roberta-large-ner-ghtk-gam-add-3label-new-data-3090-12Sep-1

Kudod/roberta-large-ner-ghtk-gam-add-3label-new-data-3090-12Sep-1

roberta-large-ner-ghtk-gam-add-3label-new-data-3090-12Sep-1 is a machine learning model from Kudod. Use it for the machine learning task on the model card, and read the license before you ship it in a product.

should probably proofread and complete it, then remove this comment. --

Downloads · 30 days

12% of all-time downloads

All-time downloads

Public

Parameters

559M

4.5 GB on disk

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.safetensors2.2 GB · 99%

At a glance

Model type: xlm-roberta
Access: Public
Created: Sep 12, 2024
Updated: Sep 12, 2024
SHA: 58f2d0d9

Model card

From the Hugging Face model README

roberta-large-ner-ghtk-gam-add-3label-new-data-3090-12Sep-1

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

Loss: 0.3095
Hiều cao khách hàng: {'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}
Hất tóc: {'precision': 0.6666666666666666, 'recall': 0.7407407407407407, 'f1': 0.7017543859649122, 'number': 27}
Oại da: {'precision': 0.9523809523809523, 'recall': 0.8695652173913043, 'f1': 0.909090909090909, 'number': 23}
Àu da: {'precision': 0.7741935483870968, 'recall': 0.631578947368421, 'f1': 0.6956521739130435, 'number': 38}
Áng khuôn mặt: {'precision': 0.7894736842105263, 'recall': 0.9375, 'f1': 0.8571428571428572, 'number': 16}
Áng người: {'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}
Ân nặng khách hàng: {'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}
Ật độ tóc: {'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15}
Ặc điểm khác của da: {'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}
Ộ dài tóc: {'precision': 0.7777777777777778, 'recall': 0.7777777777777778, 'f1': 0.7777777777777778, 'number': 18}
Overall Precision: 0.8384
Overall Recall: 0.8384
Overall F1: 0.8384
Overall Accuracy: 0.9622

