README.md

metadata

license: apache-2.0
tags:
  - generated_from_trainer
datasets:
  - imdb
metrics:
  - accuracy
model-index:
  - name: IMDB_ELECTRA_5E
    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: 0.9533333333333334

IMDB_ELECTRA_5E

This model is a fine-tuned version of google/electra-base-discriminator on the imdb dataset. It achieves the following results on the evaluation set:

• Loss: 0.2158
• Accuracy: 0.9533

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
0.6784	0.03	50	0.6027	0.84
0.4378	0.06	100	0.2217	0.9533
0.3063	0.1	150	0.1879	0.94
0.2183	0.13	200	0.1868	0.9333
0.2058	0.16	250	0.1548	0.9467
0.2287	0.19	300	0.1572	0.9533
0.1677	0.22	350	0.1472	0.9533
0.1997	0.26	400	0.1400	0.9533
0.1966	0.29	450	0.1592	0.9333
0.184	0.32	500	0.1529	0.96
0.2084	0.35	550	0.2136	0.9067
0.2126	0.38	600	0.1508	0.9533
0.1695	0.42	650	0.1442	0.9667
0.2506	0.45	700	0.1811	0.9467
0.1755	0.48	750	0.1336	0.96
0.1874	0.51	800	0.1403	0.9533
0.1535	0.54	850	0.1239	0.96
0.1458	0.58	900	0.1198	0.9667
0.1649	0.61	950	0.1538	0.9533
0.2014	0.64	1000	0.1196	0.9667
0.1651	0.67	1050	0.1200	0.96
0.1595	0.7	1100	0.1155	0.96
0.1787	0.74	1150	0.1175	0.96
0.1666	0.77	1200	0.1264	0.9533
0.1412	0.8	1250	0.1655	0.9533
0.1949	0.83	1300	0.1363	0.9467
0.1485	0.86	1350	0.1434	0.9667
0.1801	0.9	1400	0.1379	0.9667
0.178	0.93	1450	0.1498	0.96
0.1767	0.96	1500	0.1507	0.9533
0.1452	0.99	1550	0.1340	0.94
0.1465	1.02	1600	0.1416	0.96
0.1115	1.06	1650	0.1435	0.96
0.1212	1.09	1700	0.1379	0.96
0.1534	1.12	1750	0.1198	0.96
0.1164	1.15	1800	0.1011	0.96
0.1383	1.18	1850	0.1043	0.96
0.1415	1.22	1900	0.0914	0.9533
0.136	1.25	1950	0.1341	0.9533
0.1301	1.28	2000	0.1303	0.9533
0.1486	1.31	2050	0.1027	0.9733
0.0844	1.34	2100	0.1410	0.9667
0.1388	1.38	2150	0.1265	0.9667
0.12	1.41	2200	0.1139	0.9667
0.1329	1.44	2250	0.1259	0.9667
0.0982	1.47	2300	0.1349	0.9667
0.1271	1.5	2350	0.1176	0.9667
0.1286	1.54	2400	0.1349	0.9533
0.1079	1.57	2450	0.1335	0.96
0.1236	1.6	2500	0.1393	0.96
0.1285	1.63	2550	0.1635	0.96
0.0932	1.66	2600	0.1571	0.9533
0.1222	1.7	2650	0.1610	0.9533
0.1421	1.73	2700	0.1296	0.9533
0.1581	1.76	2750	0.1289	0.96
0.1245	1.79	2800	0.1180	0.9667
0.1196	1.82	2850	0.1371	0.96
0.1062	1.86	2900	0.1269	0.96
0.1188	1.89	2950	0.1259	0.9667
0.1183	1.92	3000	0.1164	0.9667
0.1173	1.95	3050	0.1280	0.9667
0.1344	1.98	3100	0.1439	0.96
0.1166	2.02	3150	0.1442	0.96
0.0746	2.05	3200	0.1562	0.96
0.0813	2.08	3250	0.1760	0.96
0.0991	2.11	3300	0.1485	0.9667
0.076	2.14	3350	0.1530	0.9533
0.087	2.18	3400	0.1441	0.96
0.0754	2.21	3450	0.1401	0.9667
0.0878	2.24	3500	0.1480	0.96
0.0605	2.27	3550	0.1579	0.9667
0.0424	2.3	3600	0.1897	0.9667
