Merge branch 'main' of https://huggingface.co/thomas0104/whisper-large-v2-nan-tw-only-char

Files changed (13) hide show

README.md +12 -11
__pycache__/ryNormText.cpython-38.pyc +0 -0
all_results.json +11 -11
eval_results.json +7 -7
ji_char&rome.py +37 -0
pred.txt +1 -1
pytorch_model.bin +1 -1
runs/May27_16-29-08_DESKTOP-EVSD799/1685176171.0099354/events.out.tfevents.1685176171.DESKTOP-EVSD799.21519.1 +3 -0
runs/May27_16-29-08_DESKTOP-EVSD799/events.out.tfevents.1685176170.DESKTOP-EVSD799.21519.0 +3 -0
runs/May27_16-29-08_DESKTOP-EVSD799/events.out.tfevents.1685181957.DESKTOP-EVSD799.21519.2 +3 -0
train_results.json +5 -5
trainer_state.json +1255 -21
training_args.bin +2 -2

README.md CHANGED Viewed

@@ -24,22 +24,19 @@ model-index:
     metrics:
     - name: Wer
       type: wer
-      value: 48.06106870229008
-    - name: Cer
-      type: cer
-      value: 48.17386054935105
 ---
 <!-- This model card has been generated automatically according to the information the Trainer had access to. You
 should probably proofread and complete it, then remove this comment. -->
-# Whisper large-v2 nan-tw
 This model is a fine-tuned version of [openai/whisper-large-v2](https://huggingface.co/openai/whisper-large-v2) on the mozilla-foundation/common_voice_11_0 nan-tw dataset.
 It achieves the following results on the evaluation set:
-- Loss: 0.9147
-- Wer: 48.0611
-- Cer: 48.1739
 ## Model description
@@ -64,15 +61,19 @@ The following hyperparameters were used during training:
 - seed: 42
 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
 - lr_scheduler_type: linear
-- lr_scheduler_warmup_steps: 100
-- training_steps: 1000
 - mixed_precision_training: Native AMP
 ### Training results
 | Training Loss | Epoch | Step | Validation Loss | Wer     | Cer     |
 |:-------------:|:-----:|:----:|:---------------:|:-------:|:-------:|
-| 0.9198        | 1.38  | 1000 | 0.9147          | 48.0611 | 48.1739 |
 ### Framework versions

     metrics:
     - name: Wer
       type: wer
+      value: 45.37404580152672
 ---
 <!-- This model card has been generated automatically according to the information the Trainer had access to. You
 should probably proofread and complete it, then remove this comment. -->
+# Whisper large-v2 nan-tw only char
 This model is a fine-tuned version of [openai/whisper-large-v2](https://huggingface.co/openai/whisper-large-v2) on the mozilla-foundation/common_voice_11_0 nan-tw dataset.
 It achieves the following results on the evaluation set:
+- Loss: 1.0351
+- Wer: 45.3740
+- Cer: 45.4573
 ## Model description
 - seed: 42
 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
 - lr_scheduler_type: linear
+- lr_scheduler_warmup_steps: 500
+- training_steps: 5000
 - mixed_precision_training: Native AMP
 ### Training results
 | Training Loss | Epoch | Step | Validation Loss | Wer     | Cer     |
 |:-------------:|:-----:|:----:|:---------------:|:-------:|:-------:|
+| 0.6011        | 1.04  | 1000 | 1.1100          | 55.0229 | 55.2068 |
+| 0.1773        | 2.08  | 2000 | 1.2055          | 58.6565 | 58.7685 |
+| 0.015         | 3.13  | 3000 | 1.0932          | 48.6412 | 48.8077 |
+| 0.0131        | 5.01  | 4000 | 1.0531          | 45.7099 | 45.8497 |
+| 0.0001        | 6.05  | 5000 | 1.0351          | 45.3740 | 45.4573 |
 ### Framework versions

__pycache__/ryNormText.cpython-38.pyc ADDED Viewed

Binary file (1.83 kB). View file

all_results.json CHANGED Viewed

@@ -1,13 +1,13 @@
 {
-    "epoch": 1.38,
-    "eval_cer": 48.17386054935105,
-    "eval_loss": 0.9147109389305115,
-    "eval_runtime": 340.4629,
-    "eval_samples_per_second": 2.896,
-    "eval_steps_per_second": 1.448,
-    "eval_wer": 48.06106870229008,
-    "train_loss": 0.91982373046875,
-    "train_runtime": 1347.6358,
-    "train_samples_per_second": 1.484,
-    "train_steps_per_second": 0.742
 }

 {
+    "epoch": 6.05,
+    "eval_cer": 45.45728946574102,
+    "eval_loss": 1.0350826978683472,
+    "eval_runtime": 307.7402,
+    "eval_samples_per_second": 3.204,
+    "eval_steps_per_second": 1.602,
+    "eval_wer": 45.37404580152672,
+    "train_loss": 0.3433635727233719,
+    "train_runtime": 5460.4494,
+    "train_samples_per_second": 1.831,
+    "train_steps_per_second": 0.916
 }

eval_results.json CHANGED Viewed

@@ -1,9 +1,9 @@
 {
-    "epoch": 1.38,
-    "eval_cer": 48.17386054935105,
-    "eval_loss": 0.9147109389305115,
-    "eval_runtime": 340.4629,
-    "eval_samples_per_second": 2.896,
-    "eval_steps_per_second": 1.448,
-    "eval_wer": 48.06106870229008
 }

 {
+    "epoch": 6.05,
+    "eval_cer": 45.45728946574102,
+    "eval_loss": 1.0350826978683472,
+    "eval_runtime": 307.7402,
+    "eval_samples_per_second": 3.204,
+    "eval_steps_per_second": 1.602,
+    "eval_wer": 45.37404580152672
 }

ji_char&rome.py ADDED Viewed

	@@ -0,0 +1,37 @@

+import re
+import jiwer
+p = open('label.txt',encoding="utf-8")
+label = p.readline().split('=')[1]
+label = eval(label)
+label_ch = []
+label_rm = []
+for i in range(len(label)):
+	q = re.search('[^A-z]+\s+', str(label[i])).span()
+	label_ch.append(label[i][:q[1]])
+	label_rm.append(label[i][q[1]:])
+p = open('pred.txt','r',encoding="utf-8")
+pred = p.readline().split('=')[1]
+pred = eval(pred)
+pred_ch = []
+pred_rm = []
+for i in range(len(pred)):
+	q = re.search('[^A-z]+\s+', str(pred[i])).span()
+	pred_ch.append(pred[i][:q[1]])
+	pred_rm.append(pred[i][q[1]:])
+for i in range(len(label_rm)):
+	if len(label_rm[i]) == 0:
+		print(i)
+		label_rm[i] = 'a'
+wer_ch = jiwer.wer(label_ch, pred_ch)
+print(f'{wer_ch=}')
+wer_rm = jiwer.wer(label_rm, pred_rm)
+print(f'{wer_rm=}')