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: 4
eval_batch_size: 4
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	Hiều cao khách hàng	Hất tóc	Oại da	Àu da	Áng khuôn mặt	Áng người	Ân nặng khách hàng	Ật độ tóc	Ặc điểm khác của da	Ộ dài tóc	Overall Precision	Overall Recall	Overall F1	Overall Accuracy
No log	1.0	197	0.2508	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5238095238095238, 'recall': 0.4074074074074074, 'f1': 0.4583333333333333, 'number': 27}	{'precision': 0.8636363636363636, 'recall': 0.8260869565217391, 'f1': 0.8444444444444444, 'number': 23}	{'precision': 0.6551724137931034, 'recall': 0.5, 'f1': 0.5671641791044776, 'number': 38}	{'precision': 0.9333333333333333, 'recall': 0.875, 'f1': 0.9032258064516129, 'number': 16}	{'precision': 0.9230769230769231, 'recall': 0.9230769230769231, 'f1': 0.9230769230769231, 'number': 13}	{'precision': 0.7777777777777778, 'recall': 0.9032258064516129, 'f1': 0.835820895522388, 'number': 31}	{'precision': 0.8333333333333334, 'recall': 0.6666666666666666, 'f1': 0.7407407407407408, 'number': 15}	{'precision': 0.7857142857142857, 'recall': 0.7857142857142857, 'f1': 0.7857142857142857, 'number': 28}	{'precision': 0.75, 'recall': 0.6666666666666666, 'f1': 0.7058823529411765, 'number': 18}	0.7767	0.7293	0.7523	0.9341
No log	2.0	394	0.2892	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.64, 'recall': 0.5925925925925926, 'f1': 0.6153846153846153, 'number': 27}	{'precision': 0.8571428571428571, 'recall': 0.782608695652174, 'f1': 0.8181818181818182, 'number': 23}	{'precision': 0.6176470588235294, 'recall': 0.5526315789473685, 'f1': 0.5833333333333334, 'number': 38}	{'precision': 0.8421052631578947, 'recall': 1.0, 'f1': 0.9142857142857143, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9032258064516129, 'recall': 0.9032258064516129, 'f1': 0.9032258064516129, 'number': 31}	{'precision': 0.6666666666666666, 'recall': 0.8, 'f1': 0.7272727272727272, 'number': 15}	{'precision': 0.6176470588235294, 'recall': 0.75, 'f1': 0.6774193548387097, 'number': 28}	{'precision': 0.56, 'recall': 0.7777777777777778, 'f1': 0.6511627906976745, 'number': 18}	0.7366	0.7817	0.7585	0.9395
0.1867	3.0	591	0.2917	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.5161290322580645, 'recall': 0.5925925925925926, 'f1': 0.5517241379310345, 'number': 27}	{'precision': 0.7727272727272727, 'recall': 0.7391304347826086, 'f1': 0.7555555555555555, 'number': 23}	{'precision': 0.7419354838709677, 'recall': 0.6052631578947368, 'f1': 0.6666666666666666, 'number': 38}	{'precision': 0.7894736842105263, 'recall': 0.9375, 'f1': 0.8571428571428572, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9032258064516129, 'recall': 0.9032258064516129, 'f1': 0.9032258064516129, 'number': 31}	{'precision': 1.0, 'recall': 0.8, 'f1': 0.888888888888889, 'number': 15}	{'precision': 0.6774193548387096, 'recall': 0.75, 'f1': 0.7118644067796611, 'number': 28}	{'precision': 0.85, 'recall': 0.9444444444444444, 'f1': 0.8947368421052632, 'number': 18}	0.7811	0.7948	0.7879	0.9497
0.1867	4.0	788	0.3536	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6, 'recall': 0.6666666666666666, 'f1': 0.631578947368421, 'number': 27}	{'precision': 0.6666666666666666, 'recall': 0.782608695652174, 'f1': 0.72, 'number': 23}	{'precision': 0.8125, 'recall': 0.6842105263157895, 'f1': 0.742857142857143, 'number': 38}	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 16}	{'precision': 0.8571428571428571, 'recall': 0.9230769230769231, 'f1': 0.888888888888889, 'number': 13}	{'precision': 0.9354838709677419, 'recall': 0.9354838709677419, 'f1': 0.9354838709677419, 'number': 31}	{'precision': 0.8125, 'recall': 0.8666666666666667, 'f1': 0.8387096774193549, 'number': 15}	{'precision': 0.6774193548387096, 'recall': 0.75, 'f1': 0.7118644067796611, 'number': 28}	{'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 18}	0.775	0.8122	0.7932	0.9449
0.1867	5.0	985	0.2485	{'precision': 0.8333333333333334, 'recall': 1.0, 'f1': 0.9090909090909091, 'number': 20}	{'precision': 0.6551724137931034, 'recall': 0.7037037037037037, 'f1': 0.6785714285714286, 'number': 27}	{'precision': 0.8260869565217391, 'recall': 0.8260869565217391, 'f1': 0.8260869565217391, 'number': 23}	{'precision': 0.8125, 'recall': 0.6842105263157895, 'f1': 0.742857142857143, 'number': 38}	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 16}	{'precision': 0.9285714285714286, 'recall': 1.0, 'f1': 0.962962962962963, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.8275862068965517, 'recall': 0.8571428571428571, 'f1': 0.8421052631578947, 'number': 28}	{'precision': 0.6363636363636364, 'recall': 0.7777777777777778, 'f1': 0.7000000000000001, 'number': 18}	0.8101	0.8384	0.8240	0.9616
0.0755	6.0	1182	0.3465	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6428571428571429, 'recall': 0.6666666666666666, 'f1': 0.6545454545454545, 'number': 27}	{'precision': 0.8636363636363636, 'recall': 0.8260869565217391, 'f1': 0.8444444444444444, 'number': 23}	{'precision': 0.7741935483870968, 'recall': 0.631578947368421, 'f1': 0.6956521739130435, 'number': 38}	{'precision': 0.7777777777777778, 'recall': 0.875, 'f1': 0.823529411764706, 'number': 16}	{'precision': 0.6923076923076923, 'recall': 0.6923076923076923, 'f1': 0.6923076923076923, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.875, 'recall': 0.9333333333333333, 'f1': 0.9032258064516129, 'number': 15}	{'precision': 0.7575757575757576, 'recall': 0.8928571428571429, 'f1': 0.819672131147541, 'number': 28}	{'precision': 0.8333333333333334, 'recall': 0.8333333333333334, 'f1': 0.8333333333333334, 'number': 18}	0.8060	0.8166	0.8113	0.9562
0.0755	7.0	1379	0.2986	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6296296296296297, 'recall': 0.6296296296296297, 'f1': 0.6296296296296297, 'number': 27}	{'precision': 0.8260869565217391, 'recall': 0.8260869565217391, 'f1': 0.8260869565217391, 'number': 23}	{'precision': 0.7333333333333333, 'recall': 0.5789473684210527, 'f1': 0.6470588235294117, 'number': 38}	{'precision': 0.7368421052631579, 'recall': 0.875, 'f1': 0.7999999999999999, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 0.9333333333333333, 'recall': 0.9333333333333333, 'f1': 0.9333333333333333, 'number': 15}	{'precision': 0.8, 'recall': 0.8571428571428571, 'f1': 0.8275862068965518, 'number': 28}	{'precision': 0.75, 'recall': 0.8333333333333334, 'f1': 0.7894736842105262, 'number': 18}	0.8130	0.8166	0.8148	0.9595
0.0338	8.0	1576	0.2845	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6551724137931034, 'recall': 0.7037037037037037, 'f1': 0.6785714285714286, 'number': 27}	{'precision': 0.9047619047619048, 'recall': 0.8260869565217391, 'f1': 0.8636363636363636, 'number': 23}	{'precision': 0.7878787878787878, 'recall': 0.6842105263157895, 'f1': 0.732394366197183, 'number': 38}	{'precision': 0.7894736842105263, 'recall': 0.9375, 'f1': 0.8571428571428572, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9354838709677419, 'recall': 0.9354838709677419, 'f1': 0.9354838709677419, 'number': 31}	{'precision': 0.9333333333333333, 'recall': 0.9333333333333333, 'f1': 0.9333333333333333, 'number': 15}	{'precision': 0.8, 'recall': 0.8571428571428571, 'f1': 0.8275862068965518, 'number': 28}	{'precision': 0.8, 'recall': 0.8888888888888888, 'f1': 0.8421052631578948, 'number': 18}	0.8333	0.8515	0.8423	0.9627
0.0338	9.0	1773	0.3045	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6785714285714286, 'recall': 0.7037037037037037, 'f1': 0.6909090909090909, 'number': 27}	{'precision': 0.9523809523809523, 'recall': 0.8695652173913043, 'f1': 0.909090909090909, 'number': 23}	{'precision': 0.7741935483870968, 'recall': 0.631578947368421, 'f1': 0.6956521739130435, 'number': 38}	{'precision': 0.7894736842105263, 'recall': 0.9375, 'f1': 0.8571428571428572, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15}	{'precision': 0.8, 'recall': 0.8571428571428571, 'f1': 0.8275862068965518, 'number': 28}	{'precision': 0.7368421052631579, 'recall': 0.7777777777777778, 'f1': 0.7567567567567567, 'number': 18}	0.8421	0.8384	0.8403	0.9627
0.0338	10.0	1970	0.3095	{'precision': 0.8695652173913043, 'recall': 1.0, 'f1': 0.9302325581395349, 'number': 20}	{'precision': 0.6666666666666666, 'recall': 0.7407407407407407, 'f1': 0.7017543859649122, 'number': 27}	{'precision': 0.9523809523809523, 'recall': 0.8695652173913043, 'f1': 0.909090909090909, 'number': 23}	{'precision': 0.7741935483870968, 'recall': 0.631578947368421, 'f1': 0.6956521739130435, 'number': 38}	{'precision': 0.7894736842105263, 'recall': 0.9375, 'f1': 0.8571428571428572, 'number': 16}	{'precision': 1.0, 'recall': 1.0, 'f1': 1.0, 'number': 13}	{'precision': 0.9666666666666667, 'recall': 0.9354838709677419, 'f1': 0.9508196721311476, 'number': 31}	{'precision': 1.0, 'recall': 0.9333333333333333, 'f1': 0.9655172413793104, 'number': 15}	{'precision': 0.7666666666666667, 'recall': 0.8214285714285714, 'f1': 0.793103448275862, 'number': 28}	{'precision': 0.7777777777777778, 'recall': 0.7777777777777778, 'f1': 0.7777777777777778, 'number': 18}	0.8384	0.8384	0.8384	0.9622

Framework versions

Transformers 4.44.0
Pytorch 2.3.1+cu121
Datasets 2.19.1
Tokenizers 0.19.1

Type: xlm-roberta
Created: Sep 12, 2024
Updated: Sep 12, 2024