YELP_DistilBERT_5E

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

Loss: 0.1557
Accuracy: 0.9667

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
0.6211	0.03	50	0.3873	0.8933
0.3252	0.06	100	0.2181	0.92
0.2241	0.1	150	0.1850	0.94
0.2645	0.13	200	0.1514	0.9467
0.2094	0.16	250	0.1850	0.92
0.2693	0.19	300	0.1504	0.9467
0.2524	0.22	350	0.1479	0.96
0.2538	0.26	400	0.1375	0.94
0.1937	0.29	450	0.1204	0.9467
0.1692	0.32	500	0.1396	0.9533
0.1987	0.35	550	0.1151	0.94
0.207	0.38	600	0.1705	0.94
0.2135	0.42	650	0.1189	0.9467
0.1847	0.45	700	0.1315	0.9533
0.169	0.48	750	0.1407	0.9533
0.1767	0.51	800	0.1675	0.9333
0.1899	0.54	850	0.0913	0.9467
0.1641	0.58	900	0.0954	0.96
0.1765	0.61	950	0.1237	0.9467
0.1663	0.64	1000	0.1029	0.9533
0.1238	0.67	1050	0.1267	0.96
0.2087	0.7	1100	0.1111	0.96
0.1354	0.74	1150	0.0916	0.9667
0.1937	0.77	1200	0.1059	0.96
0.2216	0.8	1250	0.1049	0.9467
0.1788	0.83	1300	0.1472	0.94
0.2138	0.86	1350	0.1234	0.9467
0.1555	0.9	1400	0.1386	0.94
0.1583	0.93	1450	0.1642	0.9467
0.1525	0.96	1500	0.1571	0.94
0.2049	0.99	1550	0.1257	0.9333
0.1266	1.02	1600	0.1677	0.94
0.1282	1.06	1650	0.1307	0.9533
0.1007	1.09	1700	0.1375	0.9533
0.0991	1.12	1750	0.1513	0.9533
0.1211	1.15	1800	0.1229	0.9667
0.1833	1.18	1850	0.1105	0.9733
0.1596	1.22	1900	0.1279	0.9533
0.1172	1.25	1950	0.1124	0.96
0.1137	1.28	2000	0.1407	0.9467
0.1135	1.31	2050	0.1377	0.96
0.096	1.34	2100	0.1022	0.9667
0.1203	1.38	2150	0.1719	0.9467
0.1289	1.41	2200	0.1254	0.9667
0.1392	1.44	2250	0.1086	0.9667
0.1319	1.47	2300	0.1511	0.9467
0.1161	1.5	2350	0.1758	0.9467
0.1402	1.54	2400	0.1369	0.96
0.1433	1.57	2450	0.1495	0.9667
0.1882	1.6	2500	0.1186	0.9467
0.1474	1.63	2550	0.1249	0.9533
0.0937	1.66	2600	0.1390	0.96
0.1231	1.7	2650	0.1467	0.96
0.1485	1.73	2700	0.1602	0.9533
0.1683	1.76	2750	0.1884	0.9533
0.1141	1.79	2800	0.1634	0.96
0.1351	1.82	2850	0.1212	0.9733
0.1298	1.86	2900	0.1224	0.96
0.1616	1.89	2950	0.1241	0.96
0.1159	1.92	3000	0.1532	0.9533
0.1101	1.95	3050	0.1105	0.96
0.0779	1.98	3100	0.1334	0.9533
0.1427	2.02	3150	0.1026	0.9733
0.0673	2.05	3200	0.1231	0.96
0.0901	2.08	3250	0.1077	0.9733
0.0532	2.11	3300	0.1385	0.9467
0.0984	2.14	3350	0.1432	0.9467
0.1006	2.18	3400	0.1183	0.9667
0.067	2.21	3450	0.1533	0.9533
0.0901	2.24	3500	0.1314	0.9733
0.0644	2.27	3550	0.1354	0.9667
0.076	2.3	3600	0.1548	0.96
0.0932	2.34	3650	0.1624	0.9667
0.0777	2.37	3700	0.1878	0.9533
0.106	2.4	3750	0.1721	0.96
0.0621	2.43	3800	0.1470	0.9667
0.0919	2.46	3850	0.1478	0.96
0.091	2.5	3900	0.1371	0.9667
0.0912	2.53	3950	0.1467	0.9667
0.0775	2.56	4000	0.1289	0.9733
