results

This model is a fine-tuned version of cssupport/t5-small-awesome-text-to-sql on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.1343

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: 0.0001
• train_batch_size: 32
• eval_batch_size: 32
• seed: 42
• optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
• lr_scheduler_type: linear
• num_epochs: 5
• mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
0.6591	0.04	100	0.4689
0.4841	0.08	200	0.3828
0.4239	0.12	300	0.3401
0.3792	0.16	400	0.3111
0.3679	0.2	500	0.2896
0.3301	0.24	600	0.2749
0.3104	0.28	700	0.2616
0.3118	0.32	800	0.2518
0.2981	0.36	900	0.2430
0.2925	0.4	1000	0.2355
0.2772	0.44	1100	0.2289
0.2643	0.48	1200	0.2235
0.2608	0.52	1300	0.2186
0.2594	0.56	1400	0.2145
0.2631	0.6	1500	0.2088
0.2553	0.64	1600	0.2047
0.2481	0.68	1700	0.2011
0.2387	0.72	1800	0.1980
0.2446	0.76	1900	0.1946
0.2355	0.8	2000	0.1916
0.2405	0.84	2100	0.1895
0.2287	0.88	2200	0.1870
0.2291	0.92	2300	0.1848
0.2164	0.96	2400	0.1834
0.2126	1.0	2500	0.1819
0.216	1.04	2600	0.1797
0.2139	1.08	2700	0.1776
0.21	1.12	2800	0.1761
0.2055	1.16	2900	0.1749
0.2083	1.2	3000	0.1730
0.1979	1.24	3100	0.1718
0.2056	1.28	3200	0.1705
0.1999	1.32	3300	0.1696
0.2014	1.3600	3400	0.1681
0.2052	1.4	3500	0.1667
0.1858	1.44	3600	0.1659
0.2085	1.48	3700	0.1640
0.1971	1.52	3800	0.1634
0.199	1.56	3900	0.1625
0.1962	1.6	4000	0.1618
0.1953	1.6400	4100	0.1604
0.1925	1.6800	4200	0.1593
0.1998	1.72	4300	0.1588
0.1937	1.76	4400	0.1572
0.1934	1.8	4500	0.1571
0.1931	1.8400	4600	0.1563
0.1924	1.88	4700	0.1547
0.1864	1.92	4800	0.1546
0.1878	1.96	4900	0.1535
0.1821	2.0	5000	0.1533
0.1824	2.04	5100	0.1526
0.1814	2.08	5200	0.1523
0.1823	2.12	5300	0.1509
0.1826	2.16	5400	0.1507
0.1828	2.2	5500	0.1500
0.1787	2.24	5600	0.1495
0.1832	2.2800	5700	0.1491
0.173	2.32	5800	0.1485
0.1773	2.36	5900	0.1481
0.1751	2.4	6000	0.1479
0.1658	2.44	6100	0.1472
0.1803	2.48	6200	0.1465
0.1725	2.52	6300	0.1458
0.1711	2.56	6400	0.1456
0.1796	2.6	6500	0.1454
0.1739	2.64	6600	0.1447
0.1689	2.68	6700	0.1441
0.166	2.7200	6800	0.1441
0.1655	2.76	6900	0.1437
0.173	2.8	7000	0.1435
0.1693	2.84	7100	0.1423
0.1739	2.88	7200	0.1426
0.1703	2.92	7300	0.1419
0.1675	2.96	7400	0.1419
0.1723	3.0	7500	0.1410
0.1655	3.04	7600	0.1410
0.1671	3.08	7700	0.1409
0.1633	3.12	7800	0.1408
0.1611	3.16	7900	0.1408
0.1622	3.2	8000	0.1403
0.1619	3.24	8100	0.1399
0.1667	3.2800	8200	0.1395
0.164	3.32	8300	0.1393
0.1635	3.36	8400	0.1388
0.1672	3.4	8500	0.1386
0.164	3.44	8600	0.1383
0.1673	3.48	8700	0.1381
0.1643	3.52	8800	0.1379
0.1612	3.56	8900	0.1379
0.1578	3.6	9000	0.1378
0.1651	3.64	9100	0.1377
0.1631	3.68	9200	0.1374
0.1645	3.7200	9300	0.1370
0.1627	3.76	9400	0.1366
0.1607	3.8	9500	0.1371
0.1621	3.84	9600	0.1365
0.1683	3.88	9700	0.1363
0.1559	3.92	9800	0.1361
0.1601	3.96	9900	0.1361
0.1589	4.0	10000	0.1360
0.16	4.04	10100	0.1360
0.1589	4.08	10200	0.1359
0.1569	4.12	10300	0.1358
0.1579	4.16	10400	0.1357
0.1667	4.2	10500	0.1356
0.1567	4.24	10600	0.1354
0.1596	4.28	10700	0.1353
0.1584	4.32	10800	0.1351
0.1605	4.36	10900	0.1352
0.1543	4.4	11000	0.1351
0.1588	4.44	11100	0.1348
0.1553	4.48	11200	0.1348
0.1533	4.52	11300	0.1349
0.1529	4.5600	11400	0.1347
0.1597	4.6	11500	0.1347
0.1518	4.64	11600	0.1347
0.1585	4.68	11700	0.1345
0.156	4.72	11800	0.1345
0.1593	4.76	11900	0.1344
0.1622	4.8	12000	0.1344
0.1553	4.84	12100	0.1344
0.1645	4.88	12200	0.1344
0.1535	4.92	12300	0.1343
0.1572	4.96	12400	0.1343
0.1614	5.0	12500	0.1343

Framework versions

• Transformers 4.47.0
• Pytorch 2.5.1+cu121
• Datasets 3.3.1
• Tokenizers 0.21.0