0.0541	2.34	3650	0.1784	0.96
0.0755	2.37	3700	0.1527	0.9733
0.1089	2.4	3750	0.1376	0.9733
0.1061	2.43	3800	0.1329	0.9667
0.0858	2.46	3850	0.1539	0.9667
0.1424	2.5	3900	0.1296	0.9667
0.0928	2.53	3950	0.1324	0.9667
0.0669	2.56	4000	0.1371	0.9667
0.0797	2.59	4050	0.1493	0.9667
0.0563	2.62	4100	0.1657	0.96
0.0579	2.66	4150	0.1799	0.9533
0.1014	2.69	4200	0.1625	0.96
0.0629	2.72	4250	0.1388	0.9733
0.1331	2.75	4300	0.1522	0.9667
0.0535	2.78	4350	0.1449	0.9667
0.1103	2.82	4400	0.1394	0.9733
0.0691	2.85	4450	0.1324	0.9733
0.0869	2.88	4500	0.1146	0.9667
0.068	2.91	4550	0.1621	0.9667
0.0854	2.94	4600	0.1995	0.96
0.0907	2.98	4650	0.1819	0.96
0.0679	3.01	4700	0.1771	0.9533
0.0632	3.04	4750	0.1388	0.9667
0.0653	3.07	4800	0.1652	0.9667
0.0305	3.1	4850	0.1474	0.9733
0.065	3.13	4900	0.1741	0.9667
0.0909	3.17	4950	0.1417	0.9733
0.0663	3.2	5000	0.1578	0.9667
0.0204	3.23	5050	0.1801	0.9667
0.0478	3.26	5100	0.1892	0.9667
0.0809	3.29	5150	0.1724	0.9667
0.0454	3.33	5200	0.2045	0.96
0.0958	3.36	5250	0.1635	0.9667
0.0258	3.39	5300	0.1831	0.9667
0.0621	3.42	5350	0.1663	0.9667
0.064	3.45	5400	0.1794	0.9667
0.0629	3.49	5450	0.1737	0.9667
0.0436	3.52	5500	0.1815	0.9667
0.0378	3.55	5550	0.1903	0.9667
0.0149	3.58	5600	0.1876	0.9667
0.0698	3.61	5650	0.1861	0.9667
0.047	3.65	5700	0.1764	0.9667
0.0739	3.68	5750	0.1510	0.9667
0.0363	3.71	5800	0.1802	0.96
0.031	3.74	5850	0.1688	0.9733
0.1034	3.77	5900	0.1764	0.9667
0.0588	3.81	5950	0.1840	0.9667
0.0433	3.84	6000	0.1743	0.9667
0.057	3.87	6050	0.1896	0.9667
0.0385	3.9	6100	0.1959	0.9667
0.0483	3.93	6150	0.1982	0.9667
0.0292	3.97	6200	0.2016	0.9667
0.0456	4.0	6250	0.1981	0.9667
0.0563	4.03	6300	0.1915	0.9667
0.0346	4.06	6350	0.1967	0.9667
0.038	4.09	6400	0.2035	0.9667
0.0341	4.13	6450	0.2356	0.96
0.0425	4.16	6500	0.1913	0.9667
0.0282	4.19	6550	0.2091	0.96
0.0543	4.22	6600	0.2311	0.9533
0.0139	4.25	6650	0.2260	0.96
0.0587	4.29	6700	0.2257	0.96
0.0446	4.32	6750	0.2439	0.9533
0.0447	4.35	6800	0.2444	0.9533
0.0199	4.38	6850	0.2327	0.96
0.0392	4.41	6900	0.2476	0.9533
0.0596	4.45	6950	0.2443	0.9533
0.0292	4.48	7000	0.2499	0.9533
0.0325	4.51	7050	0.2430	0.9533
0.0316	4.54	7100	0.2272	0.96
0.0259	4.57	7150	0.2275	0.96
0.0294	4.61	7200	0.2339	0.9533
0.0292	4.64	7250	0.2304	0.96
0.0258	4.67	7300	0.2258	0.96
0.0221	4.7	7350	0.2164	0.96
0.0407	4.73	7400	0.2212	0.96
0.0344	4.77	7450	0.2246	0.96
0.0364	4.8	7500	0.2211	0.96
0.0266	4.83	7550	0.2207	0.96
0.0419	4.86	7600	0.2199	0.9533
0.0283	4.89	7650	0.2185	0.96
0.0193	4.93	7700	0.2173	0.96
0.022	4.96	7750	0.2157	0.9533
0.0517	4.99	7800	0.2158	0.9533

Framework versions

• Transformers 4.23.1
• Pytorch 1.13.0
• Datasets 2.6.1
• Tokenizers 0.13.1