lilt-en-combined-azure

This model is a fine-tuned version of SCUT-DLVCLab/lilt-roberta-en-base on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0073
  • Adhaar Number: {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21}
  • Ame: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47}
  • An Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17}
  • Assport Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15}
  • Ast Name: {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13}
  • Ate Of Expiry: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15}
  • Ather Name: {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24}
  • Ather Name Back: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5}
  • Ather Name Front Top: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12}
  • Ddress: {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5}
  • Ddress Back: {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12}
  • Ddress Front: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29}
  • Ender: {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30}
  • Ob: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47}
  • Obile Number: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10}
  • Other Name: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4}
  • Rz Passport: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16}
  • Ther: {'precision': 0.9641255605381166, 'recall': 0.9728506787330317, 'f1': 0.9684684684684685, 'number': 221}
  • Overall Precision: 0.9725
  • Overall Recall: 0.9779
  • Overall F1: 0.9752
  • Overall Accuracy: 0.9986

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: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • training_steps: 2500
  • mixed_precision_training: Native AMP

Training results

Training Loss Epoch Step Validation Loss Adhaar Number Ame An Number Assport Number Ast Name Ate Of Expiry Ather Name Ather Name Back Ather Name Front Top Ddress Ddress Back Ddress Front Ender Ob Obile Number Other Name Rz Passport Ther Overall Precision Overall Recall Overall F1 Overall Accuracy
0.2004 4.0816 200 0.0211 {'precision': 0.9047619047619048, 'recall': 0.9047619047619048, 'f1': 0.9047619047619048, 'number': 21} {'precision': 0.8979591836734694, 'recall': 0.9361702127659575, 'f1': 0.9166666666666666, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.7857142857142857, 'recall': 0.8461538461538461, 'f1': 0.8148148148148148, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.9230769230769231, 'recall': 1.0, 'f1': 0.9600000000000001, 'number': 12} {'precision': 0.6, 'recall': 0.6, 'f1': 0.6, 'number': 5} {'precision': 0.7777777777777778, 'recall': 0.5833333333333334, 'f1': 0.6666666666666666, 'number': 12} {'precision': 0.9354838709677419, 'recall': 1.0, 'f1': 0.9666666666666666, 'number': 29} {'precision': 1.0, 'recall': 0.9, 'f1': 0.9473684210526316, 'number': 30} {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 0.9375, 'recall': 0.9375, 'f1': 0.9375, 'number': 16} {'precision': 0.9377777777777778, 'recall': 0.9547511312217195, 'f1': 0.9461883408071748, 'number': 221} 0.9341 0.9392 0.9366 0.9945
0.0105 8.1633 400 0.0096 {'precision': 1.0, 'recall': 0.9523809523809523, 'f1': 0.975609756097561, 'number': 21} {'precision': 0.9583333333333334, 'recall': 0.9787234042553191, 'f1': 0.968421052631579, 'number': 47} {'precision': 0.9444444444444444, 'recall': 1.0, 'f1': 0.9714285714285714, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15} {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9504504504504504, 'recall': 0.9547511312217195, 'f1': 0.9525959367945823, 'number': 221} 0.9614 0.9632 0.9623 0.9979
0.0053 12.2449 600 0.0192 {'precision': 0.7692307692307693, 'recall': 0.9523809523809523, 'f1': 0.8510638297872339, 'number': 21} {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13} {'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15} {'precision': 0.9583333333333334, 'recall': 0.9583333333333334, 'f1': 0.9583333333333334, 'number': 24} {'precision': 0.8, 'recall': 0.8, 'f1': 0.8000000000000002, 'number': 5} {'precision': 0.9230769230769231, 'recall': 1.0, 'f1': 0.9600000000000001, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} {'precision': 0.9666666666666667, 'recall': 0.9666666666666667, 'f1': 0.9666666666666667, 'number': 30} {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9377777777777778, 'recall': 0.9547511312217195, 'f1': 0.9461883408071748, 'number': 221} 0.9493 0.9650 0.9571 0.9961