pred.txt CHANGED Viewed

@@ -1 +1 @@

- pred_str=['心理性別 ', '火燒跤村 ', '草屬 ', '十三項 ', '水里鄉 ', '這代有一個大商場 ', '聯合國 ', '菜頭人仔 ', '若洲 ', '肉羹 ', '新興區 ', '太古幣 ', '麵冬 ', '喙仔 ', '洗蚵飯 ', '新粹 ', '燒包仔 ', '空頭 ', '黃坤 ', '落水溪出代誌 ', '粗細 ', '愛害 ', '九年一貫 ', '精靈 ', '三寶 ', '速速 ', '蔗菜咧擲 ', '眼目袂消看關係 ', '鎮烏 ', '兩个人已经講和矣 ', '濁水 ', '細空喙 ', '掠著筋頭 ', '復興館 ', '戒律 ', '草人坑 ', '祝你生理快樂 ', '坑潭 ', '出水 ', '皮皮串 ', '囝仔羹 ', '菝露 ', '臺灣人 ', '落南 ', '原理坑 ', '坑仔內 ', '起冊到地 ', '戶錢 ', '紅糖 ', '青大湖 ', '柴柴橋 ', '柴球 ', '大胃王子 ', '大橂埕 ', '頭類 ', '桑餅 ', '喙暗籠 ', '龍門 ', '時局 ', '熟士 ', '線尾 ', '無話講家老 ', '下暗磅 ', '一人 ', '一定看袂著 ', '看一下影生一下囝 ', '倒勢 ', '直行 ', '鬼進壽仙 ', '肚肚 ', '變天 ', '一工到鴨 ', '粉盤 ', '有幾項菜 ', '岩埔 ', '鑼角區 ', '過路山 ', '戇買戇人行 ', '粗食 ', '這咧外濟錢 ', '斜仔 ', '看甲清清粗粗 ', '妄生 ', '發聲 ', '白囡仔 ', '心火動火 ', '番鼎仔 ', '流窟窟 ', '大溪火 ', '名聲真頭 ', '閃烘肉 ', '骨 ', '龜大 ', '水溪皮仔 ', '夯月糕 ', '翹無三文門著想欲做塗公 ', '尪姨仔 ', '臺北橋 ', '雲林縣 ', '臺中港 ', '水里 ', '臺南市 ', '七度 ', '做公竹 ', '臺川鄉 ', '燒肉肉 ', '筊 ', '漢草真好 ', '殘影 ', '按呢生 ', '海外 ', '無味可拄著潤骨 ', '奇鄉小細 ', '復 ', '頭尾 ', '牛頓市場 ', '政商 ', '吐著咧 ', '動物性格質 ', '實問精 ', '悠悠殼 ', '鑼鑼霧小睏 ', '乞頭鄉 ', '聖義臺安路口 ', '三三八八 ', '你話毋通予白講 ', '白寮鄉 ', '你莫著中午肚臍 ', '新安路 ', '金錢毋是萬能的 ', '飛苓雅菜 ', '富寮里 ', '你是誰 ', '番烏 ', '神經 ', '合同 ', '挺挺 ', '販賣殼 ', '天氣冷啦你就愛街踏一件衫 ', '我到底看著啥物 ', '手環 ', '古不日三彰 ', '廳價 ', '透睛仔 ', '傲求術 ', '隔音壁 ', '拍桶頭 ', '揮火滿天篷結智者行人 ', '東北貴方 ', '武情機 ', '做牛無小力 ', '景空白虹 ', '這妖仔摸落去真緊張的體育仔 ', '毛髏仔 ', '割喙血 ', '陽明山 ', '加鼻灌 ', '囡仔食 ', '佇對路症一點情 ', '伊歸心美虎大學 ', '東湖國中 ', '中原公園 ', '半路店 ', '冰冷坑 ', '東石鄉 ', '餅酥的 ', '無中生化 ', '馬藏角 ', '演藝伎 ', '厝邊頭背 ', '波灣粿 ', '仁愛烘酒路口 ', '千頁 ', '七夕肚 ', '大極大理 ', '烘仔頭鏡 ', '飼 ', '咱做代誌的時尊 ', '包水餃 ', '海鳥毋知飛海柴破袂開 ', '溫宗中 ', '健康中生 ', '印度尼西亞 ', '生理族 ', '獅仔頭 ', '大肚路 ', '市仔 ', '落野區 ', '學姐 ', '放人山 ', '虎尾直 ', '下腹肚 ', '興村鎮 ', '燒火球 ', '化極 ', '我三攏穿上大領 ', '溜下來 ', '半條命 ', '生活習慣 ', '電影機 ', '菜脯蛋 ', '塗塗塗 ', '鐵甲牛 ', '風火頭 ', '現流仔 ', '培了工 ', '空港 ', '較大 ', '公政橋 ', '巴結 ', '古汁 ', '有拜無積穏 ', '這時 ', '直白 ', '下災 ', '較早睏 ', '寮寮臺巡 ', '公司 ', '懸枯緊緊 ', '坑仔 ', '林線香菇 ', '山羊 ', '大頭九寶 ', '塗辦人道 ', '對 ', '內沿 ', '阮會香櫞 ', '地目 ', '真有喙水 ', '模特師 ', '相相認你就是林朋友 ', '青山溫 ', '鶴曲蘭 ', '金冬 ', '變啦 ', '單欲節 ', '狗尾金 ', '牛坑 ', '過冬跤 ', '頭辦坑坑 ', '無聽著 ', '礦機仔 ', '厝影 ', '江州 ', '青天街 ', '東方 ', '問題 ', '桃源聖別 ', '故厝 ', '妖嬌 ', '復國小 ', '點磕 ', '光臺 ', '目虛股仔 ', '立斗 ', '永環 ', '你是我我 ', '達著歹隊步 ', '僥候 ', '骨髏公的無船上 ', '加辣片 ', '如來如嚴重 ', '一個一個 ', '陳公大橋 ', '上大大師所 ', '蒜仔虯公 ', '骨銅跤 ', '復興戶 ', '講啥芋仔漢字 ', '毋行 ', '親密閨讀著童 ', '你使毋知哉臭 ', '斗南 ', '狗睏鼠無趖 ', '水粿仔 ', '門狀 ', '五手空 ', '心無目無厄 ', '敢食氣溜 ', '阿婆婆 ', '機動戰士 ', '電動 ', '起直行 ', '跤先股 ', '所羅門群島 ', '彰界 ', '我愛大股 ', '高頂 ', '甜鹹 ', '上界 ', '是小 ', '落億不折 ', '跤倉門 ', '猴仔疊豬仔 ', '風神尪仔 ', '山 ', '生甲袂蠻 ', '九月趖 ', '橫刀仔 ', '中央大學 ', '石門水庫 ', '亂史上 ', '百貨店 ', '酸素肝 ', '甲界 ', '洗衫飯 ', '天臺 ', '數位拍 ', '後褲 ', '鈍刺火 ', '頭走位 ', '夭壽貴 ', '好所在 ', '兩市 ', '鐵理 ', '現辦 ', '九點位 ', '伊生做這麼臭老 ', '摩星仔石鉎 ', '一甘甘仔 ', '龍公 ', '隔十五件 ', '提著 ', '心心酒店 ', '過時抵時 ', '較平咧 ', '桃生大罐 ', '戮區杯仔 ', '行佇這袂著愛工薪 ', '隔花仔 ', '抹衫面仔 ', '雨傘鵰 ', '石板 ', '虎魚 ', '落雨了塗跤鼻公擔落落 ', '較倉 ', '家人市 ', '你欲行對度位去 ', '敦化和平路口 ', '公仔喙 ', '阮囝今年二十出頭矣 ', '新港域 ', '愛袂叫母 ', '一分 ', '問問仔戶 ', '元安 ', '牛丼 ', '袂看得 ', '立公立直 ', '牛山肚 ', '過度 ', '十做水 ', '麥仔跤 ', '包大 ', '原地 ', '三重三重 ', '林口 ', '必定 ', '初度 ', '揣轉來 ', '機中站 ', '樹仔代 ', '心股 ', '小大 ', '頂底寮 ', '佇人 ', '你甲包仔提起哈少一下 ', '病風景病風君 ', '頂公館 ', '線仙 ', '演技界 ', '花粉 ', '毋情毋怨 ', '較緊 ', '有也好無也好 ', '草生 ', '講喙仔龍 ', '怪奇果 ', '國土家房 ', '新羅 ', '貴妻 ', '豆豆仔 ', '拍寶 ', '物件若予伊提過手 ', '電腦霓 ', '意界 ', '刺尾風 ', '烏內 ', '提灶 ', '無搭無散 ', '我欲遵佇落山 ', '倒擁 ', '聽無 ', '彼个頭家娘對人客食好咧 ', '大細練 ', '無葉 ', '無二五你的出國讀冊 ', '石烘 ', '嘉義 ', '後寮 ', '我攏有看著 ', '鏡仁路 ', '歹天 ', '三跤步一坎點 ', '臘肉 ', '句裡作 ', '下午中生 ', '林棍 ', '無直結 ', '公文 ', '十喙九跤倉 ', '頭仔片 ', '掠錢 ', '無空鳥 ', '蚵仔湯仔 ', '隔屎面 ', '白對銅 ', '膨一枝 ', '無一步 ', '老口講出來 ', '斗頂 ', '膨底做甲流懸膨跤成甲流懸 ', '烏豆汁 ', '拍屎辦 ', '桶邊 ', '焦巴 ', '簡訊 ', '一下才一下 ', '筋的酸 ', '洋仔話 ', '拍數 ', '直落挖 ', '總舖 ', '三里無見久留留 ', '學官 ', '手心動 ', '電子 ', '暗空 ', '散食 ', '速加車 ', '妖意 ', '燒雞龜 ', '釣鉤 ', '寮溝 ', '暗頭仔 ', '濟囝濟白白濟媳婦濟體育 ', '溝球 ', '無睹好 ', '戳頭鵰 ', '金環實力 ', '觀音大師 ', '臺準 ', '欲按嘛 ', '後路 ', '結尾 ', '一萬兩仔 ', '提款片 ', '無你的代 ', '天公祖 ', '篡港 ', '麗茶 ', '馬鈴薯條 ', '做塗水的 ', '林青味 ', '流明潭 ', '官包遊 ', '糖醋 ', '二戰 ', '拍鐵屎 ', '慢一跤步 ', '提皮的 ', '下禮拜 ', '死亡之鴨 ', '你毋通囥佇身外內 ', '臭菇仔 ', '歎一空食三冬 ', '我欲學臺語 ', '臺 ', '目角肚 ', '雨水暗 ', '貴州省 ', '敦華北路 ', '你看起來是才拿仔水 ', '情的食妄妄的食天公 ', '轉去 ', '那不是 ', '幾個 ', '防長 ', '港墘 ', '二寵仔 ', '無鐵仔 ', '原型力 ', '麥坑 ', '六點 ', '市中 ', '樹母苓 ', '魚仔羹 ', '廣寮區 ', '柑花噴天 ', '大好逆人 ', '行政院 ', '食市 ', '九底厝 ', '寧星 ', '月光 ', '種水氣 ', '奇幼 ', '天公市 ', '懸 ', '愛大理 ', '我薑尾袂負矣 ', '天方 ', '有連線 ', '衝 ', '中國話 ', '拔香對拜 ', '四跤草 ', '挺風 ', '觀覽 ', '結上路 ', '彈跳 ', '焦工算 ', '時過外大平 ', '有這款的代誌我攏毋知 ', '磨豆仔機 ', '國聖夜 ', '林口區 ', '菝 ', '苦蒜明薯 ', '代誌圖案 ', '半生半疑 ', '點甜點甜土坑兄味事 ', '你有工工 ', '仁堂無洗手的朋友 ', '烏日 ', '微風 ', '水旋 ', '懸欠 ', '連半个人影也無 ', '調褲 ', '塗水公 ', '無沙沙 ', '微星船 ', '欲玩矣 ', '韌種 ', '頂頭目睭咧念字 ', '伊有誠濟內筍 ', '工仔喙國小 ', '濁國速公 ', '落尾 ', '平方電腦 ', '問蠓仔烏鑼鼓塗麥擔 ', '仁君水 ', '漁人副按一下位 ', '鹹酥雞 ', '天然蚵仔 ', '熟悾 ', '茨杜 ', '聖誕老阿公 ', '天頂白茫茫 ', '飯煎 ', '南巡 ', '吾人事 ', '有溫 ', '包山包海 ', '點空區 ', '洗衫精 ', '哈勁鎮商 ', '開喙罨粒粒草 ', '焦水器 ', '老舊家 ', '速加路亞 ', '數位仔聯名 ', '臭水 ', '屬暗君仔 ', '飛行機 ', '冰粿 ', '圍空天下不亂 ', '錢票 ', '龜仔樹 ', '溶角三角 ', '半夜 ', '思維 ', '衝勇 ', '敢有問題 ', '遮涼 ', '月磯忝竹 ', '做塗水 ', '怪奇 ', '班景 ', '狡官 ', '歹牙 ', '中山路 ', '橫仔溝 ', '粉圓仔 ', '菊菊摸摸 ', '毋知佇看個時 ', '妖冬 ', '激光雨 ', '海塗仔 ', '溝頭果 ', '熟士娘上 ', '面珠 ', '底葉卵 ', '無時焦電 ', '斜人一口勁人一道 ', '鐵磯 ', '銅杯仔 ', '二刀 ', '復生豆子隻 ', '人講對人講 ', '金剛鑽石 ', '做肉餅 ', '小寶喙 ', '櫳哥魚 ', '比頭村仔 ', '一筆錢 ', '菝菜 ', '溝仔密情 ', '一枝草一點路 ', '早市 ', '大頭母人 ', '包的 ', '上禮拜 ', '牛厝仔 ', '人行貴貴行人 ', '無記地情 ', '日落山 ', '憨鄉 ', '七塗跤 ', '袂死心 ', '解濟 ', '做遊戀 ', '有聽著無 ', '大姨田 ', '斗人仔本 ', '固固 ', '影人 ', '勥查戶 ', '暗端食生 ', '草薑流角 ', '挺快 ', '首寶 ', '薄餅 ', '手著 ', '亂無 ', '無情菜 ', '內街 ', '烏樹 ', '小酸臭 ', '菊潤 ', '蠓公廁貴 ', '山炭 ', '人聲欠貨 ', '天公無帶著 ', '望遠鄉 ', '食風 ', '粉刺 ', '皮車 ', '大姊 ', '公館路 ', '碧潭路 ', '臺北歐洲校校小學部 ', '倉裡不分 ', '四分仔 ', '頭殼的 ', '南京城 ', '應隨機 ', '破珠溪 ', '池上 ', '跤車 ', '懸胎 ', '苦袂當 ', '單從工 ', '喙驚和 ', '斜浮 ', '加攏城 ', '頂底蚵 ', '張張假口 ', '社群 ', '用頂厝 ', '風駝公園 ', '金烏鎮 ', '中校復興 ', '民族區溫度口 ', '松信路 ', '飼香粉 ', '溫州 ', '臺北聯絡線 ', '有夠咧加速 ', '伊加我一半 ', '酸仔 ', '記者鄉 ', '驚柑仔囝 ', '四跤水仙 ', '暖暖區 ', '用齒面仔洗喙時愛上律氣膏 ', '新社 ', '母親力顧予伊好 ', '十包 ', '部位 ', '埔路 ', '冰糖 ', '復興橋 ', '阿拉 ', '蒜蠻 ', '員林市 ', '批錢 ', '妄大志 ', '麵腸仁 ', '景興路 ', '海蛤仔頭 ', '一月半月 ', '失聯制 ', '後區 ', '隨風 ', '蘭斯貓頭鳥 ', '茅露開 ', '子宮喙暗 ', '高姊太 ', '假說 ', '不知 ', '院頭區 ', '上海茂霞 ', '意識面 ', '光風 ', '月耳池中 ', '彼人災我無 ', '紅豆仔蜂 ', '頂河 ', '商機 ', '三兩人講四斤話 ', '金貨 ', '一組 ', '軟褲 ', '珍珠看著鳥市屎 ', '天津 ', '角運動量 ', '別問著恐怖 ', '貧極競 ', '羅連 ', '真聽話 ', '溶炭煎 ', '火星岩 ', '可睏員 ', '烏上 ', '椅頭風 ', '蔭喙 ', '查緯 ', '較通 ', '番薯片 ', '頂去 ', '卵珠 ', '歡喜感源 ', '大海無驚大水 ', '懷矣 ', '跤手電 ', '欲 ', '煎巴醬 ', '徛肚胿 ', '查某人 ', '韓子球 ', '膨了臭 ', '大火 ', '火炬母 ', '英國話 ', '明天顧問 ', '老機 ', '看有 ', '影差天火度 ', '下文外童 ', '大路二 ', '內 ', '金風山 ', '死袂見笑 ', '蟮子 ', '焦化 ', '馬鈴薯片 ', '你頭拍甲倉仔顧無客 ', '囊物褲粉 ', '擋水機 ', '肚肚胿仔 ', '陂南 ', '袂當敢若我看著 ', '有困山 ', '大市好勢仔蠢 ', '水氣 ', '景文街 ', '樹天樹地 ', '今年是一個好年冬 ', '事搭 ', '雨傘頭 ', '三講四無著 ', '五所分離 ', '反插 ', '大日本帝國 ', '烘蓋芒霜 ', '臘蚵 ', '吞兩 ', '莫計 ', '經濟做代誌較要緊 ', '你講啥 ', '景水 ', '位極 ', '身體健康 ', '跤手十足 ', '延珠學 ', '下年 ', '大路大股 ', '伊是一下大美人 ', '解溶 ', '放棄 ', '你陪我去彼邊好無 ', '網路用較刁咧 ', '樹屎 ', '孤單一生 ', '加滴 ', '市長袂中 ', '有手仔 ', '孤烘毒市 ', '裡面 ', '自目 ', '役仔 ', '燒狗 ', '冷喙 ', '創辦人 ', '水灝蠟 ', '飼養動物 ', '目睭白金 ', '撲囡仔 ', '我予滾水蟲一下膨拍著聽的 ', '聖杯 ', '為人 ', '過濟 ', '三二九 ', '飯焦 ', '天車 ', '圍篤 ', '目睭久 ', '白紅 ', '電蜜 ', '鹽酸臭 ', '粉仔韓市 ', '你一次來伊攏居好寮的 ', '來喲今來看喲 ', '犯改 ', '總事記 ', '破柴 ', '掠開 ', '鳳山 ', '老厝 ', '開船母昌 ', '金美國小 ', '直白市 ', '橋頭區 ', '南州 ', '好味鎮 ', '長力 ', '西區 ', '國泰 ', '水腸流 ', '中庸路 ', '南福著 ', '金華大學 ', '西角 ', '樹林區 ', '紙片變膠 ', '中山橋 ', '彰化銀行 ', '吳國昌 ', '喙風橋 ', '花仔菜 ', '中情國小 ', '這樣就好 ', '老去矣 ', '車頂 ', '南洋街 ', '匈羅 ', '松壽路口 ', '中坑 ', '不屬自客 ', '瑞源 ', '後役 ', '大腸鼎 ', '筊仔弓 ', '再拜 ', '新營區 ', '政二幼局 ', '寧夏路 ', '動慢 ', '大好年 ', '仁愛鄉 ', '快龍 ', '辦 ', '洗面 ', '食肌 ', '調官機 ', '仙獅娘 ', '拍鐵寮 ', '路營區 ', '韌尾 ', '外鄉客 ', '聖字區 ', '你阿母間災仔你在遮發貨物 ', '敢安呢 ', '到草原 ', '望星橋 ', '市府 ', '實字架 ', '文昌橋 ', '有影緊無 ', '林內鄉 ', '紅目樹屎 ', '囡仔人目看有 ', '菁大 ', '文古揣 ', '歹喙道 ', '查某人 ', '滷菜頭 ', '跳過 ', '鴨母帶唱旋 ', '不貪不自 ', '客行 ', '下腹腓 ', '天安門公場 ', '豆磨 ', '溫寮戶 ', '初花 ', '雞籠蜂 ', '暗明網線娘 ', '袂曉公話 ', '腰床 ', '順勢 ', '三攏無 ', '鐵欲膠 ', '推渡 ', '卒久無看的 ', '起家補貨 ', '臺東 ', '不見天 ', '麥花蜜 ', '著蝦仔腸 ', '苦寮仔 ', '五肌筋頭好隔腿的突肌嘛痛 ', '溶毛位 ', '厝尾頂 ', '橫樹人 ', '大坵 ', '殼羹 ', '客戶 ', '按摩師 ', '芋仔糊 ', '海口 ', '阿里不搭 ', '冰島 ', '摺 ', '屎啦 ', '臭屎青 ', '網紗尿尻倉 ', '策伐 ', '庸桑歸桑 ', '一切攏是假的 ', '小山崙仔 ', '煎仔糊 ', '青眉仔目鏡 ', '親愛的 ', '臺大大學 ', '欲去到位 ', '坑頭鴨 ', '面流 ', '揣著 ', '嬌童小道 ', '門東仔 ', '寧角龍 ', '狡頭不勇 ', '桃園 ', '我欲去便所 ', '彼當時 ', '片雷公 ', '代誌問號 ', '症頭 ', '我思緘 ', '材料庫學 ', '甕底水溪 ', '貨錢 ', '睏袂去 ']

+ pred_str=['心理聖地 ', '血燒尻川 ', '打性 ', '做三項 ', '水里鄉 ', '這擔有一个大傷腸 ', '聯合國 ', '菜頭人仔 ', '蘆洲 ', '肉羹 ', '新興區 ', '太孤字 ', '美冬 ', '推仔 ', '西澳門 ', '心喙 ', '燒包仔 ', '空頭 ', '鳳君 ', '落水溪出代誌 ', '粗細 ', '哀海 ', '九年一段 ', '精靈 ', '三寶 ', '速速 ', '坐掣咧等 ', '愣目袂曉看懸低 ', '圳後 ', '兩个人已經講和仔 ', '足水 ', '細空喙 ', '掠落金頭 ', '族心肝 ', '戒律 ', '草人坑 ', '祝你生日快樂 ', '坑仔 ', '出水 ', '皮平丸 ', '爺家 ', '倚落 ', '台灣人 ', '落林 ', '遠離坑 ', '坑仔賴 ', '起冊到地 ', '鱟魚 ', '紅蟲 ', '青大茂 ', '拄拄叫 ', '柴球 ', '大位王子 ', '大直埕 ', '頭鑢 ', '鬆餅 ', '喙罨廊 ', '龍文 ', '施琊 ', '鑠奅 ', '紲尾 ', '無話講交冗 ', '下暗飯 ', '一人 ', '一定箍未條 ', '看一个影生一个囝 ', '倒踅 ', '白耳 ', '規陣收捷 ', '拄豆 ', '變天 ', '一工夠熬 ', '混沌 ', '有規烘菜 ', '鹽霧 ', '鹿角龜 ', '過路山 ', '鑿馬鑿人騎 ', '粗俗 ', '這塊我濟錢 ', '車仔 ', '看甲清清粗粗 ', '戇新 ', '發聲 ', '平囡仔 ', '心肺動腿 ', '番黎仔 ', '流硞硞 ', '大溪火 ', '名聲真透 ', '鹹烘肉 ', '骨 ', '龜大 ', '水雞皮仔 ', '夯硬哥 ', '抾無三文膜著想欲做塗公 ', '尪囡仔 ', '臺北橋 ', '文林縣 ', '臺中港 ', '水利 ', '臺南市 ', '七堵 ', '做公德 ', '臺川鄉 ', '青栗白 ', '蕭 ', '漢草真好 ', '田囡 ', '按呢生 ', '海尾 ', '無米可拄著軟骨 ', '奇鄉小生 ', '捷 ', '頭尾 ', '五段新竹 ', '政商 ', '吐條咧 ', '動物性膠質 ', '素文精 ', '悠遊卡 ', '你攏無休睏喔 ', '埤頭鄉 ', '信義大安路口 ', '三三八八 ', '你話毋通烏白講 ', '白寮鄉 ', '你莫著定烏度在 ', '新安路 ', '金錢毋是萬能的 ', '飛行仔菜 ', '富料理 ', '你是誰 ', '番芋 ', '新街 ', '合同 ', '拆拆 ', '番麥殼 ', '天氣冷仔你著愛低頭一領衫 ', '我到底看著啥物 ', '手段仔 ', '孤字三張 ', '挺結 ', '透精仔 ', '澳洲小 ', '格音表 ', '拍通透 ', '開火滿天芳結子才驚人 ', '東北規風 ', '無人機 ', '做牛保小栗 ', '前擴排放 ', '這藥仔活落去真緊張的體防仔 ', '毛兒仔 ', '我喙歹 ', '陽明山 ', '咖啡館 ', '囡仔色 ', '豬對流心一點情 ', '伊規心馬苦大學 ', '東湖國中 ', '中原公園 ', '半路店 ', '濱南坑 ', '東石鄉 ', '摒數的 ', '無中心化 ', '肉欑角 ', '編譯器 ', '厝邊頭尾 ', '桃丸瓜 ', '仁愛杭州路口 ', '千領 ', '七色櫥 ', '帶激帶禮 ', '蜂仔頭囝 ', '齒 ', '咱做代誌的時尊 ', '包水轎 ', '海鳥毋知扒海柴破袂開 ', '編總場 ', '健康中心 ', '英倫西亞 ', '心理作 ', '獅仔頭 ', '大洲路 ', '鼠仔 ', '鹿野區 ', '學子 ', '�� 櫳山 ', '虎尾直 ', '赦腹肚 ', '鄉村鎮 ', '小火球 ', '跨界 ', '我三攏親上大囡 ', '溜落來 ', '半條命 ', '生活習慣 ', '電影經 ', '菜包卵 ', '塗塗塗 ', '鐵甲牛 ', '風火頭 ', '現流仔 ', '白鳥港 ', '空放 ', '較大 ', '公眾橋 ', '巴結 ', '果汁 ', '有拜無一好 ', '即時 ', '直腹 ', '下晡 ', '較早睏 ', '搖搖臺山 ', '公司 ', '肯肯緊緊 ', '坑仔 ', '那賽興國 ', '山崘 ', '大頭九某 ', '土板人道 ', '奶 ', '內園 ', '我爸鄉愣 ', '地獺 ', '真有喙水 ', '摩道士 ', '雙生囡你就是林平友 ', '青山王 ', '鵝球蘭 ', '金剛 ', '變仔 ', '單字債 ', '狗尾金 ', '貓空 ', '過冬跤 ', '頭辦坑坑 ', '無定著 ', '礦機仔 ', '跙湧 ', '中州 ', '青天街 ', '東方 ', '糞埕 ', '都原性別 ', '龜此 ', '貓蕭 ', '福連國小 ', '點撮 ', '公貸 ', '墨西哥仔 ', '立鬥 ', '中環 ', '羅斯果倚 ', '搭著排隊布 ', '僥行 ', '舊水公園無尊敲 ', '交易邊 ', '越來越嚴重 ', '一个一个 ', '陳港大橋 ', '傷度大細紲 ', '獅仔俗公 ', '骨冬跤 ', '旭瑩湖 ', '講啥物倚仔番薯 ', '夯 ', '刺面粿毒著蟲 ', '明使毋知臭 ', '斗南 ', '都可笑無事 ', '水粿仔 ', '滿場 ', '手擴 ', '心包膜染 ', '敢食氣候 ', '阿布茄 ', '機動戰士 ', '變動 ', '起一平 ', '敲仙果 ', '所羅門君路 ', '終界 ', '我愛大誤 ', '校頂 ', '甜蟹 ', '上蓋 ', '黑燒 ', '落葉不轉 ', '跤川毛 ', '拗仔貼豬仔 ', '風箏尪仔 ', '山 ', '生甲袂䆀 ', '交冊書 ', '官刀仔 ', '中養大學 ', '石門水庫 ', '論事商 ', '百貨店 ', '倯數間 ', '甲蓋 ', '洗三頓 ', '天台 ', '數位片 ', '漚膎 ', '鈍市貨 ', '頭走鑢 ', '夭壽鬼 ', '好所在 ', '軟施 ', '鐵齒 ', '現辦 ', '求電話 ', '伊新做才啉臭流 ', '模型仔縮圈 ', '一點點仔 ', '龍江 ', '隔查某囝 ', '體力 ', '松新酒店 ', '過時直視 ', '較壁咧 ', '透心大管 ', '落箍白仔 ', '兄弟姊妹著愛工商 ', '雞花仔 ', '那三米仔 ', '雨林貂 ', '就班 ', '虎魚 ', '落雨了喔頭殼邊肩擔躼躼 ', '較聳 ', '雞人飼 ', '直白行對鬥位去 ', '敦化福平路口 ', '仔喙 ', '本囝今年未知出頭矣 ', '心肝義 ', '愛白叫母 ', '直昏 ', '蠓蠓仔糊 ', '婉安 ', '牛郎 ', '袂看得 ', '立講立直 ', '龜山島 ', '過桌 ', '索做堆 ', '尾仔跤 ', '包大 ', '原地 ', '三頂三重 ', '林仔口 ', '筆電 ', '燒桌 ', '吹轉來 ', '機中站 ', '殕仔代 ', '新婦 ', '燒桌 ', '頂底標 ', '竹南 ', '你共包仔袋去烘燒一下 ', '病房間病房軍 ', '頂光館 ', '線仙 ', '演技界 ', '花本 ', '毋真毋原 ', '較緊 ', '有也好無也好 ', '操心 ', '稈推仔龍 ', '怪奇果 ', '國土交冒 ', '新羅 ', '過去 ', '豆豆仔 ', '拍寶 ', '未驚六湖伊提過手 ', '電仔蜢 ', '意解 ', '刺尾風 ', '湖內 ', '體走 ', '無代無誠 ', '我欲準備落山 ', '倒用 ', '聽無 ', '彼的頭雞娘對人嗙食好禮 ', '大細輪 ', '無歇 ', '無二誤你的出國讀冊 ', '借番 ', '敢語 ', '後寮 ', '我攏有看著 ', '建南路 ', '歹鼻 ', '三跤步一跤定 ', '肉肉 ', '共你做 ', '下晡點心 ', '輪管 ', '無直接 ', '公文 ', '閘喙高跤倉 ', '交冉片 ', '橐錢 ', '毛康照 ', '鵝仔湯仔 ', '結婀面 ', '白對人 ', '空一枝 ', '無一寶 ', '樓口講出來 ', '斗頂 ', '通地做甲流汗通跤的傷甲流瀾 ', '鵝鬥陣 ', '拍死辦 ', '通病 ', '踏巴 ', '簡訊 ', '一个接一个 ', '緊來山 ', '洋仔話 ', '拍送 ', '直落我 ', '總舖 ', '三里無見龜溜溜 ', '合肝 ', '手新東 ', '電子 ', '暗空 ', '散食 ', '塑膠車 ', '要義 ', '燒雞胿 ', '吊猴 ', '掠猴 ', '罨頭仔 ', '濟囝濟八八濟新婦濟體踢 ', '高橋 ', '無拄好 ', '手頭鏢 ', '金剛實力 ', '觀音大師 ', '在轉 ', '馬鞍苴 ', '拗落 ', '結婚 ', '一目仔 ', '提款片 ', '無你的代 ', '天公祖 ', '賰講 ', '離地 ', '馬鈴薯條 ', '做塗水的 ', '林姓未 ', '流明潭 ', '官包遊 ', '湯醋 ', '離線 ', '拍鐵屎 ', '萬一跤步 ', '提披仔 ', '下禮拜 ', '死蠓薯仔 ', '你毋通睏直心肝內 ', '臭龜仔 ', '趁一空食三冬 ', '我欲下晡你 ', '臺 ', '腹仔豆 ', '箍喙罨 ', '貴州性 ', '敦化北路 ', '欲看起來是正爿仔水 ', '真會食戇戇會食天戇 ', '�� 去 ', '下晡時 ', '鬼个 ', '紅頂 ', '感情 ', '二條仔 ', '無鐵仔 ', '原形力 ', '馬空 ', '六點 ', '司長 ', '車母奶 ', '圓仔機 ', '廣寮區 ', '甘花噴天 ', '大好寄人个 ', '行政院 ', '食鼠 ', '九塊厝 ', '冷清 ', '月光 ', '浸水去 ', '雞友 ', '天公司 ', '懸 ', '愛大義 ', '我講尾袂符仔 ', '天幕 ', '有連線 ', '衝 ', '中國話 ', '平行對排 ', '四跤草 ', '聽雨 ', '觀覽 ', '結凰卵 ', '站著 ', '達港山 ', '時過我大病 ', '有這款的代誌我攏毋知 ', '活頭仔機 ', '國姓夯 ', '那口龜 ', '倚 ', '寶山名字 ', '大直路彎 ', '半信半疑 ', '店頂店頂可見影微時 ', '你有光洘 ', '人頭無洗手的朋友 ', '烏日 ', '位方 ', '水總 ', '懸低 ', '連半个人影無 ', '吊褲 ', '塗糍工 ', '無沙沙 ', '微星船 ', '馬鞍若 ', '搵醬 ', '頂頭武拄仔林林 ', '幼精静內室 ', '港仔喙國小 ', '魯克素姑 ', '落尾的 ', '平板電腦 ', '文文仔戶路久塗麥澹 ', '冷滾水 ', '伊咧紅鵠按一咧位 ', '鹽素雞 ', '雞卵糕仔 ', '溼管 ', '足桌 ', '聖誕老阿公 ', '旗鼎白毛毛 ', '飯煎 ', '南官 ', '毋認是 ', '餘姻 ', '包山包海 ', '店空龜 ', '洗三頓 ', '哈勁電商 ', '開喙罨粒粒草 ', '踏水去 ', '老舊宗 ', '塑膠鹿仔 ', '思維仔聯名 ', '臭水 ', '屬暗君仔 ', '飛行機 ', '邊桮 ', '圍場天下不亂 ', '錢票 ', '郭仔樹 ', '英國三峽埤 ', '半夜 ', '珠淚 ', '衝勇 ', '敢有問題 ', '食涼 ', '位置欠貯 ', '做塗水 ', '怪奇 ', '辦勁 ', '交冠 ', '海岸 ', '中山路 ', '番仔 ', '粉圓仔 ', '龜龜毛毛 ', '毋捌伊看閣時 ', '流動 ', '旗公號 ', '海墘仔 ', '高頭果 ', '歇斯林鄉 ', '民族 ', '底油卵 ', '巴基交電 ', '食人一口用人一晝 ', '鐵段 ', '東北仔 ', '年猴 ', '福星投資者 ', '人講對人講 ', '金剛戰士 ', '做肉餅 ', '小抱喙 ', '閻歌魚 ', '陂頭村 ', '一筆錢 ', '果菜 ', '交冊密件 ', '一起炒一點落 ', '閘死 ', '大頭武人 ', '包的 ', '頂禮拜 ', '尿苴仔 ', '人驚鬼驚人 ', '無底地症 ', '日落山 ', '偏鄉 ', '七塗跤 ', '尾死心 ', '戒急 ', '做用力 ', '有聽著無 ', '大音鼎 ', '斗人仔本 ', '稈稈 ', '野連 ', '欠責戶 ', '暗斷食性 ', '草機頭仔 ', '挺快 ', '燒包 ', '包餅 ', '手段 ', '軟毛 ', '無精彩 ', '內街 ', '烏手 ', '小生炒 ', '龜潤 ', '五公尺跪 ', '山獺 ', '人生欠貨 ', '天公無大眾 ', '望望鄉 ', '食風 ', '粉糋 ', '批車 ', '大直 ', '公館路 ', '碧潭路 ', '臺北歐洲好好小學校 ', '衝你不文 ', '四分仔 ', '剾崁的 ', '南機場 ', '湧瑞街 ', '抱子溪 ', '豬傷 ', '跤車 ', '懸低 ', '苦袂當 ', '單蔥港 ', '蔭囝花 ', '車估 ', '共人嗙 ', '頂底蠻 ', '潮州街口 ', '社軍 ', '龍頂厝 ', '風鹿公園 ', '金剛鎮 ', '忠孝國中 ', '民族區溫路口 ', '松信路 ', '糋麭粉 ', '文酒 ', '臺北咧落山 ', '幼囡膠素 ', '伊低我一跪 ', '霜仔 ', '異地鄉 ', '囝蛤仔囝 ', '四跤水仙 ', '暖暖區 ', '勇氣美那洗喙時愛新律氣哥 ', '新車 ', '無心力鼓號一號 ', '食藤 ', '寶位 ', '布魯 ', '冰湯 ', '福星橋 ', '阿拉 ', '送安 ', '我啉鼠 ', '平鎮 ', '戇代誌 ', '美女年 ', '景興路 ', '海角仔頭 ', '一過半過 ', '失眠者 ', '澳國 ', '瑞芳 ', '人事貓頭鳥 ', '茂羅花 ', '酒弓喙罨 ', '哥姊太 ', '敢說 ', '不知 ', '建州區 ', '上海毛蟹 ', '意式麵 ', '光復 ', '話語資中 ', '皮蛋精肉糜 ', '紅豆仔麭 ', '頂花 ', '傷經 ', '三柳人講四斤話 ', '金馬 ', '這組 ', '卵箍 ', '真珠看著貓鼠屎 ', '品錢 ', '覺運動龍 ', '刣文足恐怖 ', '品結經 ', '羅連 ', '指挺蟯 ', '湧湯包 ', '花生芽 ', '可睏原 ', '土象 ', '低頭鳳 ', '蔭喙 ', '㨻花 ', '敲東 ', '番薯片 ', '摒去 ', '卵豬 ', '歡喜甘杞 ', '大海毋驚大水 ', '橫的 ', '跤手剪 ', '歇 ', '千巴醬 ', '徛桌膎 ', '查某娘 ', '番薯球 ', '蜂寮草 ', '大火 ', '火戛某 ', '英國花 ', '緬豬股份 ', '老街 ', '看無 ', '摘查天火管 ', '結婚活動 ', '臺羅膯 ', '來 ', '金鳳山 ', '死未見消 ', '嚇舌 ', '膠化 ', '巴鈴薯片 ', '二頭曝仔川仔講客 ', '英語庫本 ', '葬水機 ', '拄拄鬼仔 ', '陂南 ', '未當敢若我看著 ', '牛困山 ', '代誌虎生 �� 尾 ', '喙氣 ', '景文街 ', '就天就地 ', '今年是一个虎年冬 ', '塑膠 ', '烏山頭 ', '三講四毋著 ', '武素分離 ', '番炒 ', '大日本地國 ', '仝蓋夢想 ', '那傲 ', '吞奶 ', '莫閣 ', '緊起做代誌跤要緊 ', '你講啥 ', '緊水 ', '位結 ', '身體健康 ', '跤手十足 ', '電子學 ', '下年 ', '大路大股 ', '伊是一个大米奶 ', '解娘 ', '放氣 ', '你飛我去彼邊好無 ', '網路用較條咧 ', '舟屎 ', '孤單一生 ', '咖啡 ', '死忠袂誌 ', '烏鳥仔 ', '股份讀字 ', '二面 ', '注目 ', '掠肉 ', '燒桌 ', '掩喙 ', '創辦人 ', '水產林 ', '市里動物 ', '目睭八金 ', '抾囡仔 ', '我後滾水湯一个膨拍足聽的 ', '順桮 ', '話人 ', '郭蟯 ', '生理經 ', '飯焦 ', '天車 ', '未讀 ', '馬鈴薯 ', '白雲 ', '電覕 ', '鹽酸草 ', '番仔番薯 ', '你一擺來伊攏出好寮的 ', '來喔緊來看喔 ', '番黍 ', '總事記 ', '拍柴 ', '列位 ', '風山 ', '老厝 ', '開山武將 ', '金米國小 ', '德北市 ', '驕頭區 ', '南州 ', '好美鎮 ', '忠義 ', '西區 ', '國泰 ', '水轉流 ', '中壤路 ', '南福德 ', '金華大學 ', '使甲 ', '樹林區 ', '紙票變高 ', '中山橋 ', '彰化銀行 ', '毋國中 ', '喙風橋 ', '花仔菜 ', '中正國小 ', '按呢著好 ', '老去仔 ', '車埕 ', '南洋街 ', '鄉路 ', '松勢路口 ', '中坑 ', '不速制溪 ', '瑞源 ', '後壠 ', '大頭鼎 ', '鳥仔經 ', '再掰 ', '新娘區 ', '正義遊腳 ', '寧夏路 ', '動蠻 ', '大溝囡 ', '仁愛鄉 ', '快龍 ', '班 ', '西邊 ', '遮基 ', '釣官雞 ', '先死娘 ', '拍鐵寮 ', '路燕區 ', '問尾 ', '外商街 ', '信義區 ', '你那母感災仔你一隻食發肺份 ', '敢按呢 ', '到草原 ', '望星橋 ', '市府 ', '實字幕 ', '文松橋 ', '位仔緊無 ', '那來鄉 ', '紅目照使 ', '囡仔人仔看霧 ', '車埕 ', '文國菜 ', '歹喙豆 ', '查某爺 ', '魯菜頭 ', '跳過 ', '鴨母帶種苧 ', '不知不覺 ', '客鄉 ', '地獺血 ', '天鵝毛公場 ', '刀光 ', '尾名話 ', '焦花 ', '雞人烘 ', '暗眠妄山貓 ', '袂曉講話 ', '尤川 ', '巡庄 ', '三攏無 ', '鐵鉎膠 ', '推斗 ', '足久無看的 ', '起雞毛皮 ', '臺南 ', '北建圈 ', '落花束 ', '著瓦仔條 ', '苦寮仔 ', '五起囝仔開開十起馬延 ', '幼囡位 ', '眵尾頂 ', '花施琅 ', '大箍 ', '殼低 ', '客戶 ', '鴨母樹 ', '烏鴉姑 ', '海口 ', '阿里不達 ', '冰島 ', '捽 ', '使啦 ', '臭屎青 ', '茂谷蜈蚩 ', '切腹 ', '容鬆規大 ', '這車攏是假的 ', '小山卵仔 ', '剪仔菇 ', '青梅仔目鏡 ', '親愛的 ', '在地大學 ', '馬基島位 ', '崁頭鴨 ', '貶牛 ', '揣著 ', '家長交度 ', '門樓仔 ', '林國龍 ', '狗頭不良 ', '癱風 ', '我欲去便所 ', '彼當時 ', '品雷公 ', '代誌毋好 ', '枕頭 ', '鴨鼠大 ', '資料庫學 ', '罨底水低 ', '匯錢 ', '睏袂去 ']

