update model card README.md

README.md

@@ -4,54 +4,58 @@ tags:
 model-index:
 - name: wav2vec2-ru
   results: []
-widget:
-- src: https://cdn-media.huggingface.co/speech_samples/common_voice_ru_18849022.mp3
-
 ---
 
 <!-- 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. -->
 
 # wav2vec2-ru
-#
 
-модель для распознания аудио. результаты модели можно потом прогнать через мою сеть исправления текстов UrukHan/t5-russian-spell
+This model was trained from scratch on the None dataset.
+It achieves the following results on the evaluation set:
+- Loss: 0.4769
+- Wer: 0.4203
 
-<table border="0">
- <tr>
-    <td><b style="font-size:30px">Output wav2vec2</b></td>
-    <td><b style="font-size:30px">Output spell correcor</b></td>
- </tr>
- <tr>
-    <td>ывсем привет выныканалетоп армии и это двадцать пятый день спец операций на украине ет самый главной новости российские военные ракетами кинжалы калибр уничтожили крупную военную топливную базу украины ракетным ударом по населенному пункту под жетамиром уничтжены более стаукраинских военных в две тысячи двадцать втором году</td>
-    <td>Всем привет! Вы в курсе новостей от армии. И это 25 день спецопераций на Украине. Есть самые главные новости. Российские военные ракетами «Кинжалы» и «Кинжалы» калибра уничтожили крупную военную топливную базу Украины. Ракетным ударом по населенному пункту под Жетамиром уничтожены более ста украинских военных в 2022г.</td>
- </tr>
-</table>
+## Model description
 
+More information needed
 
----
-Загрузите аудиофайл в формате wav для распознования. Результат можно откорректировать в другой моей сети. которая исправляет ошибки, расставляет знаки припинания и исправляет цифры. https://huggingface.co/UrukHan/t5-russian-spell
+## Intended uses & limitations
 
-#
----
-# Запуск сети     пример в колабе https://colab.research.google.com/drive/1dVZvccYJq02hmEsapWgmuJ-pLdezFnn1?usp=sharing
-#
-```python
-from transformers import AutoModelForCTC, Wav2Vec2Processor
-model = AutoModelForCTC.from_pretrained("UrukHan/wav2vec2-ru")
-processor = Wav2Vec2Processor.from_pretrained("UrukHan/wav2vec2-ru")
-def map_to_result(batch):
-  with torch.no_grad():
-    input_values = torch.tensor(batch["input_values"]).unsqueeze(0) #, device="cuda"
-    logits = model(input_values).logits
-  pred_ids = torch.argmax(logits, dim=-1)
-  batch = processor.batch_decode(pred_ids)[0]
-  return batch
- 
- map_to_result()
- ```
- 
- #
- ---
- # Тренировка модели с обработкой данных и созданием датасета разобрать можете в колабе:
- # https://colab.research.google.com/drive/1zkCA2PtKxD2acqLr55USh35OomoOwOhm?usp=sharing
+More information needed
+
+## Training and evaluation data
+
+More information needed
+
+## Training procedure
+
+### Training hyperparameters
+
+The following hyperparameters were used during training:
+- learning_rate: 1e-06
+- train_batch_size: 1
+- eval_batch_size: 8
+- seed: 42
+- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
+- lr_scheduler_type: linear
+- lr_scheduler_warmup_steps: 1000
+- num_epochs: 1
+- mixed_precision_training: Native AMP
+
+### Training results
+
+| Training Loss | Epoch | Step | Validation Loss | Wer    |
+|:-------------:|:-----:|:----:|:---------------:|:------:|
+| 0.4752        | 0.21  | 1000 | 0.4760          | 0.4203 |
+| 0.4993        | 0.42  | 2000 | 0.4820          | 0.4167 |
+| 0.4825        | 0.64  | 3000 | 0.4809          | 0.4215 |
+| 0.4892        | 0.85  | 4000 | 0.4769          | 0.4203 |
+
+
+### Framework versions
+
+- Transformers 4.20.0
+- Pytorch 1.11.0+cu113
+- Datasets 2.3.2
+- Tokenizers 0.12.1