Hugging Face's logo

pkduongsu
/
roberta-squad2-finetuned-covidQA

Question Answering
Transformers
PyTorch
roberta
Generated from Trainer
Inference Endpoints
Model card Files Community
roberta-squad2-finetuned-covidQA / README.md
pkduongsu's picture
pkduongsu
Training complete
417d2b3
preview code
|
raw
history blame
10 kB
metadata
license: cc-by-4.0
base_model: deepset/roberta-base-squad2
tags:
  - generated_from_trainer
datasets:
  - covid_qa_deepset
model-index:
  - name: roberta-squad2-finetuned-covidQA
    results: []

roberta-squad2-finetuned-covidQA

This model is a fine-tuned version of deepset/roberta-base-squad2 on the covid_qa_deepset dataset. It achieves the following results on the evaluation set:

  • Loss: 0.2338

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: 2e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 250
  • num_epochs: 2

Training results

Training Loss Epoch Step Validation Loss
0.416 0.01 20 0.3362
0.4503 0.02 40 0.3012
0.1529 0.04 60 0.3735
0.408 0.05 80 0.2852
0.4379 0.06 100 0.2575
0.2443 0.07 120 0.2880
0.3613 0.08 140 0.3336
0.3116 0.09 160 0.2532
0.3361 0.11 180 0.2585
0.3336 0.12 200 0.2854
0.2891 0.13 220 0.2633
0.3262 0.14 240 0.2311
0.2053 0.15 260 0.4100
0.2583 0.16 280 0.2908
0.3646 0.18 300 0.2456
0.2798 0.19 320 0.2468
0.3079 0.2 340 0.2746
0.4007 0.21 360 0.2521
0.3548 0.22 380 0.2783
0.3401 0.23 400 0.2667
0.3405 0.25 420 0.2408
0.3658 0.26 440 0.2376
0.2781 0.27 460 0.2415
0.1905 0.28 480 0.2597
0.2666 0.29 500 0.2667
0.2164 0.3 520 0.2394
0.2155 0.32 540 0.2780
0.2676 0.33 560 0.2831
0.3552 0.34 580 0.2416
0.2934 0.35 600 0.2362
0.2138 0.36 620 0.2450
0.1169 0.38 640 0.2686
0.1815 0.39 660 0.2512
0.3577 0.4 680 0.2632
0.3298 0.41 700 0.2721
0.2624 0.42 720 0.2667
0.4011 0.43 740 0.2414
0.4041 0.45 760 0.2264
0.3107 0.46 780 0.2342
0.3036 0.47 800 0.2202
0.2474 0.48 820 0.2449
0.2889 0.49 840 0.2601
0.1131 0.5 860 0.3004
0.2039 0.52 880 0.2730
0.2916 0.53 900 0.2598
0.2649 0.54 920 0.2425
0.16 0.55 940 0.2319
0.1761 0.56 960 0.2365
0.4593 0.57 980 0.2300
0.3461 0.59 1000 0.2360
0.2248 0.6 1020 0.2354
0.3183 0.61 1040 0.2266
0.179 0.62 1060 0.2332
0.1995 0.63 1080 0.2321
0.2084 0.65 1100 0.2222
0.2419 0.66 1120 0.2307
0.3359 0.67 1140 0.2212
0.2263 0.68 1160 0.2300
0.2362 0.69 1180 0.2326
0.3108 0.7 1200 0.2410
0.3218 0.72 1220 0.2906
0.2954 0.73 1240 0.2518
0.2026 0.74 1260 0.2348
0.2149 0.75 1280 0.2338
0.1686 0.76 1300 0.2362
0.1928 0.77 1320 0.2308
0.3103 0.79 1340 0.2183
0.1686 0.8 1360 0.2521
0.1691 0.81 1380 0.2509
