基于BERT、PyTorch实现文本相似度

Batch大小为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为82.89。

得分记录
2019-12-11

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 80.76 。

06:43:34

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 77.22 。

07:11:52
2019-12-09

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 80.35 。

02:33:45
2019-12-07

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 71.81 。

16:45:19
2019-12-05

Batch Size 数据为 64 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 72.22 。

18:16:54
2019-12-04

Batch Size 数据为 64 ,Epoch循环次数为 3 次, 通过在线上环境完成训练,模型最优精度评分为 73 。

14:15:33
2019-12-03

Batch Size 数据为 64 ,Epoch循环次数为 3 次, 通过在线上环境完成训练,模型最优精度评分为 73.1 。

17:45:52

Batch Size 数据为 32 ,Epoch循环次数为 3 次, 通过在线上环境完成训练,模型最优精度评分为 69.07 。

12:14:41
2019-11-30

Batch Size 数据为 64 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 77.86 。

17:11:59

Batch Size 数据为 64 ,Epoch循环次数为 3 次, 通过在线上环境完成训练,模型最优精度评分为 75.75 。

20:00:54
2019-11-27

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 82.89 。

12:15:10
2019-11-26

Batch Size 数据为 32 ,Epoch循环次数为 7 次, 通过在线上环境完成训练,模型最优精度评分为 75.64 。

00:30:40

Batch Size 数据为 32 ,Epoch循环次数为 3 次, 通过在线上环境完成训练,模型最优精度评分为 73.06 。

07:12:41
2019-11-23

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 69.06 。

11:38:51

Batch Size 数据为 32 ,Epoch循环次数为 5 次, 通过在线上环境完成训练,模型最优精度评分为 66.95 。

00:04:20