pytorch_model.bin CHANGED Viewed

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:4ef4e1637cc218a82689705eefba3dfb4c61dd4754c6462e1492eb4c9dee2738
 size 6173655480

 version https://git-lfs.github.com/spec/v1
+oid sha256:7ce5d412286fe735ff8f7b3d21595df7236d692a4a1344ecdd9d9188e7f0ce3d
 size 6173655480

runs/May27_16-29-08_DESKTOP-EVSD799/1685176171.0099354/events.out.tfevents.1685176171.DESKTOP-EVSD799.21519.1 ADDED Viewed

	@@ -0,0 +1,3 @@

+version https://git-lfs.github.com/spec/v1
+oid sha256:605f61f3b455bc3931ab6a2cb35fd89998e98892123c1675106b4808d4b17e34
+size 5980

runs/May27_16-29-08_DESKTOP-EVSD799/events.out.tfevents.1685176170.DESKTOP-EVSD799.21519.0 ADDED Viewed

	@@ -0,0 +1,3 @@

+version https://git-lfs.github.com/spec/v1
+oid sha256:835ae26760f6f41bef9873d6bc5426e4b2c01b4db78c64e8ed73e694e24c758f
+size 38142

runs/May27_16-29-08_DESKTOP-EVSD799/events.out.tfevents.1685181957.DESKTOP-EVSD799.21519.2 ADDED Viewed

	@@ -0,0 +1,3 @@

+version https://git-lfs.github.com/spec/v1
+oid sha256:3532d7a8322687ae8a560a460f3878987625e93bbaea912233a718c86bd1bd32
+size 405

train_results.json CHANGED Viewed

@@ -1,7 +1,7 @@
 {
-    "epoch": 1.38,
-    "train_loss": 0.91982373046875,
-    "train_runtime": 1347.6358,
-    "train_samples_per_second": 1.484,
-    "train_steps_per_second": 0.742
 }

 {
+    "epoch": 6.05,
+    "train_loss": 0.3433635727233719,
+    "train_runtime": 5460.4494,
+    "train_samples_per_second": 1.831,
+    "train_steps_per_second": 0.916
 }

trainer_state.json CHANGED Viewed

@@ -1,41 +1,1275 @@
 {
   "best_metric": null,
   "best_model_checkpoint": null,
-  "epoch": 1.383,
-  "global_step": 1000,
   "is_hyper_param_search": false,
   "is_local_process_zero": true,
   "is_world_process_zero": true,
   "log_history": [
     {
-      "epoch": 1.38,
-      "learning_rate": 8.88888888888889e-08,
-      "loss": 0.9198,
       "step": 1000
     },
     {
-      "epoch": 1.38,
-      "eval_cer": 48.17386054935105,
-      "eval_loss": 0.9147109389305115,
-      "eval_runtime": 340.3264,
-      "eval_samples_per_second": 2.897,
-      "eval_steps_per_second": 1.449,
-      "eval_wer": 48.06106870229008,
       "step": 1000
     },
     {
-      "epoch": 1.38,
-      "step": 1000,
-      "total_flos": 4.2463420416e+18,
-      "train_loss": 0.91982373046875,
-      "train_runtime": 1347.6358,
-      "train_samples_per_second": 1.484,
-      "train_steps_per_second": 0.742
     }
   ],
-  "max_steps": 1000,
   "num_train_epochs": 9223372036854775807,
-  "total_flos": 4.2463420416e+18,
   "trial_name": null,
   "trial_params": null
 }

