|
|
--- |
|
|
tags: |
|
|
- generated_from_trainer |
|
|
datasets: |
|
|
- layoutlm_resume_data |
|
|
model-index: |
|
|
- name: layoutlm-funsd |
|
|
results: [] |
|
|
--- |
|
|
|
|
|
<!-- This model card has been generated automatically according to the information the Trainer had access to. You |
|
|
should probably proofread and complete it, then remove this comment. --> |
|
|
|
|
|
# layoutlm-funsd |
|
|
|
|
|
This model is a fine-tuned version of [microsoft/layoutlm-base-uncased](https://huggingface.co/microsoft/layoutlm-base-uncased) on the layoutlm_resume_data dataset. |
|
|
It achieves the following results on the evaluation set: |
|
|
- Loss: 0.0076 |
|
|
- Address: {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} |
|
|
- Email: {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} |
|
|
- Name: {'precision': 0.926829268292683, 'recall': 0.9743589743589743, 'f1': 0.9500000000000001, 'number': 39} |
|
|
- Phone: {'precision': 0.8378378378378378, 'recall': 0.8611111111111112, 'f1': 0.8493150684931507, 'number': 36} |
|
|
- Overall Precision: 0.8769 |
|
|
- Overall Recall: 0.9048 |
|
|
- Overall F1: 0.8906 |
|
|
- Overall Accuracy: 0.9989 |
|
|
|
|
|
## 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: 3e-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: 15 |
|
|
- mixed_precision_training: Native AMP |
|
|
|
|
|
### Training results |
|
|
|
|
|
| Training Loss | Epoch | Step | Validation Loss | Address | Email | Name | Phone | Overall Precision | Overall Recall | Overall F1 | Overall Accuracy | |
|
|
|:-------------:|:-----:|:----:|:---------------:|:------------------------------------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------:|:--------------------------------------------------------------------------------------------------------:|:---------------------------------------------------------------------------------------------------------:|:-----------------:|:--------------:|:----------:|:----------------:| |
|
|
| 1.9 | 1.0 | 15 | 0.2150 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 24} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 27} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 39} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 36} | 0.0 | 0.0 | 0.0 | 0.9757 | |
|
|
| 0.1382 | 2.0 | 30 | 0.0885 | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 24} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 27} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 39} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 36} | 0.0 | 0.0 | 0.0 | 0.9757 | |
|
|
| 0.0714 | 3.0 | 45 | 0.0499 | {'precision': 0.02040816326530612, 'recall': 0.041666666666666664, 'f1': 0.027397260273972598, 'number': 24} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 27} | {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 39} | {'precision': 0.6666666666666666, 'recall': 0.16666666666666666, 'f1': 0.26666666666666666, 'number': 36} | 0.1207 | 0.0556 | 0.0761 | 0.9863 | |
|
|
| 0.0469 | 4.0 | 60 | 0.0345 | {'precision': 0.14285714285714285, 'recall': 0.25, 'f1': 0.18181818181818182, 'number': 24} | {'precision': 0.875, 'recall': 0.25925925925925924, 'f1': 0.39999999999999997, 'number': 27} | {'precision': 0.34146341463414637, 'recall': 0.358974358974359, 'f1': 0.35000000000000003, 'number': 39} | {'precision': 0.5454545454545454, 'recall': 0.6666666666666666, 'f1': 0.6, 'number': 36} | 0.3778 | 0.4048 | 0.3908 | 0.9910 | |
|
|
| 0.0327 | 5.0 | 75 | 0.0232 | {'precision': 0.07692307692307693, 'recall': 0.08333333333333333, 'f1': 0.08, 'number': 24} | {'precision': 0.7, 'recall': 0.7777777777777778, 'f1': 0.7368421052631577, 'number': 27} | {'precision': 0.8333333333333334, 'recall': 0.8974358974358975, 'f1': 0.8641975308641975, 'number': 39} | {'precision': 0.5, 'recall': 0.8055555555555556, 'f1': 0.6170212765957447, 'number': 36} | 0.5577 | 0.6905 | 0.6170 | 0.9943 | |
|
|
| 0.0224 | 6.0 | 90 | 0.0168 | {'precision': 0.16, 'recall': 0.16666666666666666, 'f1': 0.16326530612244897, 'number': 24} | {'precision': 0.6363636363636364, 'recall': 0.7777777777777778, 'f1': 0.7000000000000001, 'number': 27} | {'precision': 0.875, 'recall': 0.8974358974358975, 'f1': 0.8860759493670887, 'number': 39} | {'precision': 0.5576923076923077, 'recall': 0.8055555555555556, 'f1': 0.6590909090909091, 'number': 36} | 0.5933 | 0.7063 | 0.6449 | 0.9961 | |
|
|
| 0.0163 | 7.0 | 105 | 0.0119 | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 0.7857142857142857, 'recall': 0.8148148148148148, 'f1': 0.7999999999999999, 'number': 27} | {'precision': 0.9024390243902439, 'recall': 0.9487179487179487, 'f1': 0.9249999999999999, 'number': 39} | {'precision': 0.7073170731707317, 'recall': 0.8055555555555556, 'f1': 0.7532467532467532, 'number': 36} | 0.8074 | 0.8651 | 0.8352 | 0.9981 | |
|
|
| 0.012 | 8.0 | 120 | 0.0100 | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 0.7931034482758621, 'recall': 0.8518518518518519, 'f1': 0.8214285714285715, 'number': 27} | {'precision': 0.8809523809523809, 'recall': 0.9487179487179487, 'f1': 0.9135802469135802, 'number': 39} | {'precision': 0.7948717948717948, 'recall': 0.8611111111111112, 'f1': 0.8266666666666667, 'number': 36} | 0.8296 | 0.8889 | 0.8582 | 0.9981 | |
|
|
| 0.0097 | 9.0 | 135 | 0.0093 | {'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 24} | {'precision': 0.7931034482758621, 'recall': 0.8518518518518519, 'f1': 0.8214285714285715, 'number': 27} | {'precision': 0.9024390243902439, 'recall': 0.9487179487179487, 'f1': 0.9249999999999999, 'number': 39} | {'precision': 0.6904761904761905, 'recall': 0.8055555555555556, 'f1': 0.7435897435897436, 'number': 36} | 0.8015 | 0.8651 | 0.8321 | 0.9984 | |
|
|
| 0.0077 | 10.0 | 150 | 0.0079 | {'precision': 0.88, 'recall': 0.9166666666666666, 'f1': 0.8979591836734694, 'number': 24} | {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} | {'precision': 0.925, 'recall': 0.9487179487179487, 'f1': 0.9367088607594937, 'number': 39} | {'precision': 0.7948717948717948, 'recall': 0.8611111111111112, 'f1': 0.8266666666666667, 'number': 36} | 0.8561 | 0.8968 | 0.8760 | 0.9987 | |
|
|
| 0.0069 | 11.0 | 165 | 0.0084 | {'precision': 0.7916666666666666, 'recall': 0.7916666666666666, 'f1': 0.7916666666666666, 'number': 24} | {'precision': 0.7931034482758621, 'recall': 0.8518518518518519, 'f1': 0.8214285714285715, 'number': 27} | {'precision': 0.926829268292683, 'recall': 0.9743589743589743, 'f1': 0.9500000000000001, 'number': 39} | {'precision': 0.7948717948717948, 'recall': 0.8611111111111112, 'f1': 0.8266666666666667, 'number': 36} | 0.8346 | 0.8810 | 0.8571 | 0.9986 | |
|
|
| 0.0066 | 12.0 | 180 | 0.0079 | {'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 24} | {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} | {'precision': 0.9047619047619048, 'recall': 0.9743589743589743, 'f1': 0.9382716049382716, 'number': 39} | {'precision': 0.8157894736842105, 'recall': 0.8611111111111112, 'f1': 0.8378378378378377, 'number': 36} | 0.8485 | 0.8889 | 0.8682 | 0.9986 | |
|
|
| 0.0058 | 13.0 | 195 | 0.0079 | {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} | {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} | {'precision': 0.9047619047619048, 'recall': 0.9743589743589743, 'f1': 0.9382716049382716, 'number': 39} | {'precision': 0.8378378378378378, 'recall': 0.8611111111111112, 'f1': 0.8493150684931507, 'number': 36} | 0.8561 | 0.8968 | 0.8760 | 0.9989 | |
|
|
| 0.0054 | 14.0 | 210 | 0.0077 | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} | {'precision': 0.926829268292683, 'recall': 0.9743589743589743, 'f1': 0.9500000000000001, 'number': 39} | {'precision': 0.8378378378378378, 'recall': 0.8611111111111112, 'f1': 0.8493150684931507, 'number': 36} | 0.8769 | 0.9048 | 0.8906 | 0.9989 | |
|
|
| 0.0053 | 15.0 | 225 | 0.0076 | {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} | {'precision': 0.8214285714285714, 'recall': 0.8518518518518519, 'f1': 0.8363636363636364, 'number': 27} | {'precision': 0.926829268292683, 'recall': 0.9743589743589743, 'f1': 0.9500000000000001, 'number': 39} | {'precision': 0.8378378378378378, 'recall': 0.8611111111111112, 'f1': 0.8493150684931507, 'number': 36} | 0.8769 | 0.9048 | 0.8906 | 0.9989 | |
|
|
|
|
|
|
|
|
### Framework versions |
|
|
|
|
|
- Transformers 4.28.0 |
|
|
- Pytorch 2.0.1+cu118 |
|
|
- Datasets 2.14.5 |
|
|
- Tokenizers 0.13.3 |
|
|
|
