wav2vec2-libri-train500-colab

This model is a fine-tuned version of GW12/wav2vec2-libri-train360_2-colab on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.2348
Wer: 0.1600

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: 8
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: 1000
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
0.1452	0.03	500	0.2791	0.1920
0.1544	0.05	1000	0.2897	0.1980
0.1654	0.08	1500	0.3320	0.2121
0.1807	0.11	2000	0.3317	0.2182
0.1697	0.13	2500	0.3250	0.2124
0.1761	0.16	3000	0.3158	0.2102
0.1697	0.19	3500	0.3335	0.2114
0.169	0.22	4000	0.3160	0.2168
0.1715	0.24	4500	0.2950	0.2105
0.1666	0.27	5000	0.2936	0.2079
0.1734	0.3	5500	0.3106	0.2098
0.1664	0.32	6000	0.2997	0.2048
0.1688	0.35	6500	0.3352	0.2123
0.1641	0.38	7000	0.3181	0.2069
0.1709	0.4	7500	0.2950	0.2049
0.1601	0.43	8000	0.2976	0.2041
0.1616	0.46	8500	0.3217	0.2051
0.158	0.48	9000	0.3133	0.2110
0.1635	0.51	9500	0.3158	0.2081
0.1555	0.54	10000	0.3234	0.2130
0.166	0.56	10500	0.3494	0.2183
0.1606	0.59	11000	0.2910	0.2020
0.1607	0.62	11500	0.3231	0.2103
0.1629	0.65	12000	0.2999	0.2048
0.1604	0.67	12500	0.3150	0.2029
0.1555	0.7	13000	0.3163	0.2062
0.1577	0.73	13500	0.3695	0.2138
0.1609	0.75	14000	0.3334	0.2048
0.155	0.78	14500	0.2887	0.2004
0.1549	0.81	15000	0.3375	0.2069
0.1537	0.83	15500	0.2979	0.2038
0.1515	0.86	16000	0.2683	0.1984
0.1548	0.89	16500	0.2873	0.2016
0.152	0.91	17000	0.3142	0.2010
0.1501	0.94	17500	0.2751	0.1963
0.1511	0.97	18000	0.2951	0.1988
0.1465	1.0	18500	0.2909	0.1969
0.1333	1.02	19000	0.2910	0.1951
0.1289	1.05	19500	0.3146	0.1931
0.1283	1.08	20000	0.2859	0.1916
0.1306	1.1	20500	0.2870	0.1923
0.131	1.13	21000	0.2864	0.1929
0.1268	1.16	21500	0.2850	0.1929
0.1298	1.18	22000	0.2780	0.1908
0.1253	1.21	22500	0.2775	0.1924
0.1285	1.24	23000	0.3637	0.2051
0.1238	1.26	23500	0.2821	0.1914
0.13	1.29	24000	0.3083	0.1954
0.1333	1.32	24500	0.3033	0.1937
0.1281	1.35	25000	0.2995	0.1947
0.122	1.37	25500	0.3041	0.1935
0.127	1.4	26000	0.3235	0.1976
0.1254	1.43	26500	0.3084	0.1917
0.128	1.45	27000	0.3172	0.1952
0.1212	1.48	27500	0.2766	0.1898
0.1248	1.51	28000	0.2936	0.1905
0.1225	1.53	28500	0.2746	0.1872
0.1245	1.56	29000	0.2790	0.1886
0.1278	1.59	29500	0.2785	0.1895
0.1251	1.61	30000	0.2583	0.1867
0.1186	1.64	30500	0.2899	0.1894
0.1244	1.67	31000	0.2671	0.1850
0.1221	1.69	31500	0.2681	0.1877
0.1202	1.72	32000	0.2763	0.1893
0.1275	1.75	32500	0.2701	0.1880
0.1221	1.78	33000	0.2593	0.1855
0.1214	1.8	33500	0.2548	0.1819
0.1247	1.83	34000	0.2758	0.1856
0.1216	1.86	34500	0.2635	0.1878
0.1185	1.88	35000	0.2645	0.1824
0.1193	1.91	35500	0.2583	0.1830
0.1192	1.94	36000	0.2548	0.1828
0.1168	1.96	36500	0.2534	0.1849
0.1195	1.99	37000	0.2717	0.1888
0.1174	2.02	37500	0.2632	0.1843
0.1005	2.04	38000	0.2620	0.1852
0.1021	2.07	38500	0.2776	0.1837
0.0989	2.1	39000	0.2785	0.1830
0.098	2.13	39500	0.2670	0.1822
0.1018	2.15	40000	0.2623	0.1795
0.1029	2.18	40500	0.2639	0.1800
0.1082	2.21	41000	0.2699	0.1807
0.1101	2.23	41500	0.2800	0.1847
0.1021	2.26	42000	0.2768	0.1839
0.1029	2.29	42500	0.2942	0.1844
0.1027	2.31	43000	0.3192	0.1859
0.1024	2.34	43500	0.3340	0.1874
0.1031	2.37	44000	0.2795	0.1830
0.1012	2.39	44500	0.2775	0.1830
0.1003	2.42	45000	0.2723	0.1838
0.0961	2.45	45500	0.2869	0.1878
0.1038	2.47	46000	0.2918	0.1840
0.0984	2.5	46500	0.2986	0.1844
0.0965	2.53	47000	0.2746	0.1826
0.0963	2.56	47500	0.2885	0.1844
0.097	2.58	48000	0.2803	0.1821
0.0992	2.61	48500	0.2800	0.1797
0.0941	2.64	49000	0.2614	0.1789
0.1064	2.66	49500	0.2454	0.1784
0.0981	2.69	50000	0.2455	0.1769
0.0984	2.72	50500	0.2692	0.1799
0.0982	2.74	51000	0.2425	0.1783
0.0984	2.77	51500	0.2459	0.1763
0.0985	2.8	52000	0.2561	0.1771
0.0984	2.82	52500	0.2516	0.1754
0.098	2.85	53000	0.2452	0.1754
0.0931	2.88	53500	0.2487	0.1771
0.0985	2.91	54000	0.2424	0.1746
0.0923	2.93	54500	0.2479	0.1734
0.0986	2.96	55000	0.2488	0.1756
0.0936	2.99	55500	0.2400	0.1745
0.087	3.01	56000	0.2444	0.1735
0.0817	3.04	56500	0.2434	0.1730
0.0806	3.07	57000	0.2526	0.1756
0.0774	3.09	57500	0.2596	0.1742
0.0827	3.12	58000	0.2394	0.1728
0.0832	3.15	58500	0.2499	0.1722
0.0886	3.17	59000	0.2841	0.1780
0.0817	3.2	59500	0.2702	0.1786
0.0881	3.23	60000	0.2594	0.1763
0.0809	3.26	60500	0.2565	0.1747
0.087	3.28	61000	0.2543	0.1730
0.0861	3.31	61500	0.2639	0.1760
0.085	3.34	62000	0.2565	0.1727
0.078	3.36	62500	0.2595	0.1712
0.081	3.39	63000	0.2508	0.1746
0.0824	3.42	63500	0.2525	0.1739
0.0792	3.44	64000	0.2664	0.1755
0.081	3.47	64500	0.3069	0.1901
0.0822	3.5	65000	0.2479	0.1705
0.0794	3.52	65500	0.2430	0.1732
0.0792	3.55	66000	0.2476	0.1718
0.0809	3.58	66500	0.2540	0.1714
0.0788	3.6	67000	0.2549	0.1722
0.0779	3.63	67500	0.2574	0.1724
0.0764	3.66	68000	0.2524	0.1712
0.0761	3.69	68500	0.2583	0.1712
0.0737	3.71	69000	0.2484	0.1675
0.0821	3.74	69500	0.2408	0.1669
0.0766	3.77	70000	0.2417	0.1673
0.0775	3.79	70500	0.2362	0.1676
0.0749	3.82	71000	0.2393	0.1666
0.0751	3.85	71500	0.2331	0.1667
0.0737	3.87	72000	0.2415	0.1659
0.0753	3.9	72500	0.2395	0.1680
0.0757	3.93	73000	0.2439	0.1689
0.0745	3.95	73500	0.2390	0.1668
0.0748	3.98	74000	0.2344	0.1662
0.072	4.01	74500	0.2522	0.1673
0.0673	4.04	75000	0.2469	0.1668
0.0633	4.06	75500	0.2511	0.1661
0.0625	4.09	76000	0.2428	0.1660
0.063	4.12	76500	0.2447	0.1644
0.0653	4.14	77000	0.2490	0.1647
0.0641	4.17	77500	0.2467	0.1656
0.0658	4.2	78000	0.2436	0.1641
0.0608	4.22	78500	0.2439	0.1645
0.0653	4.25	79000	0.2472	0.1653
0.0625	4.28	79500	0.2496	0.1633
0.0634	4.3	80000	0.2511	0.1654
0.061	4.33	80500	0.2445	0.1639
0.0626	4.36	81000	0.2462	0.1648
0.062	4.39	81500	0.2486	0.1649
0.0625	4.41	82000	0.2473	0.1632
0.0644	4.44	82500	0.2444	0.1634
0.0603	4.47	83000	0.2456	0.1634
0.0613	4.49	83500	0.2434	0.1634
0.0648	4.52	84000	0.2399	0.1630
0.0611	4.55	84500	0.2436	0.1627
0.0625	4.57	85000	0.2408	0.1619
0.0604	4.6	85500	0.2376	0.1615
0.0624	4.63	86000	0.2380	0.1618
0.0626	4.65	86500	0.2359	0.1617
0.0614	4.68	87000	0.2332	0.1610
0.0618	4.71	87500	0.2342	0.1612
0.0654	4.73	88000	0.2341	0.1605
0.0603	4.76	88500	0.2347	0.1603
0.0608	4.79	89000	0.2372	0.1602
0.0608	4.82	89500	0.2357	0.1601
0.0607	4.84	90000	0.2348	0.1602
0.0601	4.87	90500	0.2366	0.1603
0.0605	4.9	91000	0.2356	0.1599
0.0604	4.92	91500	0.2353	0.1597
0.0616	4.95	92000	0.2337	0.1598
0.0572	4.98	92500	0.2348	0.1600

Framework versions

Transformers 4.24.0
Pytorch 1.12.1
Datasets 2.6.1
Tokenizers 0.11.0

GW12/wav2vec2-libri-train500-colab

wav2vec2-libri-train500-colab

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions