vit-small_tobacco3482_kd_CEKD_t5.0_a0.9

This model is a fine-tuned version of WinKawaks/vit-small-patch16-224 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.5373
Accuracy: 0.85
Brier Loss: 0.2432
Nll: 1.1157
F1 Micro: 0.85
F1 Macro: 0.8450
Ece: 0.1621
Aurc: 0.0427

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: 128
eval_batch_size: 128
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 100

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Brier Loss	Nll	F1 Micro	F1 Macro	Ece	Aurc
No log	1.0	7	2.1036	0.215	0.8753	5.3195	0.2150	0.1264	0.2571	0.6923
No log	2.0	14	1.6952	0.405	0.7407	3.4929	0.405	0.2416	0.2907	0.4040
No log	3.0	21	1.1843	0.62	0.5633	2.0113	0.62	0.5725	0.2740	0.2014
No log	4.0	28	0.8797	0.71	0.4080	1.7043	0.7100	0.6683	0.2024	0.1125
No log	5.0	35	0.8570	0.715	0.3837	1.6476	0.715	0.7280	0.2189	0.1079
No log	6.0	42	0.7484	0.775	0.3285	1.5962	0.775	0.7668	0.1873	0.0816
No log	7.0	49	0.7337	0.79	0.3131	1.5377	0.79	0.7779	0.1904	0.0771
No log	8.0	56	0.6709	0.795	0.3012	1.2156	0.795	0.7776	0.1939	0.0761
No log	9.0	63	0.6901	0.795	0.3069	1.4725	0.795	0.7916	0.1882	0.0769
No log	10.0	70	0.7960	0.75	0.3586	1.4426	0.75	0.7406	0.1868	0.0976
No log	11.0	77	0.7489	0.77	0.3296	1.6202	0.7700	0.7794	0.2020	0.0878
No log	12.0	84	0.7068	0.785	0.3270	1.4127	0.785	0.7812	0.1922	0.0759
No log	13.0	91	0.6687	0.79	0.3050	1.3820	0.79	0.7945	0.1818	0.0625
No log	14.0	98	0.6052	0.79	0.2854	1.0602	0.79	0.7716	0.1702	0.0590
No log	15.0	105	0.6369	0.795	0.2959	1.0580	0.795	0.7953	0.1709	0.0603
No log	16.0	112	0.6204	0.81	0.2816	1.1886	0.81	0.8050	0.1657	0.0702
No log	17.0	119	0.5648	0.83	0.2475	1.2506	0.83	0.8241	0.1347	0.0612
No log	18.0	126	0.5849	0.83	0.2672	1.2245	0.83	0.8155	0.1646	0.0601
No log	19.0	133	0.5536	0.835	0.2475	1.0514	0.835	0.8254	0.1683	0.0531
No log	20.0	140	0.5689	0.835	0.2513	1.2369	0.835	0.8437	0.1722	0.0489
No log	21.0	147	0.5540	0.83	0.2485	1.2139	0.83	0.8165	0.1641	0.0608
No log	22.0	154	0.5352	0.835	0.2402	1.0108	0.835	0.8295	0.1408	0.0430
No log	23.0	161	0.5380	0.84	0.2403	1.2280	0.8400	0.8347	0.1405	0.0436
No log	24.0	168	0.5422	0.835	0.2471	1.0204	0.835	0.8324	0.1606	0.0445
No log	25.0	175	0.5342	0.85	0.2404	1.0767	0.85	0.8487	0.1469	0.0432
No log	26.0	182	0.5374	0.84	0.2429	1.0774	0.8400	0.8334	0.1420	0.0462
No log	27.0	189	0.5311	0.85	0.2395	1.0748	0.85	0.8487	0.1439	0.0446
No log	28.0	196	0.5298	0.85	0.2384	1.1337	0.85	0.8487	0.1570	0.0437
No log	29.0	203	0.5387	0.845	0.2435	1.1319	0.845	0.8424	0.1539	0.0458
No log	30.0	210	0.5361	0.85	0.2430	1.0648	0.85	0.8450	0.1679	0.0431
