YELP_roBERTa_5E

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

Loss: 0.0995
Accuracy: 0.9867

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
0.5721	0.03	50	0.3248	0.88
0.2836	0.06	100	0.1190	0.9733
0.1793	0.1	150	0.1707	0.96
0.2196	0.13	200	0.0841	0.9733
0.2102	0.16	250	0.0634	0.9867
0.2197	0.19	300	0.0763	0.98
0.1866	0.22	350	0.0640	0.9867
0.1717	0.26	400	0.0612	0.9867
0.1443	0.29	450	0.0844	0.9733
0.1669	0.32	500	0.1297	0.9667
0.2005	0.35	550	0.0644	0.9867
0.1543	0.38	600	0.0874	0.9867
0.1345	0.42	650	0.1853	0.96
0.1664	0.45	700	0.1157	0.9667
0.1876	0.48	750	0.0474	0.9733
0.111	0.51	800	0.0645	0.98
0.1511	0.54	850	0.0432	0.9933
0.1846	0.58	900	0.0505	0.9867
0.151	0.61	950	0.0452	0.98
0.1338	0.64	1000	0.1007	0.98
0.1175	0.67	1050	0.0747	0.9867
0.1818	0.7	1100	0.0852	0.98
0.1557	0.74	1150	0.0255	0.9933
0.1487	0.77	1200	0.1266	0.9733
0.1315	0.8	1250	0.0593	0.9867
0.1059	0.83	1300	0.0697	0.9867
0.108	0.86	1350	0.0459	0.9933
0.1525	0.9	1400	0.0446	0.9933
0.1185	0.93	1450	0.0528	0.9867
0.1611	0.96	1500	0.0582	0.9867
0.1556	0.99	1550	0.0726	0.98
0.0902	1.02	1600	0.0466	0.9867
0.1535	1.06	1650	0.0850	0.9733
0.0787	1.09	1700	0.0869	0.9867
0.1019	1.12	1750	0.0984	0.98
0.1234	1.15	1800	0.0358	0.9933
0.0884	1.18	1850	0.0621	0.9867
0.0785	1.22	1900	0.0507	0.9867
0.1454	1.25	1950	0.0793	0.98
0.1035	1.28	2000	0.0501	0.9867
0.0579	1.31	2050	0.0935	0.9867
0.1215	1.34	2100	0.0079	1.0
0.0958	1.38	2150	0.0673	0.9867
0.106	1.41	2200	0.0875	0.9867
0.095	1.44	2250	0.0745	0.9867
0.0958	1.47	2300	0.0715	0.9867
0.085	1.5	2350	0.0742	0.9867
0.082	1.54	2400	0.1053	0.9733
0.1202	1.57	2450	0.0711	0.9867
0.1041	1.6	2500	0.0723	0.9867
0.1145	1.63	2550	0.0361	0.9867
0.0909	1.66	2600	0.0868	0.9867
0.1029	1.7	2650	0.0680	0.9867
0.1083	1.73	2700	0.0599	0.9867
0.0871	1.76	2750	0.0452	0.9867
0.1506	1.79	2800	0.0344	0.9933
0.0778	1.82	2850	0.0380	0.9933
0.0982	1.86	2900	0.0349	0.9933
0.1296	1.89	2950	0.0713	0.9867
0.0836	1.92	3000	0.0693	0.9867
0.0699	1.95	3050	0.1023	0.98
0.0631	1.98	3100	0.0852	0.98
0.0724	2.02	3150	0.0835	0.9867
0.0898	2.05	3200	0.0872	0.9867
0.0642	2.08	3250	0.0427	0.9933
0.0524	2.11	3300	0.0731	0.9867
0.0415	2.14	3350	0.0632	0.9867
0.0604	2.18	3400	0.0428	0.9867
0.0701	2.21	3450	0.0671	0.9867
0.0668	2.24	3500	0.0360	0.9933
0.0442	2.27	3550	0.0454	0.9933
0.0677	2.3	3600	0.0517	0.9867
0.0965	2.34	3650	0.0659	0.98
0.0781	2.37	3700	0.0732	0.9867
0.0421	2.4	3750	0.0855	0.9867
0.0674	2.43	3800	0.0813	0.9867
0.0613	2.46	3850	0.0859	0.98
0.0679	2.5	3900	0.0721	0.9867
0.0417	2.53	3950	0.0977	0.9867
0.0616	2.56	4000	0.0789	0.9867
0.0678	2.59	4050	0.0804	0.9867
0.0651	2.62	4100	0.0994	0.98
0.0714	2.66	4150	0.0744	0.98
0.034	2.69	4200	0.0679	0.9867
0.0356	2.72	4250	0.0432	0.9933
0.0813	2.75	4300	0.0483	0.9933
0.052	2.78	4350	0.0689	0.9867
0.0611	2.82	4400	0.0474	0.9867
0.0615	2.85	4450	0.0557	0.9867
0.0569	2.88	4500	0.1056	0.98
0.0352	2.91	4550	0.0443	0.9933
0.0312	2.94	4600	0.1026	0.98
0.0662	2.98	4650	0.0677	0.9867
0.0694	3.01	4700	0.0368	0.9933
0.0144	3.04	4750	0.0647	0.9867
0.0378	3.07	4800	0.0893	0.9867
0.0393	3.1	4850	0.0841	0.9867
0.0598	3.13	4900	0.0594	0.9867
0.0329	3.17	4950	0.0933	0.9867
0.036	3.2	5000	0.0974	0.9867
0.0166	3.23	5050	0.0962	0.9867
0.0189	3.26	5100	0.0827	0.9867
0.0482	3.29	5150	0.0955	0.9867
0.0105	3.33	5200	0.0745	0.9867
0.0447	3.36	5250	0.1038	0.9867
0.0495	3.39	5300	0.0684	0.9867
0.0445	3.42	5350	0.0815	0.9867
0.0006	3.45	5400	0.1012	0.9867
0.0214	3.49	5450	0.0707	0.9867
0.0289	3.52	5500	0.1000	0.9867
0.0304	3.55	5550	0.1069	0.9867
0.0339	3.58	5600	0.1079	0.9867
0.0227	3.61	5650	0.1032	0.9867
0.0626	3.65	5700	0.0978	0.9867
0.04	3.68	5750	0.0965	0.9867
0.0358	3.71	5800	0.1048	0.9867
0.0287	3.74	5850	0.0921	0.9867
0.049	3.77	5900	0.1108	0.98
0.0497	3.81	5950	0.0795	0.9867
0.0047	3.84	6000	0.0979	0.9867
0.0252	3.87	6050	0.1071	0.9867
0.0691	3.9	6100	0.0821	0.9867
0.0419	3.93	6150	0.0896	0.9867
0.0197	3.97	6200	0.0943	0.9867
0.0281	4.0	6250	0.0901	0.9867
0.0118	4.03	6300	0.0950	0.9867
0.0057	4.06	6350	0.1031	0.9867
0.0335	4.09	6400	0.0896	0.9867
0.0095	4.13	6450	0.0966	0.9867
0.05	4.16	6500	0.0977	0.9867
0.0142	4.19	6550	0.1174	0.98
0.018	4.22	6600	0.0963	0.9867
0.0274	4.25	6650	0.0953	0.9867
0.0199	4.29	6700	0.0968	0.9867
0.0171	4.32	6750	0.0963	0.9867
0.0195	4.35	6800	0.0916	0.9867
0.0091	4.38	6850	0.0954	0.9867
0.0115	4.41	6900	0.0974	0.9867
0.0299	4.45	6950	0.0971	0.9867
0.0338	4.48	7000	0.0922	0.9867
0.0107	4.51	7050	0.0964	0.9867
0.0063	4.54	7100	0.0921	0.9867
0.0099	4.57	7150	0.0923	0.9867
0.0101	4.61	7200	0.0971	0.9867
0.0262	4.64	7250	0.1008	0.9867
0.0097	4.67	7300	0.0999	0.9867
0.0302	4.7	7350	0.0980	0.9867
0.0225	4.73	7400	0.0976	0.9867
0.0235	4.77	7450	0.1016	0.9867
0.0106	4.8	7500	0.1034	0.9867
0.0495	4.83	7550	0.1135	0.98
0.0228	4.86	7600	0.1034	0.9867
0.0229	4.89	7650	0.0990	0.9867
0.0206	4.93	7700	0.0993	0.9867
0.0188	4.96	7750	0.0993	0.9867
0.0189	4.99	7800	0.0995	0.9867

Framework versions

Transformers 4.24.0
Pytorch 1.13.0
Datasets 2.3.2
Tokenizers 0.13.2

Etelis/YELP_roBERTa_5E

YELP_roBERTa_5E

Model description

Intended uses & limitations

Training and evaluation data

Training procedure

Training hyperparameters

Training results

Framework versions

为此模型做种