Modelpublic

r-sharma-coder/hubert-large-ll60k-librispeech-multi-gpu

sourceHugging Faceapache-2.0updated 3y agoView on Hugging Face

0likes9downloads

Model Card

hubert-large-ll60k-librispeech-multi-gpu

This model is a fine-tuned version of facebook/hubert-large-ll60k on the MACABDUL9/LIBRISPEECH-HUBERT-DISCRETE-TOKENS - NA dataset. It achieves the following results on the evaluation set:

—Loss: 0.0616
—Wer: 0.0460

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: 0.0003
—trainbatchsize: 2
—evalbatchsize: 8
—seed: 42
—distributed_type: multi-GPU
—num_devices: 4
—totaltrainbatch_size: 8
—totalevalbatch_size: 32
—optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
—lrschedulertype: linear
—lrschedulerwarmup_steps: 500
—num_epochs: 4.0

Training results

Training Loss	Epoch	Step	Validation Loss	Wer
2.9692	0.03	100	2.9336	1.0
2.7936	0.06	200	2.8514	1.0
0.8892	0.08	300	0.7173	0.5438
0.4725	0.11	400	0.4293	0.3818
0.5347	0.14	500	0.3474	0.3284
0.3143	0.17	600	0.2966	0.2852
0.4144	0.2	700	0.2498	0.2383
0.516	0.22	800	0.2156	0.2174
0.2537	0.25	900	0.1810	0.1877
0.3008	0.28	1000	0.1699	0.1737
0.3078	0.31	1100	0.1485	0.1600
0.2922	0.34	1200	0.1444	0.1448
0.2303	0.36	1300	0.1319	0.1334
0.1858	0.39	1400	0.1286	0.1353
0.0837	0.42	1500	0.1162	0.1262
0.177	0.45	1600	0.1097	0.1100
0.3476	0.48	1700	0.1140	0.1114
0.2538	0.5	1800	0.1118	0.1086
0.1296	0.53	1900	0.1052	0.1016
0.3905	0.56	2000	0.1034	0.0950
0.2085	0.59	2100	0.1001	0.1003
0.3563	0.62	2200	0.0974	0.0958
0.1258	0.64	2300	0.1067	0.1018
0.0972	0.67	2400	0.0938	0.0930
0.2588	0.7	2500	0.0913	0.0861
0.2066	0.73	2600	0.0946	0.0902
0.1706	0.76	2700	0.0944	0.0956
0.1129	0.78	2800	0.0918	0.0904
0.1805	0.81	2900	0.0913	0.0890
0.2328	0.84	3000	0.0907	0.0893
0.2699	0.87	3100	0.0918	0.0849
0.1653	0.9	3200	0.0902	0.0827
0.2637	0.92	3300	0.0873	0.0836
0.2511	0.95	3400	0.0902	0.0851
0.2053	0.98	3500	0.0907	0.0842
0.0719	1.01	3600	0.0808	0.0752
0.0633	1.04	3700	0.0874	0.0775
0.063	1.07	3800	0.0855	0.0757
0.0653	1.09	3900	0.0916	0.0766
0.0381	1.12	4000	0.0864	0.0756
0.0457	1.15	4100	0.0850	0.0761
0.0399	1.18	4200	0.0842	0.0842
0.0403	1.21	4300	0.0834	0.0754
0.0462	1.23	4400	0.0833	0.0753
0.0312	1.26	4500	0.0815	0.0731
0.0432	1.29	4600	0.0812	0.0748
0.032	1.32	4700	0.0783	0.0683
0.0502	1.35	4800	0.0786	0.0699
0.0743	1.37	4900	0.0839	0.0678
0.0229	1.4	5000	0.0771	0.0664
0.0672	1.43	5100	0.0782	0.0662
0.0758	1.46	5200	0.0808	0.0696
0.0309	1.49	5300	0.0783	0.0710
0.043	1.51	5400	0.0748	0.0682
0.076	1.54	5500	0.0778	0.0685
0.041	1.57	5600	0.0792	0.0726
0.0784	1.6	5700	0.0763	0.0639
0.097	1.63	5800	0.0751	0.0668
0.0915	1.65	5900	0.0748	0.0661
0.0511	1.68	6000	0.0767	0.0641
