vit-tiny_rvl_cdip_100_examples_per_class_kd_CEKD_t5.0_a0.7

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

Loss: 1.6224
Accuracy: 0.555
Brier Loss: 0.5813
Nll: 2.4451
F1 Micro: 0.555
F1 Macro: 0.5481
Ece: 0.1732
Aurc: 0.2090

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	4.2974	0.04	1.0725	7.3803	0.04	0.0315	0.2825	0.9545
No log	2.0	14	3.3036	0.095	0.9476	5.7516	0.095	0.0792	0.1590	0.8944
No log	3.0	21	2.9979	0.215	0.8918	5.3309	0.2150	0.1763	0.1514	0.6635
No log	4.0	28	2.5846	0.2875	0.7979	3.5812	0.2875	0.2707	0.1619	0.4840
No log	5.0	35	2.2908	0.3925	0.7162	3.1082	0.3925	0.3675	0.1724	0.3500
No log	6.0	42	2.1582	0.4275	0.6903	3.3486	0.4275	0.3933	0.1723	0.3106
No log	7.0	49	2.1910	0.445	0.7011	2.9994	0.445	0.4233	0.1889	0.3105
No log	8.0	56	2.0287	0.485	0.6673	2.8482	0.485	0.4803	0.1781	0.2848
No log	9.0	63	2.1037	0.4775	0.6684	2.8143	0.4775	0.4715	0.2010	0.2690
No log	10.0	70	2.1168	0.4825	0.6846	2.8143	0.4825	0.4703	0.2082	0.2818
No log	11.0	77	2.1094	0.495	0.6825	2.9020	0.495	0.4834	0.1990	0.2632
No log	12.0	84	2.0835	0.48	0.6897	2.7522	0.48	0.4651	0.2261	0.2741
No log	13.0	91	1.9606	0.505	0.6631	2.4794	0.505	0.4988	0.2034	0.2712
No log	14.0	98	1.9519	0.4975	0.6567	2.7608	0.4975	0.4833	0.2042	0.2563
No log	15.0	105	1.8794	0.52	0.6304	2.6588	0.52	0.5121	0.1814	0.2337
No log	16.0	112	1.7934	0.5375	0.6191	2.5142	0.5375	0.5234	0.1853	0.2272
No log	17.0	119	1.8110	0.5225	0.6242	2.5106	0.5225	0.5071	0.1918	0.2336
No log	18.0	126	1.8027	0.515	0.6283	2.4142	0.515	0.4983	0.2020	0.2359
No log	19.0	133	1.8123	0.5375	0.6318	2.5551	0.5375	0.5235	0.2132	0.2358
No log	20.0	140	1.7937	0.5225	0.6292	2.5237	0.5225	0.5145	0.2070	0.2336
No log	21.0	147	1.7272	0.5175	0.6046	2.4278	0.5175	0.5103	0.1806	0.2286
No log	22.0	154	1.8337	0.5325	0.6396	2.5603	0.5325	0.5136	0.1884	0.2405
No log	23.0	161	1.7416	0.5275	0.6102	2.5228	0.5275	0.5077	0.1784	0.2232
No log	24.0	168	1.7036	0.55	0.6063	2.4933	0.55	0.5380	0.1776	0.2230
No log	25.0	175	1.7330	0.545	0.6084	2.4943	0.545	0.5365	0.1989	0.2251
No log	26.0	182	1.6911	0.55	0.5993	2.4401	0.55	0.5416	0.1792	0.2208
No log	27.0	189	1.7329	0.5475	0.6162	2.4824	0.5475	0.5380	0.1830	0.2317
No log	28.0	196	1.6890	0.5475	0.5992	2.4828	0.5475	0.5401	0.1725	0.2178
No log	29.0	203	1.7256	0.5425	0.6124	2.5121	0.5425	0.5299	0.1765	0.2260
No log	30.0	210	1.6854	0.5375	0.5952	2.4275	0.5375	0.5282	0.2015	0.2163
No log	31.0	217	1.7010	0.5475	0.6030	2.4832	0.5475	0.5385	0.1862	0.2236
No log	32.0	224	1.6840	0.535	0.5934	2.4512	0.535	0.5310	0.1794	0.2182