0.3721 0.82 1400 0.2239
0.3334 0.83 1420 0.2304
0.3117 0.84 1440 0.2185
0.267 0.86 1460 0.2142
0.2403 0.87 1480 0.2215
0.3576 0.88 1500 0.2158
0.2544 0.89 1520 0.2284
0.2935 0.9 1540 0.2241
0.2224 0.91 1560 0.2208
0.2615 0.93 1580 0.2194
0.1746 0.94 1600 0.2372
0.2313 0.95 1620 0.2381
0.1911 0.96 1640 0.2472
0.2399 0.97 1660 0.2483
0.2611 0.99 1680 0.2420
0.313 1.0 1700 0.2234
0.1456 1.01 1720 0.2327
0.172 1.02 1740 0.2298
0.2197 1.03 1760 0.2376
0.1991 1.04 1780 0.2483
0.1186 1.06 1800 0.2455
0.1417 1.07 1820 0.2493
0.2101 1.08 1840 0.2423
0.1564 1.09 1860 0.2467
0.1816 1.1 1880 0.2505
0.2034 1.11 1900 0.3005
0.2178 1.13 1920 0.2384
0.2895 1.14 1940 0.2602
0.1629 1.15 1960 0.2422
0.2443 1.16 1980 0.2294
0.1776 1.17 2000 0.2403
0.181 1.18 2020 0.2302
0.1757 1.2 2040 0.2273
0.1523 1.21 2060 0.2272
0.0763 1.22 2080 0.2422
0.1534 1.23 2100 0.2445
0.1994 1.24 2120 0.2487
0.1826 1.26 2140 0.2569
0.2475 1.27 2160 0.2389
0.1977 1.28 2180 0.2290
0.2891 1.29 2200 0.2395
0.2049 1.3 2220 0.2292
0.2526 1.31 2240 0.2410
0.2927 1.33 2260 0.2270
0.1325 1.34 2280 0.2566
0.1331 1.35 2300 0.2400
0.1198 1.36 2320 0.2416
0.1766 1.37 2340 0.2407
0.1698 1.38 2360 0.2398
0.1545 1.4 2380 0.2437
0.2406 1.41 2400 0.2587
0.2583 1.42 2420 0.2292
0.1562 1.43 2440 0.2374
0.2528 1.44 2460 0.2326
0.1665 1.45 2480 0.2366
0.1893 1.47 2500 0.2323
0.109 1.48 2520 0.2492
0.1385 1.49 2540 0.2418
0.1267 1.5 2560 0.2437
0.2004 1.51 2580 0.2393
0.1754 1.52 2600 0.2408
0.2147 1.54 2620 0.2355
0.1409 1.55 2640 0.2460
0.1409 1.56 2660 0.2406
0.1456 1.57 2680 0.2443
0.1926 1.58 2700 0.2385
0.1772 1.6 2720 0.2342
0.2147 1.61 2740 0.2346
0.2292 1.62 2760 0.2319
0.2335 1.63 2780 0.2303
0.1409 1.64 2800 0.2347
0.1004 1.65 2820 0.2502
0.281 1.67 2840 0.2296
0.1071 1.68 2860 0.2360
0.1152 1.69 2880 0.2402
0.219 1.7 2900 0.2350
0.1384 1.71 2920 0.2367
0.1792 1.72 2940 0.2351
0.1795 1.74 2960 0.2338
0.1554 1.75 2980 0.2373
0.1764 1.76 3000 0.2352
0.2362 1.77 3020 0.2337
0.1912 1.78 3040 0.2304
0.1202 1.79 3060 0.2313
0.146 1.81 3080 0.2327
0.2677 1.82 3100 0.2305
0.1919 1.83 3120 0.2331
0.1535 1.84 3140 0.2317
0.1032 1.85 3160 0.2341
0.0792 1.87 3180 0.2341
0.1419 1.88 3200 0.2355
0.1179 1.89 3220 0.2369
0.1948 1.9 3240 0.2363
0.1651 1.91 3260 0.2362
0.2293 1.92 3280 0.2351
0.1542 1.94 3300 0.2358
0.2852 1.95 3320 0.2347
0.0927 1.96 3340 0.2350
0.1746 1.97 3360 0.2337
0.0902 1.98 3380 0.2341
0.2275 1.99 3400 0.2338

Framework versions

  • Transformers 4.34.1
  • Pytorch 2.1.0+cu118
  • Datasets 2.14.5
  • Tokenizers 0.14.1