 {
   "best_metric": null,
   "best_model_checkpoint": null,
+  "epoch": 6.0532,
+  "global_step": 5000,
   "is_hyper_param_search": false,
   "is_local_process_zero": true,
   "is_world_process_zero": true,
   "log_history": [
     {
+      "epoch": 0.01,
+      "learning_rate": 4.0000000000000003e-07,
+      "loss": 2.3624,
+      "step": 25
+    },
+    {
+      "epoch": 0.01,
+      "learning_rate": 8.8e-07,
+      "loss": 2.1188,
+      "step": 50
+    },
+    {
+      "epoch": 0.01,
+      "learning_rate": 1.3800000000000001e-06,
+      "loss": 1.6209,
+      "step": 75
+    },
+    {
+      "epoch": 0.02,
+      "learning_rate": 1.8800000000000002e-06,
+      "loss": 1.3116,
+      "step": 100
+    },
+    {
+      "epoch": 0.03,
+      "learning_rate": 2.38e-06,
+      "loss": 1.2712,
+      "step": 125
+    },
+    {
+      "epoch": 0.03,
+      "learning_rate": 2.88e-06,
+      "loss": 1.3543,
+      "step": 150
+    },
+    {
+      "epoch": 0.04,
+      "learning_rate": 3.3800000000000007e-06,
+      "loss": 1.2611,
+      "step": 175
+    },
+    {
+      "epoch": 0.04,
+      "learning_rate": 3.86e-06,
+      "loss": 1.0402,
+      "step": 200
+    },
+    {
+      "epoch": 0.04,
+      "learning_rate": 4.360000000000001e-06,
+      "loss": 1.1532,
+      "step": 225
+    },
+    {
+      "epoch": 0.05,
+      "learning_rate": 4.86e-06,
+      "loss": 1.3084,
+      "step": 250
+    },
+    {
+      "epoch": 0.06,
+      "learning_rate": 5.36e-06,
+      "loss": 1.2273,
+      "step": 275
+    },
+    {
+      "epoch": 0.06,
+      "learning_rate": 5.86e-06,
+      "loss": 1.0857,
+      "step": 300
+    },
+    {
+      "epoch": 0.07,
+      "learning_rate": 6.360000000000001e-06,
+      "loss": 1.2258,
+      "step": 325
+    },
+    {
+      "epoch": 0.07,
+      "learning_rate": 6.860000000000001e-06,
+      "loss": 1.2328,
+      "step": 350
+    },
+    {
+      "epoch": 0.07,
+      "learning_rate": 7.360000000000001e-06,
+      "loss": 1.213,
+      "step": 375
+    },
+    {
+      "epoch": 0.08,
+      "learning_rate": 7.860000000000001e-06,
+      "loss": 1.3364,
+      "step": 400
+    },
+    {
+      "epoch": 0.09,
+      "learning_rate": 8.36e-06,
+      "loss": 1.1307,
+      "step": 425
+    },
+    {
+      "epoch": 0.09,
+      "learning_rate": 8.860000000000002e-06,
+      "loss": 1.2142,
+      "step": 450
+    },
+    {
+      "epoch": 0.1,
+      "learning_rate": 9.360000000000002e-06,
+      "loss": 1.2554,
+      "step": 475
+    },
+    {
+      "epoch": 0.1,
+      "learning_rate": 9.86e-06,
+      "loss": 1.453,
+      "step": 500
+    },
+    {
+      "epoch": 0.1,
+      "learning_rate": 9.960000000000001e-06,
+      "loss": 1.0811,
+      "step": 525
+    },
+    {
+      "epoch": 0.11,
+      "learning_rate": 9.904444444444445e-06,
+      "loss": 1.4234,
+      "step": 550
+    },
+    {
+      "epoch": 0.12,
+      "learning_rate": 9.84888888888889e-06,
+      "loss": 1.1177,
+      "step": 575
+    },
+    {
+      "epoch": 0.12,
+      "learning_rate": 9.793333333333333e-06,
+      "loss": 1.2537,
+      "step": 600
+    },
+    {
+      "epoch": 0.12,
+      "learning_rate": 9.737777777777779e-06,
+      "loss": 1.4309,
+      "step": 625
+    },
+    {
+      "epoch": 0.13,
+      "learning_rate": 9.682222222222223e-06,
+      "loss": 1.1939,
+      "step": 650
+    },
+    {
+      "epoch": 0.14,
+      "learning_rate": 9.626666666666667e-06,
+      "loss": 1.4469,
+      "step": 675
+    },
+    {
+      "epoch": 0.14,
+      "learning_rate": 9.571111111111113e-06,
+      "loss": 1.1278,
+      "step": 700
+    },
+    {
+      "epoch": 0.14,
+      "learning_rate": 9.515555555555557e-06,
+      "loss": 1.2459,
+      "step": 725
+    },
+    {
+      "epoch": 0.15,
+      "learning_rate": 9.460000000000001e-06,
+      "loss": 0.9669,
+      "step": 750
+    },
+    {
+      "epoch": 0.15,
+      "learning_rate": 9.404444444444445e-06,
+      "loss": 1.0934,
+      "step": 775
+    },
+    {
+      "epoch": 1.0,
+      "learning_rate": 9.348888888888889e-06,
+      "loss": 0.8223,
+      "step": 800
+    },
+    {
+      "epoch": 1.01,
+      "learning_rate": 9.293333333333335e-06,
+      "loss": 0.8306,
+      "step": 825
+    },
+    {
+      "epoch": 1.01,
+      "learning_rate": 9.237777777777779e-06,
+      "loss": 0.8573,
+      "step": 850
+    },
+    {
+      "epoch": 1.02,
+      "learning_rate": 9.182222222222223e-06,
+      "loss": 0.818,
+      "step": 875
+    },
+    {
+      "epoch": 1.02,
+      "learning_rate": 9.126666666666667e-06,
+      "loss": 0.7734,
+      "step": 900
+    },
+    {
+      "epoch": 1.03,
+      "learning_rate": 9.07111111111111e-06,
+      "loss": 0.8211,
+      "step": 925
+    },
+    {
+      "epoch": 1.03,
+      "learning_rate": 9.015555555555557e-06,
+      "loss": 0.7027,
+      "step": 950
+    },
+    {
+      "epoch": 1.04,
+      "learning_rate": 8.96e-06,
+      "loss": 0.7397,
+      "step": 975
+    },
+    {
+      "epoch": 1.04,
+      "learning_rate": 8.904444444444446e-06,
+      "loss": 0.6011,
       "step": 1000
     },
     {
+      "epoch": 1.04,
+      "eval_cer": 55.20676124358588,
+      "eval_loss": 1.1100292205810547,
+      "eval_runtime": 311.6884,
+      "eval_samples_per_second": 3.163,
+      "eval_steps_per_second": 1.582,
+      "eval_wer": 55.022900763358784,
       "step": 1000
     },
     {
+      "epoch": 1.05,
+      "learning_rate": 8.848888888888889e-06,
+      "loss": 0.7035,
+      "step": 1025
+    },
+    {
+      "epoch": 1.05,
+      "learning_rate": 8.793333333333334e-06,
+      "loss": 0.5823,
+      "step": 1050
+    },
+    {
+      "epoch": 1.06,
+      "learning_rate": 8.737777777777778e-06,
+      "loss": 0.6668,
+      "step": 1075
+    },
+    {
+      "epoch": 1.06,
+      "learning_rate": 8.682222222222222e-06,
+      "loss": 0.7825,
+      "step": 1100
+    },
+    {
+      "epoch": 1.07,
+      "learning_rate": 8.626666666666668e-06,
+      "loss": 0.5401,
+      "step": 1125
+    },
+    {
+      "epoch": 1.07,
+      "learning_rate": 8.571111111111112e-06,
+      "loss": 0.687,
+      "step": 1150
+    },
+    {
+      "epoch": 1.08,
+      "learning_rate": 8.515555555555556e-06,
+      "loss": 0.557,
+      "step": 1175
+    },
+    {
+      "epoch": 1.08,
+      "learning_rate": 8.46e-06,
+      "loss": 0.5952,
+      "step": 1200
+    },
+    {
+      "epoch": 1.09,
+      "learning_rate": 8.404444444444444e-06,
+      "loss": 0.6319,
+      "step": 1225
+    },
+    {
+      "epoch": 1.09,
+      "learning_rate": 8.34888888888889e-06,
+      "loss": 0.6004,
+      "step": 1250
+    },
+    {
+      "epoch": 1.1,
+      "learning_rate": 8.293333333333334e-06,
+      "loss": 0.6284,
+      "step": 1275
+    },
+    {
+      "epoch": 1.1,
+      "learning_rate": 8.237777777777778e-06,
+      "loss": 0.6487,
+      "step": 1300
+    },
+    {
+      "epoch": 1.11,
+      "learning_rate": 8.182222222222222e-06,
+      "loss": 0.397,
+      "step": 1325
+    },
+    {
+      "epoch": 1.11,
+      "learning_rate": 8.126666666666668e-06,
+      "loss": 0.6252,
+      "step": 1350
+    },
+    {
+      "epoch": 1.12,
+      "learning_rate": 8.071111111111112e-06,
+      "loss": 0.4981,
+      "step": 1375
+    },
+    {
+      "epoch": 1.12,
+      "learning_rate": 8.015555555555556e-06,
+      "loss": 0.4106,
+      "step": 1400
+    },
+    {
+      "epoch": 1.13,
+      "learning_rate": 7.960000000000002e-06,
+      "loss": 0.385,
+      "step": 1425
+    },
+    {
+      "epoch": 1.13,
+      "learning_rate": 7.904444444444444e-06,
+      "loss": 0.5597,
+      "step": 1450
+    },
+    {
+      "epoch": 1.14,
+      "learning_rate": 7.84888888888889e-06,
+      "loss": 0.4176,
+      "step": 1475
+    },
+    {
+      "epoch": 1.14,
+      "learning_rate": 7.793333333333334e-06,
+      "loss": 0.5235,
+      "step": 1500
+    },
+    {
+      "epoch": 1.15,
+      "learning_rate": 7.737777777777778e-06,
+      "loss": 0.6513,
+      "step": 1525
+    },
+    {
+      "epoch": 1.15,
+      "learning_rate": 7.682222222222224e-06,
+      "loss": 0.514,
+      "step": 1550
+    },
+    {
+      "epoch": 1.16,
+      "learning_rate": 7.626666666666668e-06,
+      "loss": 0.549,
+      "step": 1575
+    },
+    {
+      "epoch": 2.0,
+      "learning_rate": 7.571111111111112e-06,
+      "loss": 0.2948,
+      "step": 1600
+    },
+    {
+      "epoch": 2.01,
+      "learning_rate": 7.515555555555556e-06,
+      "loss": 0.1904,
+      "step": 1625
+    },
+    {
+      "epoch": 2.01,
+      "learning_rate": 7.4600000000000006e-06,
+      "loss": 0.2632,
+      "step": 1650
+    },
+    {
+      "epoch": 2.02,
+      "learning_rate": 7.4044444444444455e-06,
+      "loss": 0.2815,
+      "step": 1675
+    },
+    {
+      "epoch": 2.02,
+      "learning_rate": 7.3488888888888895e-06,
+      "loss": 0.1711,
+      "step": 1700
+    },
+    {
+      "epoch": 2.03,
+      "learning_rate": 7.2933333333333335e-06,
+      "loss": 0.2852,
+      "step": 1725
+    },
+    {
+      "epoch": 2.03,
+      "learning_rate": 7.237777777777778e-06,
+      "loss": 0.2344,