No log	33.0	231	1.6808	0.545	0.6016	2.4424	0.545	0.5396	0.1828	0.2222
No log	34.0	238	1.6965	0.535	0.6000	2.5453	0.535	0.5270	0.1846	0.2243
No log	35.0	245	1.6650	0.545	0.5930	2.4901	0.545	0.5418	0.1706	0.2130
No log	36.0	252	1.6494	0.54	0.5979	2.4011	0.54	0.5319	0.1731	0.2201
No log	37.0	259	1.6738	0.54	0.5892	2.4632	0.54	0.5257	0.1781	0.2088
No log	38.0	266	1.6502	0.55	0.5889	2.4733	0.55	0.5416	0.1957	0.2087
No log	39.0	273	1.6539	0.55	0.5832	2.5105	0.55	0.5424	0.1584	0.2120
No log	40.0	280	1.6399	0.545	0.5919	2.4450	0.545	0.5439	0.1877	0.2168
No log	41.0	287	1.6968	0.535	0.6006	2.5310	0.535	0.5281	0.1895	0.2221
No log	42.0	294	1.6430	0.5425	0.5955	2.4020	0.5425	0.5449	0.1722	0.2203
No log	43.0	301	1.6743	0.535	0.5970	2.5138	0.535	0.5239	0.1869	0.2167
No log	44.0	308	1.6544	0.5475	0.5949	2.4259	0.5475	0.5408	0.1651	0.2164
No log	45.0	315	1.6763	0.535	0.5980	2.4379	0.535	0.5249	0.1868	0.2174
No log	46.0	322	1.6509	0.525	0.5933	2.4351	0.525	0.5137	0.1861	0.2194
No log	47.0	329	1.6530	0.5475	0.5929	2.4628	0.5475	0.5419	0.1859	0.2148
No log	48.0	336	1.6410	0.555	0.5835	2.4992	0.555	0.5490	0.1805	0.2110
No log	49.0	343	1.6398	0.5525	0.5857	2.5060	0.5525	0.5409	0.1706	0.2101
No log	50.0	350	1.6343	0.5525	0.5814	2.4890	0.5525	0.5442	0.1608	0.2065
No log	51.0	357	1.6335	0.5475	0.5846	2.4407	0.5475	0.5392	0.1720	0.2109
No log	52.0	364	1.6309	0.555	0.5844	2.4944	0.555	0.5488	0.1697	0.2091
No log	53.0	371	1.6308	0.5575	0.5826	2.4815	0.5575	0.5505	0.1704	0.2080
No log	54.0	378	1.6279	0.56	0.5832	2.4741	0.56	0.5525	0.1724	0.2067
No log	55.0	385	1.6226	0.55	0.5825	2.4048	0.55	0.5425	0.1656	0.2094
No log	56.0	392	1.6141	0.555	0.5797	2.4716	0.555	0.5474	0.1813	0.2076
No log	57.0	399	1.6179	0.56	0.5760	2.4682	0.56	0.5549	0.1474	0.2030
No log	58.0	406	1.6278	0.56	0.5831	2.4758	0.56	0.5540	0.1681	0.2075
No log	59.0	413	1.6257	0.5525	0.5817	2.4462	0.5525	0.5455	0.1648	0.2084
No log	60.0	420	1.6306	0.5575	0.5861	2.5090	0.5575	0.5505	0.1687	0.2108
No log	61.0	427	1.6314	0.555	0.5821	2.5024	0.555	0.5480	0.1725	0.2092
No log	62.0	434	1.6322	0.545	0.5846	2.4694	0.545	0.5407	0.1848	0.2123
No log	63.0	441	1.6229	0.5575	0.5829	2.4413	0.5575	0.5508	0.1698	0.2098
No log	64.0	448	1.6187	0.56	0.5809	2.4420	0.56	0.5522	0.1848	0.2083
No log	65.0	455	1.6160	0.555	0.5794	2.4349	0.555	0.5506	0.1761	0.2076
No log	66.0	462	1.6254	0.55	0.5822	2.4752	0.55	0.5432	0.1629	0.2086
No log	67.0	469	1.6259	0.55	0.5839	2.4425	0.55	0.5423	0.1769	0.2113
No log	68.0	476	1.6245	0.55	0.5822	2.4382	0.55	0.5421	0.1736	0.2091