No log	31.0	217	0.5339	0.85	0.2413	1.0676	0.85	0.8487	0.1646	0.0428
No log	32.0	224	0.5345	0.85	0.2421	1.0709	0.85	0.8487	0.1476	0.0440
No log	33.0	231	0.5343	0.85	0.2421	1.1236	0.85	0.8450	0.1621	0.0431
No log	34.0	238	0.5353	0.845	0.2426	1.1244	0.845	0.8424	0.1710	0.0428
No log	35.0	245	0.5346	0.85	0.2423	1.0649	0.85	0.8487	0.1520	0.0440
No log	36.0	252	0.5356	0.855	0.2422	1.1241	0.855	0.8517	0.1814	0.0429
No log	37.0	259	0.5357	0.85	0.2426	1.1237	0.85	0.8450	0.1670	0.0425
No log	38.0	266	0.5356	0.845	0.2426	1.1226	0.845	0.8419	0.1607	0.0435
No log	39.0	273	0.5347	0.855	0.2420	1.0739	0.855	0.8517	0.1597	0.0427
No log	40.0	280	0.5356	0.855	0.2423	1.1203	0.855	0.8517	0.1676	0.0435
No log	41.0	287	0.5365	0.85	0.2431	1.1199	0.85	0.8450	0.1780	0.0429
No log	42.0	294	0.5356	0.85	0.2426	1.1173	0.85	0.8450	0.1653	0.0430
No log	43.0	301	0.5363	0.85	0.2428	1.1189	0.85	0.8450	0.1550	0.0435
No log	44.0	308	0.5345	0.85	0.2418	1.1193	0.85	0.8450	0.1590	0.0428
No log	45.0	315	0.5374	0.85	0.2435	1.1202	0.85	0.8450	0.1633	0.0435
No log	46.0	322	0.5355	0.85	0.2423	1.1183	0.85	0.8450	0.1564	0.0428
No log	47.0	329	0.5354	0.85	0.2425	1.1176	0.85	0.8450	0.1509	0.0429
No log	48.0	336	0.5369	0.85	0.2433	1.1177	0.85	0.8450	0.1517	0.0432
No log	49.0	343	0.5361	0.85	0.2428	1.1182	0.85	0.8450	0.1490	0.0428
No log	50.0	350	0.5364	0.85	0.2431	1.1179	0.85	0.8450	0.1654	0.0430
No log	51.0	357	0.5365	0.85	0.2428	1.1185	0.85	0.8450	0.1729	0.0432
No log	52.0	364	0.5364	0.85	0.2430	1.1165	0.85	0.8450	0.1614	0.0429
No log	53.0	371	0.5362	0.85	0.2429	1.1167	0.85	0.8450	0.1694	0.0430
No log	54.0	378	0.5369	0.85	0.2432	1.1170	0.85	0.8450	0.1597	0.0432
No log	55.0	385	0.5368	0.85	0.2430	1.1168	0.85	0.8450	0.1670	0.0429
No log	56.0	392	0.5367	0.85	0.2430	1.1180	0.85	0.8450	0.1619	0.0430
No log	57.0	399	0.5364	0.85	0.2429	1.1163	0.85	0.8450	0.1649	0.0429
No log	58.0	406	0.5364	0.85	0.2430	1.1156	0.85	0.8450	0.1611	0.0429
No log	59.0	413	0.5365	0.85	0.2428	1.1163	0.85	0.8450	0.1591	0.0429
No log	60.0	420	0.5364	0.85	0.2429	1.1155	0.85	0.8450	0.1588	0.0429
No log	61.0	427	0.5370	0.85	0.2432	1.1158	0.85	0.8450	0.1772	0.0432
No log	62.0	434	0.5367	0.85	0.2429	1.1167	0.85	0.8450	0.1622	0.0429
No log	63.0	441	0.5362	0.85	0.2428	1.1162	0.85	0.8450	0.1503	0.0428
No log	64.0	448	0.5372	0.85	0.2433	1.1161	0.85	0.8450	0.1616	0.0432
No log	65.0	455	0.5371	0.85	0.2431	1.1162	0.85	0.8450	0.1499	0.0429
No log	66.0	462	0.5367	0.85	0.2430	1.1160	0.85	0.8450	0.1591	0.0427
No log	67.0	469	0.5367	0.85	0.2430	1.1164	0.85	0.8450	0.1562	0.0428
No log	68.0	476	0.5368	0.85	0.2430	1.1168	0.85	0.8450	0.1556	0.0427
No log	69.0	483	0.5368	0.85	0.2431	1.1158	0.85	0.8450	0.1593	0.0428
No log	70.0	490	0.5372	0.85	0.2432	1.1162	0.85	0.8450	0.1628	0.0428
No log	71.0	497	0.5371	0.85	0.2432	1.1163	0.85	0.8450	0.1599	0.0429
0.1708	72.0	504	0.5370	0.85	0.2430	1.1161	0.85	0.8450	0.1559	0.0430
0.1708	73.0	511	0.5372	0.85	0.2433	1.1154	0.85	0.8450	0.1556	0.0428
0.1708	74.0	518	0.5370	0.85	0.2429	1.1165	0.85	0.8450	0.1540	0.0428
0.1708	75.0	525	0.5371	0.85	0.2431	1.1161	0.85	0.8450	0.1616	0.0427
0.1708	76.0	532	0.5369	0.85	0.2431	1.1161	0.85	0.8450	0.1619	0.0427
0.1708	77.0	539	0.5369	0.85	0.2430	1.1156	0.85	0.8450	0.1623	0.0429
0.1708	78.0	546	0.5372	0.85	0.2432	1.1158	0.85	0.8450	0.1619	0.0427
0.1708	79.0	553	0.5375	0.85	0.2433	1.1162	0.85	0.8450	0.1688	0.0429
0.1708	80.0	560	0.5372	0.85	0.2432	1.1160	0.85	0.8450	0.1623	0.0429
0.1708	81.0	567	0.5373	0.85	0.2432	1.1162	0.85	0.8450	0.1620	0.0428
0.1708	82.0	574	0.5374	0.85	0.2433	1.1160	0.85	0.8450	0.1622	0.0428
0.1708	83.0	581	0.5372	0.85	0.2432	1.1159	0.85	0.8450	0.1622	0.0428
0.1708	84.0	588	0.5371	0.85	0.2431	1.1157	0.85	0.8450	0.1621	0.0427
0.1708	85.0	595	0.5372	0.85	0.2432	1.1158	0.85	0.8450	0.1687	0.0426
0.1708	86.0	602	0.5372	0.85	0.2432	1.1157	0.85	0.8450	0.1619	0.0426
0.1708	87.0	609	0.5374	0.85	0.2432	1.1159	0.85	0.8450	0.1687	0.0428
0.1708	88.0	616	0.5373	0.85	0.2432	1.1160	0.85	0.8450	0.1620	0.0427
0.1708	89.0	623	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1620	0.0427
0.1708	90.0	630	0.5373	0.85	0.2432	1.1156	0.85	0.8450	0.1620	0.0427
0.1708	91.0	637	0.5372	0.85	0.2432	1.1156	0.85	0.8450	0.1620	0.0427
0.1708	92.0	644	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1620	0.0427
0.1708	93.0	651	0.5372	0.85	0.2432	1.1156	0.85	0.8450	0.1620	0.0427
0.1708	94.0	658	0.5373	0.85	0.2432	1.1158	0.85	0.8450	0.1620	0.0427
0.1708	95.0	665	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1621	0.0427
0.1708	96.0	672	0.5372	0.85	0.2432	1.1157	0.85	0.8450	0.1621	0.0427
0.1708	97.0	679	0.5372	0.85	0.2432	1.1157	0.85	0.8450	0.1620	0.0427
0.1708	98.0	686	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1621	0.0427
0.1708	99.0	693	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1621	0.0427
0.1708	100.0	700	0.5373	0.85	0.2432	1.1157	0.85	0.8450	0.1621	0.0427

Framework versions

Transformers 4.26.1
Pytorch 1.13.1.post200
Datasets 2.9.0
Tokenizers 0.13.2

jordyvl/vit-small_tobacco3482_kd_CEKD_t5.0_a0.9

vit-small_tobacco3482_kd_CEKD_t5.0_a0.9

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions