MediaCatch/xls-r-300m-danish-mc-v2

来源：🤗🏴‍☠️ 救援者：QueenCaffeineautomatic-speech-recognitionapache-2.0315M 参数2.9 GBsafetensors✓ 3 个校验和412 天前更新

mc_danish

This model is a fine-tuned version of MediaCatch/xls-r-300m-danish-mc on the Preprocessed Dataset dataset. It achieves the following results on the evaluation set:

Loss: 0.1570
Wer: 0.0875

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: 3
eval_batch_size: 6
seed: 69
distributed_type: multi-GPU
num_devices: 4
gradient_accumulation_steps: 4
total_train_batch_size: 48
total_eval_batch_size: 24
optimizer: Use adamw_torch_fused with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 500
num_epochs: 10.0

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
No log	0	0	3.1518	0.1154
0.1233	0.0991	500	0.1684	0.1039
0.1122	0.1982	1000	0.1536	0.1059
0.109	0.2973	1500	0.1497	0.1032
0.1027	0.3965	2000	0.1471	0.1036
0.1082	0.4956	2500	0.1446	0.1053
0.105	0.5947	3000	0.1440	0.1059
0.0986	0.6938	3500	0.1436	0.1041
0.1037	0.7929	4000	0.1404	0.1015
0.0988	0.8920	4500	0.1391	0.1008
0.0979	0.9911	5000	0.1373	0.0995
0.0833	1.0902	5500	0.1385	0.0991
0.0855	1.1893	6000	0.1407	0.0990
0.0848	1.2884	6500	0.1390	0.0975
0.0845	1.3875	7000	0.1365	0.0986
0.0824	1.4866	7500	0.1373	0.0975
0.0842	1.5858	8000	0.1353	0.0979
0.0837	1.6849	8500	0.1334	0.0968
0.0823	1.7840	9000	0.1348	0.0960
0.0851	1.8831	9500	0.1331	0.0957
0.0843	1.9822	10000	0.1299	0.0949
0.0707	2.0813	10500	0.1337	0.0926
0.0709	2.1804	11000	0.1332	0.0958
0.0742	2.2795	11500	0.1316	0.0944
0.0742	2.3786	12000	0.1356	0.0959
0.0719	2.4777	12500	0.1323	0.0969
0.0739	2.5768	13000	0.1286	0.0951
0.0695	2.6760	13500	0.1315	0.0957
0.0741	2.7751	14000	0.1310	0.0940
0.0729	2.8742	14500	0.1303	0.0970
0.0695	2.9733	15000	0.1316	0.0939
0.0637	3.0724	15500	0.1353	0.0955
0.0664	3.1715	16000	0.1333	0.0940
0.0635	3.2706	16500	0.1370	0.0941
0.0652	3.3697	17000	0.1334	0.0937
0.0653	3.4688	17500	0.1320	0.0957
0.0654	3.5679	18000	0.1365	0.0938
0.0633	3.6670	18500	0.1363	0.0943
0.0642	3.7661	19000	0.1316	0.0926
0.0622	3.8653	19500	0.1282	0.0906
0.0653	3.9644	20000	0.1334	0.0904
0.0585	4.0634	20500	0.1363	0.0914
0.057	4.1625	21000	0.1334	0.0935
0.0591	4.2617	21500	0.1370	0.0914
0.0538	4.3608	22000	0.1357	0.0929
0.0586	4.4599	22500	0.1379	0.0916
0.0556	4.5590	23000	0.1378	0.0925
0.0574	4.6581	23500	0.1353	0.0898
0.0545	4.7572	24000	0.1371	0.0912
0.0572	4.8563	24500	0.1320	0.0895
0.0546	4.9554	25000	0.1361	0.0908
0.0485	5.0545	25500	0.1429	0.0926
0.054	5.1536	26000	0.1401	0.0912
0.0507	5.2527	26500	0.1406	0.0888
0.0519	5.3519	27000	0.1416	0.0902
0.0524	5.4510	27500	0.1403	0.0903
0.05	5.5501	28000	0.1395	0.0890
0.0503	5.6492	28500	0.1439	0.0892
0.0528	5.7483	29000	0.1402	0.0905
0.0503	5.8474	29500	0.1424	0.0902
0.051	5.9465	30000	0.1412	0.0890
0.0471	6.0456	30500	0.1447	0.0893
0.0461	6.1447	31000	0.1511	0.0885
0.0436	6.2438	31500	0.1505	0.0898
0.0483	6.3429	32000	0.1458	0.0884
0.0457	6.4420	32500	0.1449	0.0886
0.0465	6.5412	33000	0.1430	0.0880
0.0449	6.6403	33500	0.1487	0.0892
0.0455	6.7394	34000	0.1491	0.0883
0.0483	6.8385	34500	0.1476	0.0884
0.0485	6.9376	35000	0.1449	0.0885
0.0445	7.0367	35500	0.1504	0.0878
0.0429	7.1358	36000	0.1544	0.0887
0.0429	7.2349	36500	0.1507	0.0885
0.0449	7.3340	37000	0.1499	0.0890
0.0414	7.4331	37500	0.1522	0.0878
0.0414	7.5322	38000	0.1519	0.0888
0.0405	7.6313	38500	0.1540	0.0878
0.0424	7.7305	39000	0.1535	0.0884
0.0421	7.8296	39500	0.1533	0.0883
0.0418	7.9287	40000	0.1540	0.0884
0.0404	8.0278	40500	0.1537	0.0880
0.0412	8.1269	41000	0.1570	0.0875
0.0408	8.2260	41500	0.1569	0.0880
0.0408	8.3251	42000	0.1567	0.0878
0.039	8.4242	42500	0.1570	0.0881
0.0392	8.5233	43000	0.1559	0.0881
0.0424	8.6224	43500	0.1555	0.0887
0.0394	8.7215	44000	0.1572	0.0883
0.039	8.8207	44500	0.1581	0.0886
0.0398	8.9198	45000	0.1561	0.0880
0.0401	9.0188	45500	0.1565	0.0884
0.0393	9.1179	46000	0.1578	0.0881
0.04	9.2171	46500	0.1581	0.0878
0.0407	9.3162	47000	0.1579	0.0880
0.039	9.4153	47500	0.1582	0.0882
0.0388	9.5144	48000	0.1580	0.0883
0.0411	9.6135	48500	0.1580	0.0881
0.0403	9.7126	49000	0.1578	0.0880
0.0398	9.8117	49500	0.1578	0.0880
0.0377	9.9108	50000	0.1577	0.0880

Framework versions

Transformers 4.56.2
Pytorch 2.8.0+cu128
Datasets 4.1.1
Tokenizers 0.22.1