0.0028 16.3265 800 0.0144 {'precision': 0.9523809523809523, 'recall': 0.9523809523809523, 'f1': 0.9523809523809523, 'number': 21} {'precision': 0.9787234042553191, 'recall': 0.9787234042553191, 'f1': 0.9787234042553191, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13} {'precision': 0.9333333333333333, 'recall': 0.9333333333333333, 'f1': 0.9333333333333333, 'number': 15} {'precision': 0.9583333333333334, 'recall': 0.9583333333333334, 'f1': 0.9583333333333334, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.2, 'recall': 0.2, 'f1': 0.20000000000000004, 'number': 5} {'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 12} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9684684684684685, 'recall': 0.9728506787330317, 'f1': 0.9706546275395034, 'number': 221} 0.9687 0.9687 0.9687 0.9979
0.0018 20.4082 1000 0.0146 {'precision': 0.9090909090909091, 'recall': 0.9523809523809523, 'f1': 0.9302325581395349, 'number': 21} {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} {'precision': 0.9444444444444444, 'recall': 1.0, 'f1': 0.9714285714285714, 'number': 17} {'precision': 0.8823529411764706, 'recall': 1.0, 'f1': 0.9375, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 0.25, 'recall': 0.2, 'f1': 0.22222222222222224, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 0.9, 'recall': 0.9310344827586207, 'f1': 0.9152542372881356, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 0.9791666666666666, 'recall': 1.0, 'f1': 0.9894736842105264, 'number': 47} {'precision': 0.9090909090909091, 'recall': 1.0, 'f1': 0.9523809523809523, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9383259911894273, 'recall': 0.9638009049773756, 'f1': 0.950892857142857, 'number': 221} 0.9372 0.9613 0.9491 0.9968
0.0008 24.4898 1200 0.0076 {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21} {'precision': 0.9583333333333334, 'recall': 0.9787234042553191, 'f1': 0.968421052631579, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.84, 'recall': 0.875, 'f1': 0.8571428571428572, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9596412556053812, 'recall': 0.9683257918552036, 'f1': 0.9639639639639639, 'number': 221} 0.9635 0.9724 0.9679 0.9982
0.0004 28.5714 1400 0.0073 {'precision': 0.9130434782608695, 'recall': 1.0, 'f1': 0.9545454545454545, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 12} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9641255605381166, 'recall': 0.9728506787330317, 'f1': 0.9684684684684685, 'number': 221} 0.9725 0.9779 0.9752 0.9986
0.0003 32.6531 1600 0.0084 {'precision': 0.9545454545454546, 'recall': 1.0, 'f1': 0.9767441860465117, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.9596412556053812, 'recall': 0.9683257918552036, 'f1': 0.9639639639639639, 'number': 221} 0.9689 0.9742 0.9715 0.9984
0.0002 36.7347 1800 0.0088 {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} 0.9724 0.9742 0.9733 0.9986
0.0001 40.8163 2000 0.0090 {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} 0.9724 0.9742 0.9733 0.9986
0.0001 44.8980 2200 0.0100 {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} 0.9724 0.9742 0.9733 0.9986
0.0001 48.9796 2400 0.0103 {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 21} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 17} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 15} {'precision': 0.9166666666666666, 'recall': 0.9166666666666666, 'f1': 0.9166666666666666, 'number': 24} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 5} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 12} {'precision': 0.75, 'recall': 0.6, 'f1': 0.6666666666666665, 'number': 5} {'precision': 0.8461538461538461, 'recall': 0.9166666666666666, 'f1': 0.8799999999999999, 'number': 12} {'precision': 0.9655172413793104, 'recall': 0.9655172413793104, 'f1': 0.9655172413793104, 'number': 29} {'precision': 1.0, 'recall': 0.9666666666666667, 'f1': 0.983050847457627, 'number': 30} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 47} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 10} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 4} {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 16} {'precision': 0.963963963963964, 'recall': 0.9683257918552036, 'f1': 0.9661399548532732, 'number': 221} 0.9724 0.9742 0.9733 0.9986

Framework versions

  • Transformers 4.41.2
  • Pytorch 2.3.0+cu121
  • Datasets 2.19.2
  • Tokenizers 0.19.1
Downloads last month
13
Safetensors
Model size
130M params
Tensor type
F32
·
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for prashantloni/lilt-en-combined-azure

Finetuned
(46)
this model