README.md

metadata

license: apache-2.0
tags:
  - generated_from_trainer
datasets:
  - imdb
metrics:
  - accuracy
model-index:
  - name: IMDB_DistilBERT_5EE
    results:
      - task:
          name: Text Classification
          type: text-classification
        dataset:
          name: imdb
          type: imdb
          config: plain_text
          split: train
          args: plain_text
        metrics:
          - name: Accuracy
            type: accuracy
            value: 0.94

IMDB_DistilBERT_5EE

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

• Loss: 0.2023
• 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
0.6748	0.03	50	0.5955	0.88
0.4404	0.06	100	0.2853	0.9
0.3065	0.1	150	0.2208	0.9
0.3083	0.13	200	0.2023	0.9333
0.2922	0.16	250	0.1530	0.94
0.2761	0.19	300	0.2035	0.9267
0.2145	0.22	350	0.2450	0.9
0.258	0.26	400	0.1680	0.9267
0.2702	0.29	450	0.1607	0.9333
0.2587	0.32	500	0.1496	0.9467
0.2822	0.35	550	0.1405	0.9333
0.2538	0.38	600	0.1396	0.9467
0.2707	0.42	650	0.1626	0.9333
0.2408	0.45	700	0.1623	0.9067
0.2531	0.48	750	0.1300	0.9467
0.2014	0.51	800	0.1529	0.9333
0.2454	0.54	850	0.1365	0.94
0.2282	0.58	900	0.1447	0.9533
0.2554	0.61	950	0.1321	0.9467
0.24	0.64	1000	0.1256	0.9467
0.2239	0.67	1050	0.1290	0.9467
0.2865	0.7	1100	0.1288	0.9667
0.2456	0.74	1150	0.1299	0.9533
0.2407	0.77	1200	0.1565	0.9267
0.2256	0.8	1250	0.1262	0.96
0.238	0.83	1300	0.1599	0.9333
0.2151	0.86	1350	0.1252	0.9333
0.187	0.9	1400	0.1132	0.9467
0.2218	0.93	1450	0.1030	0.9533
0.2371	0.96	1500	0.1036	0.9467
0.2264	0.99	1550	0.1041	0.9467
0.2159	1.02	1600	0.1338	0.9267
0.1773	1.06	1650	0.1218	0.94
0.1381	1.09	1700	0.1593	0.94
0.1582	1.12	1750	0.1445	0.9533
0.1921	1.15	1800	0.1355	0.94
0.206	1.18	1850	0.1511	0.9467
0.1679	1.22	1900	0.1394	0.94
0.1691	1.25	1950	0.1403	0.9333
0.2301	1.28	2000	0.1169	0.9467
0.1764	1.31	2050	0.1507	0.9333
0.1772	1.34	2100	0.1148	0.96
0.1749	1.38	2150	0.1203	0.94
0.1912	1.41	2200	0.1037	0.94
0.1614	1.44	2250	0.1006	0.9533
0.1975	1.47	2300	0.0985	0.9533
0.1843	1.5	2350	0.0922	0.9533
0.1764	1.54	2400	0.1259	0.9467
0.1855	1.57	2450	0.1243	0.96
0.1272	1.6	2500	0.2107	0.9267
0.241	1.63	2550	0.1142	0.9533
0.1584	1.66	2600	0.1194	0.9467
0.1568	1.7	2650	0.1196	0.9533
0.1896	1.73	2700	0.1311	0.9533
0.143	1.76	2750	0.1140	0.9533
0.227	1.79	2800	0.1482	0.9333
0.1404	1.82	2850	0.1366	0.94
0.1865	1.86	2900	0.1174	0.94
0.1659	1.89	2950	0.1189	0.94
0.1882	1.92	3000	0.1144	0.9467
0.1403	1.95	3050	0.1358	0.94
0.2193	1.98	3100	0.1092	0.9533
0.1392	2.02	3150	0.1278	0.9267
0.1292	2.05	3200	0.1186	0.96
0.0939	2.08	3250	0.1183	0.94
0.1356	2.11	3300	0.1939	0.94
0.1175	2.14	3350	0.1499	0.94
0.1285	2.18	3400	0.1538	0.94
0.1018	2.21	3450	0.1796	0.9333