+      "step": 1750
+    },
+    {
+      "epoch": 2.04,
+      "learning_rate": 7.1822222222222224e-06,
+      "loss": 0.216,
+      "step": 1775
+    },
+    {
+      "epoch": 2.04,
+      "learning_rate": 7.126666666666667e-06,
+      "loss": 0.1479,
+      "step": 1800
+    },
+    {
+      "epoch": 2.05,
+      "learning_rate": 7.071111111111112e-06,
+      "loss": 0.2791,
+      "step": 1825
+    },
+    {
+      "epoch": 2.05,
+      "learning_rate": 7.015555555555556e-06,
+      "loss": 0.1207,
+      "step": 1850
+    },
+    {
+      "epoch": 2.06,
+      "learning_rate": 6.96e-06,
+      "loss": 0.1538,
+      "step": 1875
+    },
+    {
+      "epoch": 2.06,
+      "learning_rate": 6.904444444444444e-06,
+      "loss": 0.1898,
+      "step": 1900
+    },
+    {
+      "epoch": 2.07,
+      "learning_rate": 6.848888888888889e-06,
+      "loss": 0.1789,
+      "step": 1925
+    },
+    {
+      "epoch": 2.07,
+      "learning_rate": 6.793333333333334e-06,
+      "loss": 0.1941,
+      "step": 1950
+    },
+    {
+      "epoch": 2.08,
+      "learning_rate": 6.737777777777779e-06,
+      "loss": 0.2072,
+      "step": 1975
+    },
+    {
+      "epoch": 2.08,
+      "learning_rate": 6.682222222222223e-06,
+      "loss": 0.1773,
+      "step": 2000
+    },
+    {
+      "epoch": 2.08,
+      "eval_cer": 58.768487775430124,
+      "eval_loss": 1.2054609060287476,
+      "eval_runtime": 316.5335,
+      "eval_samples_per_second": 3.115,
+      "eval_steps_per_second": 1.557,
+      "eval_wer": 58.656488549618324,
+      "step": 2000
+    },
+    {
+      "epoch": 2.09,
+      "learning_rate": 6.626666666666667e-06,
+      "loss": 0.2132,
+      "step": 2025
+    },
+    {
+      "epoch": 2.09,
+      "learning_rate": 6.571111111111111e-06,
+      "loss": 0.241,
+      "step": 2050
+    },
+    {
+      "epoch": 2.1,
+      "learning_rate": 6.515555555555556e-06,
+      "loss": 0.1587,
+      "step": 2075
+    },
+    {
+      "epoch": 2.1,
+      "learning_rate": 6.460000000000001e-06,
+      "loss": 0.1256,
+      "step": 2100
+    },
+    {
+      "epoch": 2.11,
+      "learning_rate": 6.404444444444446e-06,
+      "loss": 0.1353,
+      "step": 2125
+    },
+    {
+      "epoch": 2.11,
+      "learning_rate": 6.348888888888889e-06,
+      "loss": 0.105,
+      "step": 2150
+    },
+    {
+      "epoch": 2.12,
+      "learning_rate": 6.293333333333334e-06,
+      "loss": 0.1043,
+      "step": 2175
+    },
+    {
+      "epoch": 2.12,
+      "learning_rate": 6.237777777777778e-06,
+      "loss": 0.2282,
+      "step": 2200
+    },
+    {
+      "epoch": 2.13,
+      "learning_rate": 6.182222222222223e-06,
+      "loss": 0.1383,
+      "step": 2225
+    },
+    {
+      "epoch": 2.13,
+      "learning_rate": 6.126666666666668e-06,
+      "loss": 0.2288,
+      "step": 2250
+    },
+    {
+      "epoch": 2.14,
+      "learning_rate": 6.0711111111111125e-06,
+      "loss": 0.188,
+      "step": 2275
+    },
+    {
+      "epoch": 2.14,
+      "learning_rate": 6.015555555555556e-06,
+      "loss": 0.1187,
+      "step": 2300
+    },
+    {
+      "epoch": 2.15,
+      "learning_rate": 5.9600000000000005e-06,
+      "loss": 0.1893,
+      "step": 2325
+    },
+    {
+      "epoch": 2.15,
+      "learning_rate": 5.9044444444444446e-06,
+      "loss": 0.1996,
+      "step": 2350
+    },
+    {
+      "epoch": 3.0,
+      "learning_rate": 5.8488888888888895e-06,
+      "loss": 0.1588,
+      "step": 2375
+    },
+    {
+      "epoch": 3.01,
+      "learning_rate": 5.793333333333334e-06,
+      "loss": 0.05,
+      "step": 2400
+    },
+    {
+      "epoch": 3.01,
+      "learning_rate": 5.737777777777778e-06,
+      "loss": 0.0634,
+      "step": 2425
+    },
+    {
+      "epoch": 3.02,
+      "learning_rate": 5.682222222222222e-06,
+      "loss": 0.0964,
+      "step": 2450
+    },
+    {
+      "epoch": 3.02,
+      "learning_rate": 5.626666666666667e-06,
+      "loss": 0.0753,
+      "step": 2475
+    },
+    {
+      "epoch": 3.03,
+      "learning_rate": 5.571111111111111e-06,
+      "loss": 0.0634,
+      "step": 2500
+    },
+    {
+      "epoch": 3.03,
+      "learning_rate": 5.515555555555556e-06,
+      "loss": 0.0248,
+      "step": 2525
+    },
+    {
+      "epoch": 3.04,
+      "learning_rate": 5.460000000000001e-06,
+      "loss": 0.0698,
+      "step": 2550
+    },
+    {
+      "epoch": 3.04,
+      "learning_rate": 5.404444444444444e-06,
+      "loss": 0.0496,
+      "step": 2575
+    },
+    {
+      "epoch": 3.05,
+      "learning_rate": 5.348888888888889e-06,
+      "loss": 0.0641,
+      "step": 2600
+    },
+    {
+      "epoch": 3.05,
+      "learning_rate": 5.293333333333334e-06,
+      "loss": 0.0718,
+      "step": 2625
+    },
+    {
+      "epoch": 3.06,
+      "learning_rate": 5.237777777777778e-06,
+      "loss": 0.0129,
+      "step": 2650
+    },
+    {
+      "epoch": 3.06,
+      "learning_rate": 5.182222222222223e-06,
+      "loss": 0.0223,
+      "step": 2675
+    },
+    {
+      "epoch": 3.07,
+      "learning_rate": 5.126666666666668e-06,
+      "loss": 0.0181,
+      "step": 2700
+    },
+    {
+      "epoch": 3.07,
+      "learning_rate": 5.071111111111111e-06,
+      "loss": 0.0608,
+      "step": 2725
+    },
+    {
+      "epoch": 3.08,
+      "learning_rate": 5.015555555555556e-06,
+      "loss": 0.0298,
+      "step": 2750
+    },
+    {
+      "epoch": 3.08,
+      "learning_rate": 4.960000000000001e-06,
+      "loss": 0.0335,
+      "step": 2775
+    },
+    {
+      "epoch": 3.09,
+      "learning_rate": 4.904444444444445e-06,
+      "loss": 0.0556,
+      "step": 2800
+    },
+    {
+      "epoch": 3.09,
+      "learning_rate": 4.848888888888889e-06,
+      "loss": 0.0338,
+      "step": 2825
+    },
+    {
+      "epoch": 3.1,
+      "learning_rate": 4.793333333333334e-06,
+      "loss": 0.0627,
+      "step": 2850
+    },
+    {
+      "epoch": 3.1,
+      "learning_rate": 4.737777777777779e-06,
+      "loss": 0.0272,
+      "step": 2875
+    },
+    {
+      "epoch": 3.11,
+      "learning_rate": 4.682222222222223e-06,
+      "loss": 0.0332,
+      "step": 2900
+    },
+    {
+      "epoch": 3.11,
+      "learning_rate": 4.626666666666667e-06,
+      "loss": 0.0464,
+      "step": 2925
+    },
+    {
+      "epoch": 3.12,
+      "learning_rate": 4.571111111111112e-06,
+      "loss": 0.0433,
+      "step": 2950
+    },
+    {
+      "epoch": 3.12,
+      "learning_rate": 4.515555555555556e-06,
+      "loss": 0.0413,
+      "step": 2975
+    },
+    {
+      "epoch": 3.13,
+      "learning_rate": 4.4600000000000005e-06,
+      "loss": 0.015,
+      "step": 3000
+    },
+    {
+      "epoch": 3.13,
+      "eval_cer": 48.80772713552671,
+      "eval_loss": 1.093173861503601,
+      "eval_runtime": 300.4137,
+      "eval_samples_per_second": 3.282,
+      "eval_steps_per_second": 1.641,
+      "eval_wer": 48.6412213740458,
+      "step": 3000
+    },
+    {
+      "epoch": 3.13,
+      "learning_rate": 4.404444444444445e-06,
+      "loss": 0.0324,
+      "step": 3025
+    },
+    {
+      "epoch": 3.14,
+      "learning_rate": 4.348888888888889e-06,
+      "loss": 0.037,
+      "step": 3050
+    },
+    {
+      "epoch": 3.14,
+      "learning_rate": 4.2933333333333334e-06,
+      "loss": 0.0418,
+      "step": 3075
+    },
+    {
+      "epoch": 3.15,
+      "learning_rate": 4.2377777777777775e-06,
+      "loss": 0.0705,
+      "step": 3100
+    },
+    {
+      "epoch": 3.15,
+      "learning_rate": 4.182222222222222e-06,
+      "loss": 0.0239,
+      "step": 3125
+    },
+    {
+      "epoch": 3.16,
+      "learning_rate": 4.126666666666667e-06,
+      "loss": 0.0386,
+      "step": 3150
+    },
+    {
+      "epoch": 4.0,
+      "learning_rate": 4.071111111111111e-06,
+      "loss": 0.0222,
+      "step": 3175
+    },
+    {
+      "epoch": 4.01,
+      "learning_rate": 4.015555555555556e-06,
+      "loss": 0.0083,
+      "step": 3200
+    },
+    {
+      "epoch": 4.01,
+      "learning_rate": 3.96e-06,
+      "loss": 0.012,
+      "step": 3225
+    },
+    {
+      "epoch": 4.02,
+      "learning_rate": 3.904444444444444e-06,
+      "loss": 0.0263,
+      "step": 3250
+    },
+    {
+      "epoch": 4.02,
+      "learning_rate": 3.848888888888889e-06,
+      "loss": 0.0062,
+      "step": 3275
+    },
+    {
+      "epoch": 4.03,
+      "learning_rate": 3.793333333333334e-06,
+      "loss": 0.0526,
+      "step": 3300
+    },
+    {
+      "epoch": 4.03,
+      "learning_rate": 3.737777777777778e-06,
+      "loss": 0.0074,
+      "step": 3325
+    },
+    {
+      "epoch": 4.04,
+      "learning_rate": 3.6822222222222225e-06,
+      "loss": 0.0063,
+      "step": 3350
+    },
+    {
+      "epoch": 4.04,
+      "learning_rate": 3.6266666666666674e-06,
+      "loss": 0.0062,
+      "step": 3375
+    },
+    {
+      "epoch": 4.05,
+      "learning_rate": 3.5711111111111114e-06,
+      "loss": 0.0288,
+      "step": 3400
+    },
+    {
+      "epoch": 4.05,
+      "learning_rate": 3.515555555555556e-06,
+      "loss": 0.0152,
+      "step": 3425
+    },
+    {
+      "epoch": 4.06,
+      "learning_rate": 3.46e-06,
+      "loss": 0.0073,
+      "step": 3450
+    },
+    {
+      "epoch": 4.06,
+      "learning_rate": 3.404444444444445e-06,
+      "loss": 0.0167,
+      "step": 3475
+    },
+    {
+      "epoch": 4.07,
+      "learning_rate": 3.3488888888888892e-06,
+      "loss": 0.0044,
+      "step": 3500
+    },
+    {
+      "epoch": 4.07,
+      "learning_rate": 3.2933333333333333e-06,
+      "loss": 0.0225,
+      "step": 3525
+    },
+    {
+      "epoch": 4.08,
+      "learning_rate": 3.237777777777778e-06,
+      "loss": 0.0068,
+      "step": 3550
+    },
+    {
+      "epoch": 4.08,
+      "learning_rate": 3.1822222222222226e-06,
+      "loss": 0.0101,
+      "step": 3575
+    },
+    {
+      "epoch": 4.09,
+      "learning_rate": 3.1266666666666667e-06,
+      "loss": 0.0028,
+      "step": 3600
+    },
+    {
+      "epoch": 4.09,
+      "learning_rate": 3.0711111111111115e-06,
+      "loss": 0.0041,
+      "step": 3625
+    },
+    {
+      "epoch": 4.1,
+      "learning_rate": 3.015555555555556e-06,
+      "loss": 0.0048,
+      "step": 3650
+    },
+    {
+      "epoch": 4.1,
+      "learning_rate": 2.96e-06,
+      "loss": 0.003,
+      "step": 3675
+    },
+    {
+      "epoch": 4.11,
+      "learning_rate": 2.904444444444445e-06,
+      "loss": 0.0085,
+      "step": 3700
+    },
+    {
+      "epoch": 4.11,
+      "learning_rate": 2.8488888888888894e-06,
+      "loss": 0.0176,
+      "step": 3725
+    },
+    {
+      "epoch": 4.12,
+      "learning_rate": 2.7933333333333334e-06,
+      "loss": 0.006,
+      "step": 3750
+    },
+    {
+      "epoch": 4.12,
+      "learning_rate": 2.7377777777777783e-06,
+      "loss": 0.0028,
+      "step": 3775
+    },
+    {
+      "epoch": 4.13,
+      "learning_rate": 2.6822222222222223e-06,
+      "loss": 0.0098,
+      "step": 3800
+    },
+    {
+      "epoch": 4.13,
+      "learning_rate": 2.6266666666666668e-06,
+      "loss": 0.015,
+      "step": 3825
+    },
+    {
+      "epoch": 4.14,
+      "learning_rate": 2.5711111111111112e-06,
+      "loss": 0.0118,
+      "step": 3850
+    },
+    {
+      "epoch": 4.14,
+      "learning_rate": 2.5155555555555557e-06,
+      "loss": 0.0043,
+      "step": 3875
+    },
+    {
+      "epoch": 4.15,
+      "learning_rate": 2.46e-06,
+      "loss": 0.0429,
+      "step": 3900
+    },
+    {
+      "epoch": 4.15,
+      "learning_rate": 2.4044444444444446e-06,
+      "loss": 0.0011,
+      "step": 3925
+    },
+    {
+      "epoch": 5.0,
+      "learning_rate": 2.348888888888889e-06,
+      "loss": 0.0031,
+      "step": 3950
+    },
+    {
+      "epoch": 5.01,
+      "learning_rate": 2.2933333333333335e-06,
+      "loss": 0.0011,
+      "step": 3975
+    },
+    {
+      "epoch": 5.01,
+      "learning_rate": 2.237777777777778e-06,
+      "loss": 0.0131,
+      "step": 4000
+    },
+    {
+      "epoch": 5.01,
+      "eval_cer": 45.849683066706916,
+      "eval_loss": 1.0531306266784668,
+      "eval_runtime": 303.983,
+      "eval_samples_per_second": 3.244,
+      "eval_steps_per_second": 1.622,
+      "eval_wer": 45.70992366412214,
+      "step": 4000
+    },
+    {
+      "epoch": 5.02,
+      "learning_rate": 2.1822222222222225e-06,
+      "loss": 0.0027,
+      "step": 4025
+    },
+    {
+      "epoch": 5.02,
+      "learning_rate": 2.126666666666667e-06,
+      "loss": 0.0003,
+      "step": 4050
+    },
+    {
+      "epoch": 5.03,
+      "learning_rate": 2.0711111111111114e-06,
+      "loss": 0.0008,
+      "step": 4075
+    },
+    {
+      "epoch": 5.03,
+      "learning_rate": 2.0155555555555554e-06,
+      "loss": 0.0004,
+      "step": 4100
+    },
+    {
+      "epoch": 5.04,
+      "learning_rate": 1.9600000000000003e-06,
+      "loss": 0.0003,
+      "step": 4125
+    },
+    {
+      "epoch": 5.04,
+      "learning_rate": 1.9044444444444445e-06,
+      "loss": 0.0094,
+      "step": 4150
+    },
+    {
+      "epoch": 5.05,
+      "learning_rate": 1.848888888888889e-06,
+      "loss": 0.0003,
+      "step": 4175
+    },
+    {
+      "epoch": 5.05,
+      "learning_rate": 1.7933333333333337e-06,
+      "loss": 0.0029,
+      "step": 4200
+    },
+    {
+      "epoch": 5.06,
+      "learning_rate": 1.737777777777778e-06,
+      "loss": 0.0004,
+      "step": 4225
+    },
+    {
+      "epoch": 5.06,
+      "learning_rate": 1.6822222222222224e-06,
+      "loss": 0.012,
+      "step": 4250
+    },
+    {
+      "epoch": 5.07,
+      "learning_rate": 1.6266666666666666e-06,
+      "loss": 0.0002,
+      "step": 4275
+    },
+    {
+      "epoch": 5.07,
+      "learning_rate": 1.5711111111111113e-06,
+      "loss": 0.0002,
+      "step": 4300
+    },
+    {
+      "epoch": 5.08,
+      "learning_rate": 1.5155555555555558e-06,
+      "loss": 0.0007,
+      "step": 4325
+    },
+    {
+      "epoch": 5.08,
+      "learning_rate": 1.46e-06,
+      "loss": 0.0003,
+      "step": 4350
+    },
+    {
+      "epoch": 5.09,
+      "learning_rate": 1.4044444444444447e-06,
+      "loss": 0.0002,
+      "step": 4375
+    },
+    {
+      "epoch": 5.09,
+      "learning_rate": 1.3488888888888891e-06,
+      "loss": 0.0003,
+      "step": 4400
+    },
+    {
+      "epoch": 5.1,
+      "learning_rate": 1.2933333333333334e-06,
+      "loss": 0.0002,
+      "step": 4425
+    },
+    {
+      "epoch": 5.1,
+      "learning_rate": 1.2377777777777778e-06,
+      "loss": 0.0009,
+      "step": 4450
+    },
+    {
+      "epoch": 5.11,
+      "learning_rate": 1.1822222222222223e-06,
+      "loss": 0.0002,
+      "step": 4475
+    },
+    {
+      "epoch": 5.11,
+      "learning_rate": 1.1266666666666667e-06,
+      "loss": 0.0059,
+      "step": 4500
+    },
+    {
+      "epoch": 5.12,
+      "learning_rate": 1.0711111111111112e-06,
+      "loss": 0.0003,
+      "step": 4525
+    },
+    {
+      "epoch": 5.12,
+      "learning_rate": 1.0155555555555557e-06,
+      "loss": 0.0022,
+      "step": 4550
+    },
+    {
+      "epoch": 5.13,
+      "learning_rate": 9.600000000000001e-07,
+      "loss": 0.0003,
+      "step": 4575
+    },
+    {
+      "epoch": 5.13,
+      "learning_rate": 9.044444444444445e-07,
+      "loss": 0.0005,
+      "step": 4600
+    },
+    {
+      "epoch": 5.14,
+      "learning_rate": 8.488888888888889e-07,
+      "loss": 0.0002,
+      "step": 4625
+    },
+    {
+      "epoch": 5.14,
+      "learning_rate": 7.933333333333335e-07,
+      "loss": 0.0034,
+      "step": 4650
+    },
+    {
+      "epoch": 5.15,
+      "learning_rate": 7.377777777777779e-07,
+      "loss": 0.0075,
+      "step": 4675
+    },
+    {
+      "epoch": 5.15,
+      "learning_rate": 6.822222222222223e-07,
+      "loss": 0.0001,
+      "step": 4700
+    },
+    {
+      "epoch": 5.16,
+      "learning_rate": 6.266666666666667e-07,
+      "loss": 0.0004,
+      "step": 4725
+    },
+    {
+      "epoch": 6.0,
+      "learning_rate": 5.711111111111111e-07,
+      "loss": 0.0007,
+      "step": 4750
+    },
+    {
+      "epoch": 6.01,
+      "learning_rate": 5.155555555555556e-07,
+      "loss": 0.0002,
+      "step": 4775
+    },
+    {
+      "epoch": 6.01,
+      "learning_rate": 4.6000000000000004e-07,
+      "loss": 0.0001,
+      "step": 4800
+    },
+    {
+      "epoch": 6.02,
+      "learning_rate": 4.0444444444444445e-07,
+      "loss": 0.0003,
+      "step": 4825
+    },
+    {
+      "epoch": 6.02,
+      "learning_rate": 3.488888888888889e-07,
+      "loss": 0.0001,
+      "step": 4850
+    },
+    {
+      "epoch": 6.03,
+      "learning_rate": 2.9333333333333337e-07,
+      "loss": 0.0002,
+      "step": 4875
+    },
+    {
+      "epoch": 6.03,
+      "learning_rate": 2.3777777777777777e-07,
+      "loss": 0.0001,
+      "step": 4900
+    },
+    {
+      "epoch": 6.04,
+      "learning_rate": 1.8222222222222226e-07,
+      "loss": 0.0002,
+      "step": 4925
+    },
+    {
+      "epoch": 6.04,
+      "learning_rate": 1.2666666666666666e-07,
+      "loss": 0.0001,
+      "step": 4950
+    },
+    {
+      "epoch": 6.05,
+      "learning_rate": 7.111111111111112e-08,
+      "loss": 0.0002,
+      "step": 4975
+    },
+    {
+      "epoch": 6.05,
+      "learning_rate": 1.5555555555555557e-08,
+      "loss": 0.0001,
+      "step": 5000
+    },
+    {
+      "epoch": 6.05,
+      "eval_cer": 45.45728946574102,
+      "eval_loss": 1.0350826978683472,
+      "eval_runtime": 305.8919,
+      "eval_samples_per_second": 3.223,
+      "eval_steps_per_second": 1.612,
+      "eval_wer": 45.37404580152672,
+      "step": 5000
+    },
+    {
+      "epoch": 6.05,
+      "step": 5000,
+      "total_flos": 2.12189711818752e+19,
+      "train_loss": 0.3433635727233719,
+      "train_runtime": 5460.4494,
+      "train_samples_per_second": 1.831,
+      "train_steps_per_second": 0.916
     }
   ],
+  "max_steps": 5000,
   "num_train_epochs": 9223372036854775807,
+  "total_flos": 2.12189711818752e+19,
   "trial_name": null,
   "trial_params": null
 }

training_args.bin CHANGED Viewed

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:559c4ce05e89d747196b9bba18aa9426caf585ced1042f6a3e013da85ed0c8dc
-size 3707

 version https://git-lfs.github.com/spec/v1
+oid sha256:2b78218ecb7d4932704318f2257ac662fee836470cd82b3faba3d2cce28a97be
+size 3643