0.1053	2.59	4050	0.1107	0.9733
0.063	2.62	4100	0.1031	0.9733
0.0859	2.66	4150	0.0953	0.98
0.084	2.69	4200	0.1216	0.9733
0.1215	2.72	4250	0.1025	0.9733
0.0675	2.75	4300	0.0992	0.9667
0.0608	2.78	4350	0.1288	0.96
0.0965	2.82	4400	0.1179	0.9667
0.061	2.85	4450	0.1178	0.9733
0.0821	2.88	4500	0.1188	0.9733
0.0802	2.91	4550	0.1423	0.9667
0.0901	2.94	4600	0.1367	0.96
0.1069	2.98	4650	0.1118	0.9733
0.0653	3.01	4700	0.1359	0.9533
0.0577	3.04	4750	0.1046	0.9667
0.0467	3.07	4800	0.1366	0.96
0.041	3.1	4850	0.1276	0.9667
0.0585	3.13	4900	0.1426	0.9667
0.0635	3.17	4950	0.1571	0.96
0.0395	3.2	5000	0.1527	0.96
0.034	3.23	5050	0.1323	0.9667
0.0405	3.26	5100	0.1377	0.96
0.0306	3.29	5150	0.1526	0.9667
0.0471	3.33	5200	0.1419	0.9667
0.0646	3.36	5250	0.1459	0.9667
0.0508	3.39	5300	0.1312	0.9667
0.0593	3.42	5350	0.1483	0.96
0.05	3.45	5400	0.1076	0.9733
0.0559	3.49	5450	0.1412	0.9667
0.0614	3.52	5500	0.1597	0.9667
0.0691	3.55	5550	0.1656	0.96
0.0472	3.58	5600	0.1556	0.9667
0.055	3.61	5650	0.1347	0.9667
0.0564	3.65	5700	0.1424	0.96
0.0567	3.68	5750	0.1448	0.9733
0.0645	3.71	5800	0.1290	0.9667
0.0361	3.74	5850	0.1367	0.9667
0.0546	3.77	5900	0.1406	0.9667
0.043	3.81	5950	0.1337	0.96
0.0148	3.84	6000	0.1475	0.9533
0.0922	3.87	6050	0.1318	0.9733
0.0671	3.9	6100	0.1446	0.9733
0.0295	3.93	6150	0.1217	0.9733
0.0503	3.97	6200	0.1133	0.9733
0.0457	4.0	6250	0.1145	0.9733
0.0487	4.03	6300	0.1119	0.9733
0.0491	4.06	6350	0.1274	0.9667
0.0417	4.09	6400	0.1377	0.9733
0.0595	4.13	6450	0.1271	0.9733
0.035	4.16	6500	0.1183	0.9733
0.0482	4.19	6550	0.1153	0.9733
0.0196	4.22	6600	0.1388	0.9733
0.028	4.25	6650	0.1310	0.9733
0.0193	4.29	6700	0.1460	0.9667
0.0233	4.32	6750	0.1233	0.9733
0.0316	4.35	6800	0.1220	0.9667
0.0132	4.38	6850	0.1350	0.9533
0.0415	4.41	6900	0.1547	0.9667
0.0157	4.45	6950	0.1562	0.9667
0.0186	4.48	7000	0.1424	0.9667
0.0012	4.51	7050	0.1421	0.9667
0.0223	4.54	7100	0.1475	0.9733
0.0455	4.57	7150	0.1457	0.96
0.0571	4.61	7200	0.1559	0.9667
0.0305	4.64	7250	0.1614	0.9667
0.0457	4.67	7300	0.1691	0.9667
0.022	4.7	7350	0.1622	0.9667
0.0338	4.73	7400	0.1560	0.9667
0.0365	4.77	7450	0.1553	0.9667
0.025	4.8	7500	0.1512	0.9667
0.0441	4.83	7550	0.1550	0.9667
0.0363	4.86	7600	0.1564	0.9667
0.0188	4.89	7650	0.1553	0.9667
0.0427	4.93	7700	0.1572	0.9733
0.0362	4.96	7750	0.1568	0.9667
0.0115	4.99	7800	0.1557	0.9667

Framework versions

Transformers 4.24.0
Pytorch 1.13.0
Datasets 2.3.2
Tokenizers 0.13.2

Etelis/YELP_DistilBERT_5E

YELP_DistilBERT_5E

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

Seed this model