0.1342	2.24	3500	0.1540	0.94
0.17	2.27	3550	0.1261	0.94
0.1548	2.3	3600	0.1375	0.9267
0.1415	2.34	3650	0.1264	0.9333
0.1096	2.37	3700	0.1252	0.9333
0.1001	2.4	3750	0.1546	0.94
0.0934	2.43	3800	0.1534	0.94
0.1287	2.46	3850	0.1735	0.9333
0.0872	2.5	3900	0.1475	0.9467
0.0994	2.53	3950	0.1735	0.9467
0.1558	2.56	4000	0.1585	0.9467
0.1517	2.59	4050	0.2021	0.9333
0.1246	2.62	4100	0.1594	0.9267
0.1228	2.66	4150	0.1338	0.9533
0.1064	2.69	4200	0.1421	0.9467
0.1466	2.72	4250	0.1383	0.9467
0.1243	2.75	4300	0.1604	0.9533
0.1434	2.78	4350	0.1736	0.9333
0.1127	2.82	4400	0.1909	0.9267
0.0908	2.85	4450	0.1958	0.9333
0.1134	2.88	4500	0.1596	0.94
0.1345	2.91	4550	0.1604	0.9533
0.1913	2.94	4600	0.1852	0.9267
0.1382	2.98	4650	0.1852	0.9333
0.1109	3.01	4700	0.1905	0.9333
0.1144	3.04	4750	0.1655	0.94
0.074	3.07	4800	0.2034	0.9333
0.0926	3.1	4850	0.1929	0.94
0.0911	3.13	4900	0.1703	0.9333
0.0933	3.17	4950	0.1826	0.9333
0.1003	3.2	5000	0.1716	0.94
0.0889	3.23	5050	0.1843	0.9267
0.0841	3.26	5100	0.1670	0.94
0.0918	3.29	5150	0.1595	0.9467
0.0795	3.33	5200	0.1504	0.96
0.0978	3.36	5250	0.1317	0.96
0.1202	3.39	5300	0.1641	0.9533
0.0935	3.42	5350	0.1473	0.96
0.0673	3.45	5400	0.1684	0.9533
0.0729	3.49	5450	0.1414	0.9533
0.077	3.52	5500	0.1669	0.9533
0.1264	3.55	5550	0.1364	0.96
0.1282	3.58	5600	0.1575	0.9467
0.0553	3.61	5650	0.1440	0.9467
0.0953	3.65	5700	0.1526	0.9533
0.0886	3.68	5750	0.1633	0.94
0.0901	3.71	5800	0.1704	0.9467
0.0986	3.74	5850	0.1674	0.94
0.0849	3.77	5900	0.1989	0.9333
0.0815	3.81	5950	0.1942	0.94
0.0973	3.84	6000	0.1611	0.94
0.0599	3.87	6050	0.1807	0.9267
0.1068	3.9	6100	0.1966	0.94
0.0889	3.93	6150	0.1979	0.9333
0.0854	3.97	6200	0.2012	0.9333
0.1207	4.0	6250	0.1983	0.9333
0.0735	4.03	6300	0.1795	0.94
0.1148	4.06	6350	0.1966	0.94
0.0725	4.09	6400	0.2290	0.94
0.0576	4.13	6450	0.1936	0.9333
0.0477	4.16	6500	0.2090	0.9333
0.0722	4.19	6550	0.1878	0.9333
0.0936	4.22	6600	0.2087	0.94
0.0715	4.25	6650	0.2040	0.94
0.0586	4.29	6700	0.1862	0.9333
0.0548	4.32	6750	0.1801	0.9267
0.0527	4.35	6800	0.1912	0.9333
0.0813	4.38	6850	0.1941	0.9333
0.0531	4.41	6900	0.1932	0.9267
0.0606	4.45	6950	0.2195	0.94
0.1213	4.48	7000	0.1975	0.9333
0.0807	4.51	7050	0.1915	0.9333
0.076	4.54	7100	0.1987	0.9333
0.0595	4.57	7150	0.2052	0.9333
0.0832	4.61	7200	0.2039	0.9333
0.0657	4.64	7250	0.2186	0.94
0.0684	4.67	7300	0.2063	0.94
0.0429	4.7	7350	0.2056	0.94
0.0531	4.73	7400	0.2139	0.94
0.0556	4.77	7450	0.2153	0.94
0.0824	4.8	7500	0.2010	0.9333
0.039	4.83	7550	0.2079	0.94
0.068	4.86	7600	0.2140	0.94
0.065	4.89	7650	0.2108	0.94
0.0359	4.93	7700	0.2058	0.94
0.0592	4.96	7750	0.2029	0.94
0.0793	4.99	7800	0.2023	0.94

Framework versions

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