6	66500	0.4974	0.0973
0.2489	13.7	67000	0.5047	0.0969
0.2427	13.8	67500	0.5089	0.0980
0.2496	13.91	68000	0.5126	0.0980
0.2572	14.01	68500	0.5071	0.0981
0.2248	14.11	69000	0.5215	0.0985
0.2344	14.21	69500	0.5116	0.0974
0.2245	14.31	70000	0.5185	0.0966
0.2153	14.42	70500	0.5129	0.0962
0.2245	14.52	71000	0.5225	0.0964
0.2229	14.62	71500	0.5194	0.0963
0.2354	14.72	72000	0.5021	0.0957
0.2246	14.83	72500	0.5163	0.0955
0.2154	14.93	73000	0.5114	0.0945
0.2191	15.03	73500	0.5281	0.0947
0.2118	15.13	74000	0.5295	0.0939
0.2161	15.24	74500	0.5131	0.0945
0.2179	15.34	75000	0.5270	0.0946
0.2144	15.44	75500	0.5243	0.0945
0.1999	15.54	76000	0.5212	0.0930
0.213	15.64	76500	0.5365	0.0935
0.215	15.75	77000	0.5188	0.0937
0.2037	15.85	77500	0.5315	0.0936
0.2122	15.95	78000	0.5267	0.0939
0.2084	16.05	78500	0.5306	0.0919
0.1971	16.16	79000	0.5354	0.0917
0.197	16.26	79500	0.5426	0.0920
0.1988	16.36	80000	0.5382	0.0920
0.1904	16.46	80500	0.5396	0.0918
0.1987	16.56	81000	0.5523	0.0918
0.1941	16.67	81500	0.5375	0.0919
0.1879	16.77	82000	0.5460	0.0911
0.202	16.87	82500	0.5436	0.0913
0.1932	16.97	83000	0.5389	0.0910
0.1809	17.08	83500	0.5496	0.0912
0.1933	17.18	84000	0.5587	0.0916
0.1802	17.28	84500	0.5466	0.0908
0.1956	17.38	85000	0.5563	0.0907
0.1838	17.48	85500	0.5579	0.0904
0.1787	17.59	86000	0.5520	0.0905
0.1859	17.69	86500	0.5575	0.0901
0.1864	17.79	87000	0.5640	0.0909
0.1887	17.89	87500	0.5594	0.0908
0.1802	18.0	88000	0.5575	0.0905
0.1769	18.1	88500	0.5528	0.0899
0.1772	18.2	89000	0.5672	0.0894
0.1722	18.3	89500	0.5588	0.0897
0.1714	18.4	90000	0.5604	0.0898
0.1632	18.51	90500	0.5576	0.0900
0.1726	18.61	91000	0.5526	0.0897
0.167	18.71	91500	0.5652	0.0897
0.1851	18.81	92000	0.5603	0.0899
0.1766	18.92	92500	0.5605	0.0894
0.1685	19.02	93000	0.5620	0.0892
0.1732	19.12	93500	0.5679	0.0889
0.166	19.22	94000	0.5655	0.0890
0.1663	19.33	94500	0.5638	0.0892
0.1688	19.43	95000	0.5647	0.0892
0.1613	19.53	95500	0.5661	0.0890
0.1749	19.63	96000	0.5673	0.0889
0.1635	19.73	96500	0.5649	0.0887
0.1647	19.84	97000	0.5641	0.0886
0.1633	19.94	97500	0.5641	0.0886

Framework versions

• Transformers 4.36.2
• Pytorch 2.1.2+cu118
• Datasets 2.16.1
• Tokenizers 0.15.0