0.0254	1.71	6100	0.0754	0.0656
0.024	1.74	6200	0.0732	0.0657
0.041	1.77	6300	0.0713	0.0673
0.034	1.79	6400	0.0686	0.0647
0.0604	1.82	6500	0.0733	0.0658
0.0456	1.85	6600	0.0743	0.0658
0.0431	1.88	6700	0.0760	0.0637
0.1149	1.91	6800	0.0757	0.0620
0.0431	1.93	6900	0.0727	0.0618
0.0425	1.96	7000	0.0717	0.0619
0.0452	1.99	7100	0.0708	0.0637
0.0172	2.02	7200	0.0740	0.0620
0.0413	2.05	7300	0.0695	0.0628
0.018	2.07	7400	0.0749	0.0626
0.0303	2.1	7500	0.0723	0.0625
0.0196	2.13	7600	0.0741	0.0629
0.015	2.16	7700	0.0699	0.0583
0.0145	2.19	7800	0.0735	0.0602
0.0287	2.21	7900	0.0726	0.0619
0.0735	2.24	8000	0.0705	0.0576
0.0161	2.27	8100	0.0715	0.0563
0.0549	2.3	8200	0.0692	0.0563
0.0227	2.33	8300	0.0715	0.0545
0.0156	2.35	8400	0.0702	0.0536
0.045	2.38	8500	0.0672	0.0533
0.0286	2.41	8600	0.0670	0.0537
0.0176	2.44	8700	0.0693	0.0554
0.0128	2.47	8800	0.0696	0.0549
0.0279	2.49	8900	0.0685	0.0541
0.0328	2.52	9000	0.0674	0.0574
0.0416	2.55	9100	0.0674	0.0581
0.0364	2.58	9200	0.0642	0.0540
0.0223	2.61	9300	0.0686	0.0544
0.0162	2.63	9400	0.0680	0.0521
0.0392	2.66	9500	0.0646	0.0512
0.027	2.69	9600	0.0663	0.0544
0.0192	2.72	9700	0.0654	0.0529
0.0339	2.75	9800	0.0654	0.0526
0.0269	2.77	9900	0.0651	0.0545
0.0263	2.8	10000	0.0636	0.0521
0.0444	2.83	10100	0.0650	0.0520
0.0322	2.86	10200	0.0622	0.0513
0.0171	2.89	10300	0.0641	0.0516
0.0121	2.91	10400	0.0633	0.0515
0.0347	2.94	10500	0.0610	0.0518
0.0432	2.97	10600	0.0605	0.0512
0.0187	3.0	10700	0.0623	0.0501
0.0147	3.03	10800	0.0652	0.0486
0.0112	3.05	10900	0.0648	0.05
0.0146	3.08	11000	0.0638	0.0514
0.0064	3.11	11100	0.0665	0.0486
0.0223	3.14	11200	0.0654	0.0487
0.0261	3.17	11300	0.0655	0.0488
0.0144	3.2	11400	0.0638	0.0488
0.0195	3.22	11500	0.0655	0.0491
0.0091	3.25	11600	0.0648	0.0492
0.0171	3.28	11700	0.0633	0.0483
0.0538	3.31	11800	0.0654	0.0488
0.0047	3.34	11900	0.0625	0.0490
0.015	3.36	12000	0.0634	0.0476
0.0323	3.39	12100	0.0655	0.0494
0.0173	3.42	12200	0.0637	0.0495
0.0188	3.45	12300	0.0638	0.0479
0.004	3.48	12400	0.0637	0.0459
0.022	3.5	12500	0.0637	0.0467
0.0139	3.53	12600	0.0638	0.0466
0.024	3.56	12700	0.0633	0.0467
0.0047	3.59	12800	0.0650	0.0468
0.0099	3.62	12900	0.0636	0.0476
0.0418	3.64	13000	0.0631	0.0473
0.0298	3.67	13100	0.0620	0.0476
0.0382	3.7	13200	0.0617	0.0468
0.0281	3.73	13300	0.0619	0.0464
0.0256	3.76	13400	0.0621	0.0463
0.0024	3.78	13500	0.0612	0.0463
0.0107	3.81	13600	0.0611	0.0456
0.0084	3.84	13700	0.0613	0.0456
0.0039	3.87	13800	0.0614	0.0463
0.0032	3.9	13900	0.0611	0.0461
0.0043	3.92	14000	0.0614	0.0458
0.0073	3.95	14100	0.0615	0.0460
0.0145	3.98	14200	0.0616	0.0460

Framework versions

—Transformers 4.39.0.dev0
—Pytorch 2.2.1
—Datasets 2.18.0
—Tokenizers 0.15.1