roberta-large-ner-ghtk-cs-add-2label-16-new-data-3090-14Sep-1

This model was trained from scratch on the None dataset. It achieves the following results on the evaluation set:

• Loss: 1.8556
• Tk: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}
• A: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}
• Gày: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}
• Gày trừu tượng: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}
• Iờ: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}
• Ã đơn: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}
• Đt: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}
• Đt trừu tượng: {'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}
• Overall Precision: 0.0
• Overall Recall: 0.0
• Overall F1: 0.0
• Overall Accuracy: 0.8099

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: 2.5e-05
• train_batch_size: 1
• eval_batch_size: 1
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Tk	A	Gày	Gày trừu tượng	Iờ	Ã đơn	Đt	Đt trừu tượng	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
0.9188	1.0	2362	1.8497	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8676	2.0	4724	1.9285	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8347	3.0	7086	1.8423	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8612	4.0	9448	1.8190	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8821	5.0	11810	1.8033	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8634	6.0	14172	1.7820	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8386	7.0	16534	1.8550	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8657	8.0	18896	1.8338	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8921	9.0	21258	1.8489	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099
0.8639	10.0	23620	1.8556	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 116}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 431}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 34}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 488}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 38}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 203}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 878}	{'precision': 0.0, 'recall': 0.0, 'f1': 0.0, 'number': 233}	0.0	0.0	0.0	0.8099

Framework versions

• Transformers 4.44.0
• Pytorch 2.3.1+cu121
• Datasets 2.19.1
• Tokenizers 0.19.1