No log	69.0	483	1.6243	0.5575	0.5830	2.4422	0.5575	0.5497	0.1808	0.2094
No log	70.0	490	1.6223	0.5575	0.5810	2.4787	0.5575	0.5507	0.1556	0.2089
No log	71.0	497	1.6204	0.5575	0.5809	2.4408	0.5575	0.5515	0.1555	0.2083
0.3852	72.0	504	1.6225	0.55	0.5816	2.4404	0.55	0.5424	0.1750	0.2104
0.3852	73.0	511	1.6237	0.55	0.5822	2.4403	0.55	0.5429	0.1772	0.2107
0.3852	74.0	518	1.6220	0.55	0.5815	2.4441	0.55	0.5420	0.1649	0.2105
0.3852	75.0	525	1.6228	0.5475	0.5818	2.4736	0.5475	0.5405	0.1882	0.2109
0.3852	76.0	532	1.6224	0.5525	0.5814	2.4442	0.5525	0.5446	0.1817	0.2108
0.3852	77.0	539	1.6225	0.5525	0.5815	2.4431	0.5525	0.5448	0.1798	0.2098
0.3852	78.0	546	1.6213	0.555	0.5812	2.4417	0.555	0.5471	0.1680	0.2096
0.3852	79.0	553	1.6208	0.5575	0.5808	2.4423	0.5575	0.5501	0.1784	0.2082
0.3852	80.0	560	1.6218	0.5525	0.5811	2.4425	0.5525	0.5447	0.1683	0.2095
0.3852	81.0	567	1.6225	0.5525	0.5814	2.4429	0.5525	0.5447	0.1856	0.2098
0.3852	82.0	574	1.6222	0.5575	0.5812	2.4469	0.5575	0.5501	0.1953	0.2085
0.3852	83.0	581	1.6219	0.555	0.5811	2.4442	0.555	0.5471	0.1940	0.2093
0.3852	84.0	588	1.6220	0.555	0.5813	2.4443	0.555	0.5471	0.1867	0.2095
0.3852	85.0	595	1.6223	0.555	0.5813	2.4446	0.555	0.5471	0.1885	0.2094
0.3852	86.0	602	1.6222	0.5525	0.5812	2.4448	0.5525	0.5447	0.1749	0.2095
0.3852	87.0	609	1.6222	0.555	0.5813	2.4454	0.555	0.5481	0.1745	0.2091
0.3852	88.0	616	1.6222	0.5575	0.5813	2.4446	0.5575	0.5504	0.1767	0.2087
0.3852	89.0	623	1.6222	0.5575	0.5813	2.4445	0.5575	0.5504	0.1839	0.2087
0.3852	90.0	630	1.6221	0.555	0.5812	2.4447	0.555	0.5481	0.1814	0.2091
0.3852	91.0	637	1.6222	0.5575	0.5813	2.4446	0.5575	0.5504	0.1790	0.2087
0.3852	92.0	644	1.6222	0.555	0.5813	2.4447	0.555	0.5481	0.1755	0.2091
0.3852	93.0	651	1.6223	0.5575	0.5813	2.4446	0.5575	0.5504	0.1747	0.2087
0.3852	94.0	658	1.6223	0.5575	0.5813	2.4449	0.5575	0.5504	0.1747	0.2087
0.3852	95.0	665	1.6223	0.555	0.5813	2.4448	0.555	0.5481	0.1732	0.2090
0.3852	96.0	672	1.6224	0.555	0.5813	2.4451	0.555	0.5481	0.1720	0.2091
0.3852	97.0	679	1.6223	0.5575	0.5813	2.4451	0.5575	0.5504	0.1735	0.2088
0.3852	98.0	686	1.6223	0.5575	0.5813	2.4451	0.5575	0.5504	0.1747	0.2087
0.3852	99.0	693	1.6224	0.555	0.5813	2.4451	0.555	0.5481	0.1732	0.2090
0.3852	100.0	700	1.6224	0.555	0.5813	2.4451	0.555	0.5481	0.1732	0.2090

Framework versions

Transformers 4.26.1
Pytorch 1.13.1.post200
Datasets 2.9.0
Tokenizers 0.13.2

jordyvl/vit-tiny_rvl_cdip_100_examples_per_class_kd_CEKD_t5.0_a0.7

vit-tiny_rvl_cdip_100_examples_per_class_kd_CEKD_t5.0_a0.7

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions