diff --git a/.gitattributes b/.gitattributes index a6344aac8c09253b3b630fb776ae94478aa0275b..8423af6400057a5b948b77ab76e970d73915a776 100644 --- a/.gitattributes +++ b/.gitattributes @@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text *.zip filter=lfs diff=lfs merge=lfs -text *.zst filter=lfs diff=lfs merge=lfs -text *tfevents* filter=lfs diff=lfs merge=lfs -text +Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/progress.png filter=lfs diff=lfs merge=lfs -text diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset.json b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset.json new file mode 100644 index 0000000000000000000000000000000000000000..f89e74a02040a2a8d587071aaa440fadcd5bb927 --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset.json @@ -0,0 +1,89 @@ +{ + "channel_names": { + "0": "CT" + }, + "labels": { + "background": 0, + "kidney_right": 1, + "kidney_left": 2, + "kidney_lesion": 3, + "kidney_lesion_kidney_right": 4, + "kidney_lesion_kidney_left": 5, + "pancreas": 6, + "pancreas_head": 7, + "pancreas_body": 8, + "pancreas_tail": 9, + "pancreatic_lesion": 10, + "pancreatic_lesion_pancreas_head": 11, + "pancreatic_lesion_pancreas_body": 12, + "pancreatic_lesion_pancreas_tail": 13, + "liver": 14, + "liver_segment_1": 15, + "liver_segment_2": 16, + "liver_segment_3": 17, + "liver_segment_4": 18, + "liver_segment_5": 19, + "liver_segment_6": 20, + "liver_segment_7": 21, + "liver_segment_8": 22, + "liver_lesion": 23, + "liver_lesion_liver_segment_1": 24, + "liver_lesion_liver_segment_2": 25, + "liver_lesion_liver_segment_3": 26, + "liver_lesion_liver_segment_4": 27, + "liver_lesion_liver_segment_5": 28, + "liver_lesion_liver_segment_6": 29, + "liver_lesion_liver_segment_7": 30, + "liver_lesion_liver_segment_8": 31, + "spleen": 32, + "spleen_lesion": 33, + "colon": 34, + "colon_lesion": 35, + "stomach": 36, + "stomach_lesion": 37, + "duodenum": 38, + "duodenum_lesion": 39, + "common_bile_duct": 40, + "intestine": 41, + "aorta": 42, + "postcava": 43, + "adrenal_gland_left": 44, + "adrenal_gland_right": 45, + "adrenal_lesion": 46, + "adrenal_lesion_adrenal_gland_left": 47, + "adrenal_lesion_adrenal_gland_right": 48, + "gall_bladder": 49, + "gallbladder_lesion": 50, + "gallbladder_lesion_gall_bladder": 51, + "bladder": 52, + "bladder_lesion": 53, + "celiac_trunk": 54, + "esophagus": 55, + "esophagus_lesion": 56, + "hepatic_vessel": 57, + "portal_vein_and_splenic_vein": 58, + "lung_left": 59, + "lung_right": 60, + "lung_lesion": 61, + "lung_lesion_lung_left": 62, + "lung_lesion_lung_right": 63, + "prostate": 64, + "prostate_lesion": 65, + "uterus_lesion": 66, + "uterus_lesion_prostate": 67, + "rectum": 68, + "femur_left": 69, + "femur_right": 70, + "superior_mesenteric_artery": 71, + "veins": 72, + "bone_lesion": 73, + "breast_lesion": 74 + }, + "numTraining": 423, + "file_ending": ".nii.gz", + "licence": "Whoever converted this dataset was lazy and didn't look it up!", + "converted_by": "Please enter your name, especially when sharing datasets with others in a common infrastructure!", + "citation": null, + "overwrite_image_reader_writer": "NibabelIOWithReorient", + "regions_class_order": "Dataset307_radiologist_annotations_Merlin_Plus" +} \ No newline at end of file diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset_fingerprint.json b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset_fingerprint.json new file mode 100644 index 0000000000000000000000000000000000000000..504bcee45609606858af6505ef8d7d97bf5ca4b3 --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/dataset_fingerprint.json @@ -0,0 +1,4248 @@ +{ + "foreground_intensity_properties_per_channel": { + "0": { + "max": 1000.0, + "mean": -128.6943359375, + "median": 51.01091003417969, + "min": -1000.0, + "percentile_00_5": -996.0021362304688, + "percentile_99_5": 851.0109252929688, + "std": 398.4421691894531 + } + }, + "median_relative_size_after_cropping": 1.0, + "shapes_after_crop": [ + [ + 332, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 416, + 512, + 512 + ], + [ + 343, + 512, + 512 + ], + [ + 310, + 512, + 512 + ], + [ + 451, + 512, + 512 + ], + [ + 379, + 512, + 512 + ], + [ + 357, + 512, + 512 + ], + [ + 456, + 512, + 512 + ], + [ + 446, + 512, + 512 + ], + [ + 468, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 474, + 512, + 512 + ], + [ + 310, + 512, + 512 + ], + [ + 473, + 512, + 512 + ], + [ + 442, + 512, + 512 + ], + [ + 394, + 512, + 512 + ], + [ + 375, + 512, + 512 + ], + [ + 355, + 512, + 512 + ], + [ + 653, + 512, + 512 + ], + [ + 445, + 512, + 512 + ], + [ + 472, + 512, + 512 + ], + [ + 327, + 512, + 512 + ], + [ + 479, + 512, + 512 + ], + [ + 492, + 512, + 512 + ], + [ + 356, + 512, + 512 + ], + [ + 492, + 512, + 512 + ], + [ + 455, + 512, + 512 + ], + [ + 590, + 512, + 512 + ], + [ + 518, + 512, + 512 + ], + [ + 395, + 512, + 512 + ], + [ + 507, + 512, + 512 + ], + [ + 345, + 512, + 512 + ], + [ + 557, + 512, + 512 + ], + [ + 434, + 512, + 512 + ], + [ + 464, + 512, + 512 + ], + [ + 449, + 512, + 512 + ], + [ + 422, + 512, + 512 + ], + [ + 480, + 512, + 512 + ], + [ + 493, + 512, + 512 + ], + [ + 343, + 512, + 512 + ], + [ + 378, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 445, + 512, + 512 + ], + [ + 370, + 512, + 512 + ], + [ + 354, + 512, + 512 + ], + [ + 370, + 512, + 512 + ], + [ + 499, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 484, + 512, + 512 + ], + [ + 367, + 512, + 512 + ], + [ + 467, + 512, + 512 + ], + [ + 348, + 512, + 512 + ], + [ + 465, + 512, + 512 + ], + [ + 476, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 397, + 512, + 512 + ], + [ + 511, + 512, + 512 + ], + [ + 503, + 512, + 512 + ], + [ + 420, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 501, + 512, + 512 + ], + [ + 485, + 512, + 512 + ], + [ + 425, + 512, + 512 + ], + [ + 469, + 512, + 512 + ], + [ + 422, + 512, + 512 + ], + [ + 373, + 512, + 512 + ], + [ + 477, + 512, + 512 + ], + [ + 382, + 512, + 512 + ], + [ + 418, + 512, + 512 + ], + [ + 447, + 512, + 512 + ], + [ + 429, + 512, + 512 + ], + [ + 353, + 512, + 512 + ], + [ + 301, + 512, + 512 + ], + [ + 281, + 512, + 512 + ], + [ + 355, + 512, + 512 + ], + [ + 466, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 369, + 512, + 512 + ], + [ + 442, + 512, + 512 + ], + [ + 464, + 512, + 512 + ], + [ + 392, + 512, + 512 + ], + [ + 502, + 512, + 512 + ], + [ + 335, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 462, + 512, + 512 + ], + [ + 383, + 512, + 512 + ], + [ + 458, + 512, + 512 + ], + [ + 387, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 349, + 512, + 512 + ], + [ + 549, + 512, + 512 + ], + [ + 339, + 512, + 512 + ], + [ + 489, + 512, + 512 + ], + [ + 410, + 512, + 512 + ], + [ + 444, + 512, + 512 + ], + [ + 441, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 344, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 388, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 377, + 512, + 512 + ], + [ + 393, + 512, + 512 + ], + [ + 346, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 428, + 512, + 512 + ], + [ + 493, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 501, + 512, + 512 + ], + [ + 355, + 512, + 512 + ], + [ + 429, + 512, + 512 + ], + [ + 373, + 512, + 512 + ], + [ + 329, + 512, + 512 + ], + [ + 316, + 512, + 512 + ], + [ + 470, + 512, + 512 + ], + [ + 425, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 388, + 512, + 512 + ], + [ + 315, + 512, + 512 + ], + [ + 450, + 512, + 512 + ], + [ + 455, + 512, + 512 + ], + [ + 421, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 405, + 512, + 512 + ], + [ + 396, + 512, + 512 + ], + [ + 446, + 512, + 512 + ], + [ + 169, + 512, + 512 + ], + [ + 466, + 512, + 512 + ], + [ + 518, + 512, + 512 + ], + [ + 510, + 512, + 512 + ], + [ + 482, + 512, + 512 + ], + [ + 376, + 512, + 512 + ], + [ + 465, + 512, + 512 + ], + [ + 360, + 512, + 512 + ], + [ + 403, + 512, + 512 + ], + [ + 532, + 512, + 512 + ], + [ + 405, + 512, + 512 + ], + [ + 369, + 512, + 512 + ], + [ + 429, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 378, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 353, + 512, + 512 + ], + [ + 513, + 512, + 512 + ], + [ + 345, + 512, + 512 + ], + [ + 394, + 512, + 512 + ], + [ + 494, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 377, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 445, + 512, + 512 + ], + [ + 391, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 464, + 512, + 512 + ], + [ + 399, + 512, + 512 + ], + [ + 382, + 512, + 512 + ], + [ + 521, + 512, + 512 + ], + [ + 502, + 512, + 512 + ], + [ + 352, + 512, + 512 + ], + [ + 517, + 512, + 512 + ], + [ + 392, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 462, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 348, + 512, + 512 + ], + [ + 461, + 512, + 512 + ], + [ + 345, + 512, + 512 + ], + [ + 362, + 512, + 512 + ], + [ + 410, + 512, + 512 + ], + [ + 511, + 512, + 512 + ], + [ + 352, + 512, + 512 + ], + [ + 341, + 512, + 512 + ], + [ + 380, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 496, + 512, + 512 + ], + [ + 371, + 512, + 512 + ], + [ + 422, + 512, + 512 + ], + [ + 407, + 512, + 512 + ], + [ + 383, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 467, + 512, + 512 + ], + [ + 401, + 512, + 512 + ], + [ + 443, + 512, + 512 + ], + [ + 349, + 512, + 512 + ], + [ + 445, + 512, + 512 + ], + [ + 334, + 512, + 512 + ], + [ + 412, + 512, + 512 + ], + [ + 339, + 512, + 512 + ], + [ + 421, + 512, + 512 + ], + [ + 413, + 512, + 512 + ], + [ + 390, + 512, + 512 + ], + [ + 396, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 383, + 512, + 512 + ], + [ + 474, + 512, + 512 + ], + [ + 371, + 512, + 512 + ], + [ + 473, + 512, + 512 + ], + [ + 370, + 512, + 512 + ], + [ + 318, + 512, + 512 + ], + [ + 453, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 495, + 512, + 512 + ], + [ + 353, + 512, + 512 + ], + [ + 383, + 512, + 512 + ], + [ + 436, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 451, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 388, + 512, + 512 + ], + [ + 375, + 512, + 512 + ], + [ + 426, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 393, + 512, + 512 + ], + [ + 309, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 429, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 492, + 512, + 512 + ], + [ + 394, + 512, + 512 + ], + [ + 461, + 512, + 512 + ], + [ + 539, + 512, + 512 + ], + [ + 469, + 512, + 512 + ], + [ + 471, + 512, + 512 + ], + [ + 393, + 512, + 512 + ], + [ + 456, + 512, + 512 + ], + [ + 466, + 512, + 512 + ], + [ + 349, + 512, + 512 + ], + [ + 375, + 512, + 512 + ], + [ + 446, + 512, + 512 + ], + [ + 361, + 512, + 512 + ], + [ + 401, + 512, + 512 + ], + [ + 378, + 512, + 512 + ], + [ + 413, + 512, + 512 + ], + [ + 368, + 512, + 512 + ], + [ + 504, + 512, + 512 + ], + [ + 410, + 512, + 512 + ], + [ + 447, + 512, + 512 + ], + [ + 398, + 512, + 512 + ], + [ + 363, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 472, + 512, + 512 + ], + [ + 434, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 317, + 512, + 512 + ], + [ + 454, + 512, + 512 + ], + [ + 337, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 459, + 512, + 512 + ], + [ + 393, + 512, + 512 + ], + [ + 456, + 512, + 512 + ], + [ + 425, + 512, + 512 + ], + [ + 426, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 405, + 512, + 512 + ], + [ + 332, + 512, + 512 + ], + [ + 413, + 512, + 512 + ], + [ + 492, + 512, + 512 + ], + [ + 368, + 512, + 512 + ], + [ + 325, + 512, + 512 + ], + [ + 480, + 512, + 512 + ], + [ + 482, + 512, + 512 + ], + [ + 481, + 512, + 512 + ], + [ + 380, + 512, + 512 + ], + [ + 360, + 512, + 512 + ], + [ + 422, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 358, + 512, + 512 + ], + [ + 497, + 512, + 512 + ], + [ + 437, + 512, + 512 + ], + [ + 355, + 512, + 512 + ], + [ + 349, + 512, + 512 + ], + [ + 390, + 512, + 512 + ], + [ + 497, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 403, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 533, + 512, + 512 + ], + [ + 351, + 512, + 512 + ], + [ + 337, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 358, + 512, + 512 + ], + [ + 398, + 512, + 512 + ], + [ + 377, + 512, + 512 + ], + [ + 507, + 512, + 512 + ], + [ + 415, + 512, + 512 + ], + [ + 357, + 512, + 512 + ], + [ + 373, + 512, + 512 + ], + [ + 387, + 512, + 512 + ], + [ + 435, + 512, + 512 + ], + [ + 106, + 512, + 512 + ], + [ + 371, + 512, + 512 + ], + [ + 464, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 538, + 512, + 512 + ], + [ + 367, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 329, + 512, + 512 + ], + [ + 408, + 512, + 512 + ], + [ + 321, + 512, + 512 + ], + [ + 511, + 512, + 512 + ], + [ + 374, + 512, + 512 + ], + [ + 436, + 512, + 512 + ], + [ + 524, + 512, + 512 + ], + [ + 476, + 512, + 512 + ], + [ + 400, + 512, + 512 + ], + [ + 83, + 512, + 512 + ], + [ + 330, + 512, + 512 + ], + [ + 345, + 512, + 512 + ], + [ + 357, + 512, + 512 + ], + [ + 353, + 512, + 512 + ], + [ + 397, + 512, + 512 + ], + [ + 429, + 512, + 512 + ], + [ + 466, + 512, + 512 + ], + [ + 486, + 512, + 512 + ], + [ + 297, + 512, + 512 + ], + [ + 448, + 512, + 512 + ], + [ + 480, + 512, + 512 + ], + [ + 427, + 512, + 512 + ], + [ + 361, + 512, + 512 + ], + [ + 322, + 512, + 512 + ], + [ + 421, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 427, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 438, + 512, + 512 + ], + [ + 442, + 512, + 512 + ], + [ + 344, + 512, + 512 + ], + [ + 426, + 512, + 512 + ], + [ + 384, + 512, + 512 + ], + [ + 436, + 512, + 512 + ], + [ + 369, + 512, + 512 + ], + [ + 465, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 404, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 337, + 512, + 512 + ], + [ + 421, + 512, + 512 + ], + [ + 486, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 464, + 512, + 512 + ], + [ + 378, + 512, + 512 + ], + [ + 391, + 512, + 512 + ], + [ + 391, + 512, + 512 + ], + [ + 494, + 512, + 512 + ], + [ + 391, + 512, + 512 + ], + [ + 496, + 512, + 512 + ], + [ + 504, + 512, + 512 + ], + [ + 363, + 512, + 512 + ], + [ + 349, + 512, + 512 + ], + [ + 344, + 512, + 512 + ], + [ + 403, + 512, + 512 + ], + [ + 424, + 512, + 512 + ], + [ + 393, + 512, + 512 + ], + [ + 401, + 512, + 512 + ], + [ + 421, + 512, + 512 + ], + [ + 376, + 512, + 512 + ], + [ + 357, + 512, + 512 + ], + [ + 463, + 512, + 512 + ], + [ + 424, + 512, + 512 + ], + [ + 388, + 512, + 512 + ], + [ + 473, + 512, + 512 + ], + [ + 427, + 512, + 512 + ], + [ + 449, + 512, + 512 + ], + [ + 480, + 512, + 512 + ], + [ + 458, + 512, + 512 + ], + [ + 527, + 512, + 512 + ], + [ + 392, + 512, + 512 + ], + [ + 432, + 512, + 512 + ], + [ + 945, + 512, + 512 + ], + [ + 369, + 512, + 512 + ], + [ + 474, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 333, + 512, + 512 + ], + [ + 539, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 395, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 321, + 512, + 512 + ], + [ + 496, + 512, + 512 + ], + [ + 492, + 512, + 512 + ], + [ + 411, + 512, + 512 + ], + [ + 331, + 512, + 512 + ], + [ + 373, + 512, + 512 + ], + [ + 410, + 512, + 512 + ], + [ + 455, + 512, + 512 + ], + [ + 410, + 512, + 512 + ], + [ + 537, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 344, + 512, + 512 + ], + [ + 516, + 512, + 512 + ], + [ + 405, + 512, + 512 + ], + [ + 415, + 512, + 512 + ], + [ + 452, + 512, + 512 + ], + [ + 409, + 512, + 512 + ], + [ + 444, + 512, + 512 + ], + [ + 385, + 512, + 512 + ], + [ + 445, + 512, + 512 + ], + [ + 389, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 386, + 512, + 512 + ], + [ + 417, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 381, + 512, + 512 + ], + [ + 457, + 512, + 512 + ], + [ + 365, + 512, + 512 + ], + [ + 403, + 512, + 512 + ], + [ + 504, + 512, + 512 + ], + [ + 405, + 512, + 512 + ], + [ + 491, + 512, + 512 + ], + [ + 480, + 512, + 512 + ], + [ + 351, + 512, + 512 + ], + [ + 441, + 512, + 512 + ], + [ + 478, + 512, + 512 + ], + [ + 384, + 512, + 512 + ], + [ + 397, + 512, + 512 + ], + [ + 394, + 512, + 512 + ] + ], + "spacings": [ + [ + 1.25, + 0.7910159826278687, + 0.7910159826278687 + ], + [ + 1.25, + 0.7363280057907104, + 0.7363280057907104 + ], + [ + 1.0, + 0.796875, + 0.796875 + ], + [ + 1.25, + 0.625, + 0.625 + ], + [ + 1.25, + 0.6035159826278687, + 0.6035159826278687 + ], + [ + 1.0, + 0.927734375, + 0.927734375 + ], + [ + 1.25, + 0.8691409826278687, + 0.8691409826278687 + ], + [ + 1.25, + 0.625, + 0.625 + ], + [ + 1.0, + 0.763671875, + 0.763671875 + ], + [ + 1.0, + 0.78125, + 0.78125 + ], + [ + 1.0, + 0.66796875, + 0.66796875 + ], + [ + 1.0, + 0.712890625, + 0.712890625 + ], + [ + 1.0, + 0.802734375, + 0.802734375 + ], + [ + 1.25, + 0.6875, + 0.6875 + ], + [ + 1.0, + 0.7421875, + 0.7421875 + ], + [ + 1.0, + 0.6953125, + 0.6953125 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6835939884185791, + 0.6835939884185791 + ], + [ + 0.625, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.9628909826278687, + 0.9628909826278687 + ], + [ + 1.0, + 0.6953125, + 0.6953125 + ], + [ + 1.25, + 0.7851560115814209, + 0.7851560115814209 + ], + [ + 1.0, + 0.75390625, + 0.75390625 + ], + [ + 1.0, + 0.755859375, + 0.755859375 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.771484375, + 0.771484375 + ], + [ + 1.0, + 0.8046875, + 0.8046875 + ], + [ + 1.0, + 0.90234375, + 0.90234375 + ], + [ + 1.0, + 0.75390625, + 0.75390625 + ], + [ + 1.25, + 0.8496090173721313, + 0.8496090173721313 + ], + [ + 1.0, + 0.7421875, + 0.7421875 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 0.800000011920929, + 0.78125, + 0.78125 + ], + [ + 1.0, + 0.646484375, + 0.646484375 + ], + [ + 1.0, + 0.677734375, + 0.677734375 + ], + [ + 1.0, + 0.693359375, + 0.693359375 + ], + [ + 1.0, + 0.580078125, + 0.580078125 + ], + [ + 1.0, + 0.79296875, + 0.79296875 + ], + [ + 1.0, + 0.69140625, + 0.69140625 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.74609375, + 0.74609375 + ], + [ + 1.25, + 0.796875, + 0.796875 + ], + [ + 1.0, + 0.654296875, + 0.654296875 + ], + [ + 1.25, + 0.71875, + 0.71875 + ], + [ + 1.25, + 0.7246090173721313, + 0.7246090173721313 + ], + [ + 1.0, + 0.794921875, + 0.794921875 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.0, + 0.67578125, + 0.67578125 + ], + [ + 1.25, + 0.7851560115814209, + 0.7851560115814209 + ], + [ + 1.0, + 0.716796875, + 0.716796875 + ], + [ + 1.25, + 0.7578120231628418, + 0.7578120231628418 + ], + [ + 1.0, + 0.662109375, + 0.662109375 + ], + [ + 1.0, + 0.666015625, + 0.666015625 + ], + [ + 1.25, + 0.7617189884185791, + 0.7617189884185791 + ], + [ + 1.25, + 0.75, + 0.75 + ], + [ + 1.0, + 0.755859375, + 0.755859375 + ], + [ + 1.0, + 0.771484375, + 0.771484375 + ], + [ + 1.0, + 0.73828125, + 0.73828125 + ], + [ + 1.25, + 0.6386719942092896, + 0.6386719942092896 + ], + [ + 1.0, + 0.83203125, + 0.83203125 + ], + [ + 1.0, + 0.7265625, + 0.7265625 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.0, + 0.640625, + 0.640625 + ], + [ + 1.0, + 0.720703125, + 0.720703125 + ], + [ + 1.25, + 0.8085939884185791, + 0.8085939884185791 + ], + [ + 1.0, + 0.6484375, + 0.6484375 + ], + [ + 1.25, + 0.7421879768371582, + 0.7421879768371582 + ], + [ + 1.25, + 0.8652340173721313, + 0.8652340173721313 + ], + [ + 1.0, + 0.6484375, + 0.6484375 + ], + [ + 1.25, + 0.8164060115814209, + 0.8164060115814209 + ], + [ + 1.25, + 0.75, + 0.75 + ], + [ + 1.25, + 0.7226560115814209, + 0.7226560115814209 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6230469942092896, + 0.6230469942092896 + ], + [ + 1.0, + 0.640625, + 0.640625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.8671875, + 0.8671875 + ], + [ + 1.0, + 0.7734375, + 0.7734375 + ], + [ + 1.25, + 0.7246090173721313, + 0.7246090173721313 + ], + [ + 1.0, + 0.791015625, + 0.791015625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.541015625, + 0.541015625 + ], + [ + 1.0, + 0.765625, + 0.765625 + ], + [ + 1.25, + 0.9257810115814209, + 0.9257810115814209 + ], + [ + 1.0, + 0.64453125, + 0.64453125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6328120231628418, + 0.6328120231628418 + ], + [ + 0.800000011920929, + 0.6835939884185791, + 0.6835939884185791 + ], + [ + 1.25, + 0.765625, + 0.765625 + ], + [ + 1.0, + 0.875, + 0.875 + ], + [ + 1.25, + 0.9472659826278687, + 0.9472659826278687 + ], + [ + 1.25, + 0.7988280057907104, + 0.7988280057907104 + ], + [ + 1.0, + 0.73828125, + 0.73828125 + ], + [ + 1.25, + 0.8457030057907104, + 0.8457030057907104 + ], + [ + 1.25, + 0.8652340173721313, + 0.8652340173721313 + ], + [ + 1.25, + 0.9277340173721313, + 0.9277340173721313 + ], + [ + 1.25, + 0.8125, + 0.8125 + ], + [ + 1.25, + 0.6777340173721313, + 0.6777340173721313 + ], + [ + 1.25, + 0.8085939884185791, + 0.8085939884185791 + ], + [ + 1.25, + 0.8457030057907104, + 0.8457030057907104 + ], + [ + 1.25, + 0.5859379768371582, + 0.5859379768371582 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.0, + 0.6484375, + 0.6484375 + ], + [ + 1.0, + 0.748046875, + 0.748046875 + ], + [ + 1.25, + 0.8085939884185791, + 0.8085939884185791 + ], + [ + 1.0, + 0.74609375, + 0.74609375 + ], + [ + 1.25, + 0.765625, + 0.765625 + ], + [ + 1.25, + 0.7539060115814209, + 0.7539060115814209 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.8046875, + 0.8046875 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.7753909826278687, + 0.7753909826278687 + ], + [ + 1.25, + 0.9042969942092896, + 0.9042969942092896 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.0, + 0.73828125, + 0.73828125 + ], + [ + 1.0, + 0.830078125, + 0.830078125 + ], + [ + 1.0, + 0.603515625, + 0.603515625 + ], + [ + 1.25, + 0.8417969942092896, + 0.8417969942092896 + ], + [ + 1.25, + 0.7714840173721313, + 0.7714840173721313 + ], + [ + 1.25, + 0.7421879768371582, + 0.7421879768371582 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.84375, + 0.84375 + ], + [ + 1.25, + 0.9550780057907104, + 0.9550780057907104 + ], + [ + 1.0, + 0.681640625, + 0.681640625 + ], + [ + 1.0, + 0.83984375, + 0.83984375 + ], + [ + 1.25, + 0.8691409826278687, + 0.8691409826278687 + ], + [ + 1.0, + 0.955078125, + 0.955078125 + ], + [ + 1.25, + 0.8613280057907104, + 0.8613280057907104 + ], + [ + 1.0, + 0.7109375, + 0.7109375 + ], + [ + 1.25, + 0.765625, + 0.765625 + ], + [ + 1.0, + 0.6875, + 0.6875 + ], + [ + 1.0, + 0.775390625, + 0.775390625 + ], + [ + 1.25, + 0.7558590173721313, + 0.7558590173721313 + ], + [ + 1.25, + 0.6503909826278687, + 0.6503909826278687 + ], + [ + 1.0, + 0.7109375, + 0.7109375 + ], + [ + 1.25, + 0.859375, + 0.859375 + ], + [ + 1.0, + 0.712890625, + 0.712890625 + ], + [ + 1.25, + 0.8964840173721313, + 0.8964840173721313 + ], + [ + 1.25, + 0.765625, + 0.765625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.62890625, + 0.62890625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.0, + 0.75390625, + 0.75390625 + ], + [ + 1.25, + 0.7265620231628418, + 0.7265620231628418 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.7792969942092896, + 0.7792969942092896 + ], + [ + 1.0, + 0.662109375, + 0.662109375 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.8359379768371582, + 0.8359379768371582 + ], + [ + 1.0, + 0.8125, + 0.8125 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.25, + 0.5957030057907104, + 0.5957030057907104 + ], + [ + 1.0, + 0.771484375, + 0.771484375 + ], + [ + 1.0, + 0.759765625, + 0.759765625 + ], + [ + 1.25, + 0.7636719942092896, + 0.7636719942092896 + ], + [ + 1.0, + 0.921875, + 0.921875 + ], + [ + 1.25, + 0.8027340173721313, + 0.8027340173721313 + ], + [ + 1.25, + 0.7441409826278687, + 0.7441409826278687 + ], + [ + 1.25, + 0.6796879768371582, + 0.6796879768371582 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.25, + 0.8359379768371582, + 0.8359379768371582 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.73828125, + 0.73828125 + ], + [ + 1.25, + 0.7421879768371582, + 0.7421879768371582 + ], + [ + 1.25, + 0.7578120231628418, + 0.7578120231628418 + ], + [ + 1.0, + 0.58203125, + 0.58203125 + ], + [ + 1.0, + 0.66015625, + 0.66015625 + ], + [ + 1.25, + 0.6171879768371582, + 0.6171879768371582 + ], + [ + 1.25, + 0.8105469942092896, + 0.8105469942092896 + ], + [ + 1.25, + 0.7890620231628418, + 0.7890620231628418 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.0, + 0.693359375, + 0.693359375 + ], + [ + 1.25, + 0.7636719942092896, + 0.7636719942092896 + ], + [ + 1.0, + 0.76171875, + 0.76171875 + ], + [ + 1.25, + 0.9453120231628418, + 0.9453120231628418 + ], + [ + 1.0, + 0.642578125, + 0.642578125 + ], + [ + 1.0, + 0.576171875, + 0.576171875 + ], + [ + 1.0, + 0.6875, + 0.6875 + ], + [ + 1.25, + 0.7304689884185791, + 0.7304689884185791 + ], + [ + 1.0, + 0.71875, + 0.71875 + ], + [ + 1.25, + 0.9414060115814209, + 0.9414060115814209 + ], + [ + 1.0, + 0.720703125, + 0.720703125 + ], + [ + 1.25, + 0.7519530057907104, + 0.7519530057907104 + ], + [ + 1.0, + 0.587890625, + 0.587890625 + ], + [ + 1.25, + 0.6503909826278687, + 0.6503909826278687 + ], + [ + 0.625, + 0.75, + 0.75 + ], + [ + 1.25, + 0.7832030057907104, + 0.7832030057907104 + ], + [ + 1.0, + 0.7578125, + 0.7578125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.9511719942092896, + 0.9511719942092896 + ], + [ + 1.0, + 0.66796875, + 0.66796875 + ], + [ + 1.25, + 0.7714840173721313, + 0.7714840173721313 + ], + [ + 1.0, + 0.763671875, + 0.763671875 + ], + [ + 1.25, + 0.9628909826278687, + 0.9628909826278687 + ], + [ + 1.0, + 0.74609375, + 0.74609375 + ], + [ + 1.25, + 0.8847659826278687, + 0.8847659826278687 + ], + [ + 1.25, + 0.8066409826278687, + 0.8066409826278687 + ], + [ + 1.0, + 0.685546875, + 0.685546875 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.8085939884185791, + 0.8085939884185791 + ], + [ + 1.0, + 0.74609375, + 0.74609375 + ], + [ + 1.25, + 0.6738280057907104, + 0.6738280057907104 + ], + [ + 1.25, + 0.9023439884185791, + 0.9023439884185791 + ], + [ + 1.0, + 0.767578125, + 0.767578125 + ], + [ + 1.0, + 0.74609375, + 0.74609375 + ], + [ + 1.0, + 0.615234375, + 0.615234375 + ], + [ + 1.25, + 0.7421879768371582, + 0.7421879768371582 + ], + [ + 1.25, + 0.7265620231628418, + 0.7265620231628418 + ], + [ + 1.25, + 0.7773439884185791, + 0.7773439884185791 + ], + [ + 1.25, + 0.8320310115814209, + 0.8320310115814209 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.765625, + 0.765625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.7773439884185791, + 0.7773439884185791 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6855469942092896, + 0.6855469942092896 + ], + [ + 1.0, + 0.693359375, + 0.693359375 + ], + [ + 1.25, + 0.8242189884185791, + 0.8242189884185791 + ], + [ + 1.0, + 0.59765625, + 0.59765625 + ], + [ + 1.0, + 0.947265625, + 0.947265625 + ], + [ + 1.0, + 0.640625, + 0.640625 + ], + [ + 1.0, + 0.7265625, + 0.7265625 + ], + [ + 1.25, + 0.8046879768371582, + 0.8046879768371582 + ], + [ + 1.0, + 0.833984375, + 0.833984375 + ], + [ + 1.0, + 0.7265625, + 0.7265625 + ], + [ + 1.25, + 0.7480469942092896, + 0.7480469942092896 + ], + [ + 1.25, + 0.7050780057907104, + 0.7050780057907104 + ], + [ + 1.0, + 0.66796875, + 0.66796875 + ], + [ + 1.25, + 0.7753909826278687, + 0.7753909826278687 + ], + [ + 1.25, + 0.7832030057907104, + 0.7832030057907104 + ], + [ + 1.25, + 0.7304689884185791, + 0.7304689884185791 + ], + [ + 1.25, + 0.7734379768371582, + 0.7734379768371582 + ], + [ + 1.25, + 0.6894530057907104, + 0.6894530057907104 + ], + [ + 1.0, + 0.814453125, + 0.814453125 + ], + [ + 1.25, + 0.8964840173721313, + 0.8964840173721313 + ], + [ + 1.0, + 0.646484375, + 0.646484375 + ], + [ + 1.0, + 0.66015625, + 0.66015625 + ], + [ + 1.25, + 0.8203120231628418, + 0.8203120231628418 + ], + [ + 1.25, + 0.7890620231628418, + 0.7890620231628418 + ], + [ + 1.0, + 0.87890625, + 0.87890625 + ], + [ + 1.0, + 0.8515625, + 0.8515625 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.25, + 0.65625, + 0.65625 + ], + [ + 1.0, + 0.6875, + 0.6875 + ], + [ + 1.25, + 0.7382810115814209, + 0.7382810115814209 + ], + [ + 1.2499973773956299, + 0.8632810115814209, + 0.8632810115814209 + ], + [ + 1.0, + 0.732421875, + 0.732421875 + ], + [ + 1.25, + 0.75, + 0.75 + ], + [ + 1.0, + 0.90625, + 0.90625 + ], + [ + 1.0, + 0.66796875, + 0.66796875 + ], + [ + 1.0, + 0.783203125, + 0.783203125 + ], + [ + 1.25, + 0.7441409826278687, + 0.7441409826278687 + ], + [ + 1.25, + 0.7246090173721313, + 0.7246090173721313 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.7597659826278687, + 0.7597659826278687 + ], + [ + 1.0, + 0.8359375, + 0.8359375 + ], + [ + 1.25, + 0.7597659826278687, + 0.7597659826278687 + ], + [ + 1.25, + 0.7988280057907104, + 0.7988280057907104 + ], + [ + 1.0, + 0.794921875, + 0.794921875 + ], + [ + 1.0, + 0.673828125, + 0.673828125 + ], + [ + 1.0, + 0.619140625, + 0.619140625 + ], + [ + 1.25, + 0.6738280057907104, + 0.6738280057907104 + ], + [ + 1.25, + 0.7871090173721313, + 0.7871090173721313 + ], + [ + 1.0, + 0.62890625, + 0.62890625 + ], + [ + 1.25, + 0.8476560115814209, + 0.8476560115814209 + ], + [ + 1.25, + 0.8671879768371582, + 0.8671879768371582 + ], + [ + 1.0, + 0.83984375, + 0.83984375 + ], + [ + 1.25, + 0.7578120231628418, + 0.7578120231628418 + ], + [ + 1.25, + 0.7597659826278687, + 0.7597659826278687 + ], + [ + 1.25, + 0.7226560115814209, + 0.7226560115814209 + ], + [ + 1.25, + 0.7480469942092896, + 0.7480469942092896 + ], + [ + 1.0, + 0.75, + 0.75 + ], + [ + 0.6200000047683716, + 0.78125, + 0.78125 + ], + [ + 1.25, + 0.8789060115814209, + 0.8789060115814209 + ], + [ + 1.0, + 0.84375, + 0.84375 + ], + [ + 1.0, + 0.70703125, + 0.70703125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.7441409826278687, + 0.7441409826278687 + ], + [ + 1.0, + 0.744140625, + 0.744140625 + ], + [ + 1.25, + 0.7695310115814209, + 0.7695310115814209 + ], + [ + 1.0, + 0.693359375, + 0.693359375 + ], + [ + 1.25, + 0.7109379768371582, + 0.7109379768371582 + ], + [ + 1.0, + 0.96484375, + 0.96484375 + ], + [ + 1.25, + 0.9433590173721313, + 0.9433590173721313 + ], + [ + 1.25, + 0.6347659826278687, + 0.6347659826278687 + ], + [ + 1.25, + 0.8789060115814209, + 0.8789060115814209 + ], + [ + 1.25, + 0.7148439884185791, + 0.7148439884185791 + ], + [ + 1.0, + 0.6875, + 0.6875 + ], + [ + 3.75, + 0.5761719942092896, + 0.5761719942092896 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.759765625, + 0.759765625 + ], + [ + 1.25, + 0.8730469942092896, + 0.8730469942092896 + ], + [ + 1.0, + 0.73828125, + 0.73828125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.8359379768371582, + 0.8359379768371582 + ], + [ + 1.25, + 0.75, + 0.75 + ], + [ + 1.25, + 0.7636719942092896, + 0.7636719942092896 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.90234375, + 0.90234375 + ], + [ + 1.25, + 0.6542969942092896, + 0.6542969942092896 + ], + [ + 1.0, + 0.705078125, + 0.705078125 + ], + [ + 1.0, + 0.830078125, + 0.830078125 + ], + [ + 1.0, + 0.744140625, + 0.744140625 + ], + [ + 1.25, + 0.8925780057907104, + 0.8925780057907104 + ], + [ + 5.0, + 0.65625, + 0.65625 + ], + [ + 1.25, + 0.640625, + 0.640625 + ], + [ + 1.25, + 0.7441409826278687, + 0.7441409826278687 + ], + [ + 1.25, + 0.6445310115814209, + 0.6445310115814209 + ], + [ + 1.25, + 0.7636719942092896, + 0.7636719942092896 + ], + [ + 1.25, + 0.78125, + 0.78125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.783203125, + 0.783203125 + ], + [ + 1.0, + 0.884765625, + 0.884765625 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.81640625, + 0.81640625 + ], + [ + 1.0, + 0.763671875, + 0.763671875 + ], + [ + 1.0, + 0.94921875, + 0.94921875 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6484379768371582, + 0.6484379768371582 + ], + [ + 1.0, + 0.70703125, + 0.70703125 + ], + [ + 1.0, + 0.6640625, + 0.6640625 + ], + [ + 1.25, + 0.7109379768371582, + 0.7109379768371582 + ], + [ + 1.0, + 0.8515625, + 0.8515625 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.25, + 0.7421879768371582, + 0.7421879768371582 + ], + [ + 1.25, + 0.7558590173721313, + 0.7558590173721313 + ], + [ + 1.0, + 0.798828125, + 0.798828125 + ], + [ + 1.25, + 0.6542969942092896, + 0.6542969942092896 + ], + [ + 1.0, + 0.69140625, + 0.69140625 + ], + [ + 1.25, + 0.8007810115814209, + 0.8007810115814209 + ], + [ + 1.25, + 0.7441409826278687, + 0.7441409826278687 + ], + [ + 1.25, + 0.78125, + 0.78125 + ], + [ + 1.25, + 0.8378909826278687, + 0.8378909826278687 + ], + [ + 1.25, + 0.6855469942092896, + 0.6855469942092896 + ], + [ + 1.25, + 0.6386719942092896, + 0.6386719942092896 + ], + [ + 1.0, + 0.658203125, + 0.658203125 + ], + [ + 1.0, + 0.728515625, + 0.728515625 + ], + [ + 1.0, + 0.779296875, + 0.779296875 + ], + [ + 1.0, + 0.7421875, + 0.7421875 + ], + [ + 1.25, + 0.8027340173721313, + 0.8027340173721313 + ], + [ + 1.25, + 0.8984379768371582, + 0.8984379768371582 + ], + [ + 1.25, + 0.7324219942092896, + 0.7324219942092896 + ], + [ + 1.0, + 0.583984375, + 0.583984375 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.0, + 0.908203125, + 0.908203125 + ], + [ + 1.0, + 0.6328125, + 0.6328125 + ], + [ + 1.25, + 0.7539060115814209, + 0.7539060115814209 + ], + [ + 1.25, + 0.75, + 0.75 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.6542969942092896, + 0.6542969942092896 + ], + [ + 1.0, + 0.626953125, + 0.626953125 + ], + [ + 1.25, + 0.8476560115814209, + 0.8476560115814209 + ], + [ + 1.25, + 0.7480469942092896, + 0.7480469942092896 + ], + [ + 1.0, + 0.6796875, + 0.6796875 + ], + [ + 1.0, + 0.615234375, + 0.615234375 + ], + [ + 1.25, + 0.7402340173721313, + 0.7402340173721313 + ], + [ + 1.0, + 0.755859375, + 0.755859375 + ], + [ + 1.0, + 0.673828125, + 0.673828125 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.693359375, + 0.693359375 + ], + [ + 1.0, + 0.646484375, + 0.646484375 + ], + [ + 1.0, + 0.58984375, + 0.58984375 + ], + [ + 1.0, + 0.86328125, + 0.86328125 + ], + [ + 1.0, + 0.705078125, + 0.705078125 + ], + [ + 1.0, + 0.708984375, + 0.708984375 + ], + [ + 1.25, + 0.8105469942092896, + 0.8105469942092896 + ], + [ + 1.0, + 0.734375, + 0.734375 + ], + [ + 1.0, + 0.8984375, + 0.8984375 + ], + [ + 1.25, + 0.7265620231628418, + 0.7265620231628418 + ], + [ + 1.0, + 0.623046875, + 0.623046875 + ], + [ + 1.25, + 0.8085939884185791, + 0.8085939884185791 + ], + [ + 1.25, + 0.78125, + 0.78125 + ], + [ + 1.0, + 0.837890625, + 0.837890625 + ], + [ + 1.25, + 0.7792969942092896, + 0.7792969942092896 + ], + [ + 1.25, + 0.8027340173721313, + 0.8027340173721313 + ], + [ + 1.0, + 0.833984375, + 0.833984375 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.765625, + 0.765625 + ], + [ + 1.0, + 0.638671875, + 0.638671875 + ], + [ + 1.25, + 0.9492189884185791, + 0.9492189884185791 + ], + [ + 1.25, + 0.5820310115814209, + 0.5820310115814209 + ], + [ + 1.25, + 0.8867189884185791, + 0.8867189884185791 + ], + [ + 1.25, + 0.7226560115814209, + 0.7226560115814209 + ], + [ + 1.25, + 0.7910159826278687, + 0.7910159826278687 + ], + [ + 1.0, + 0.626953125, + 0.626953125 + ], + [ + 1.0, + 0.7578125, + 0.7578125 + ], + [ + 1.25, + 0.7753909826278687, + 0.7753909826278687 + ], + [ + 1.25, + 0.9023439884185791, + 0.9023439884185791 + ], + [ + 1.0, + 0.740234375, + 0.740234375 + ], + [ + 1.25, + 0.9160159826278687, + 0.9160159826278687 + ], + [ + 1.25, + 0.7167969942092896, + 0.7167969942092896 + ], + [ + 1.0, + 0.86328125, + 0.86328125 + ], + [ + 1.25, + 0.7363280057907104, + 0.7363280057907104 + ], + [ + 1.0, + 0.744140625, + 0.744140625 + ], + [ + 1.25, + 0.7519530057907104, + 0.7519530057907104 + ], + [ + 1.25, + 0.9765620231628418, + 0.9765620231628418 + ], + [ + 1.25, + 0.7714840173721313, + 0.7714840173721313 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.8828120231628418, + 0.8828120231628418 + ], + [ + 1.0, + 0.8359375, + 0.8359375 + ], + [ + 1.25, + 0.7519530057907104, + 0.7519530057907104 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.25, + 0.8007810115814209, + 0.8007810115814209 + ], + [ + 1.25, + 0.8789060115814209, + 0.8789060115814209 + ], + [ + 1.25, + 0.703125, + 0.703125 + ], + [ + 1.0, + 0.92578125, + 0.92578125 + ], + [ + 1.25, + 0.6601560115814209, + 0.6601560115814209 + ], + [ + 1.0, + 0.791015625, + 0.791015625 + ], + [ + 1.0, + 0.96875, + 0.96875 + ], + [ + 1.25, + 0.7871090173721313, + 0.7871090173721313 + ], + [ + 1.25, + 0.8496090173721313, + 0.8496090173721313 + ], + [ + 1.0, + 0.814453125, + 0.814453125 + ], + [ + 1.25, + 0.7480469942092896, + 0.7480469942092896 + ], + [ + 1.25, + 0.6582030057907104, + 0.6582030057907104 + ], + [ + 1.25, + 0.703125, + 0.703125 + ] + ] +} \ No newline at end of file diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_best.pth b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_best.pth new file mode 100644 index 0000000000000000000000000000000000000000..14a44413d4bc7ebbc2e6361bfd197fea98090a9c --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_best.pth @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:f83e25b4da9b2d5dc5cca5e766f480d08784f9633ef2933187159b4d08ed97b2 +size 824287410 diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_final.pth b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_final.pth new file mode 100644 index 0000000000000000000000000000000000000000..d36b2eb25754d12e897af09c5f0f93887411b299 --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/checkpoint_final.pth @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:4677ee02d0663a4111c147bba79049b3e01d6ac31f64e86491b8f9f06b9fda52 +size 824292614 diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/debug.json b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/debug.json new file mode 100644 index 0000000000000000000000000000000000000000..428d2000f45454be12e5765992ffa85f0474440e --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/debug.json @@ -0,0 +1,53 @@ +{ + "_best_ema": "None", + "batch_size": "2", + "configuration_manager": "{'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_fullres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [469.0, 383.0, 383.0], 'spacing': [1.0, 1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True}", + "configuration_name": "3d_fullres", + "cudnn_version": 90100, + "current_epoch": "0", + "dataloader_train": "", + "dataloader_train.generator": "", + "dataloader_train.num_processes": "12", + "dataloader_train.transform": "None", + "dataloader_val": "", + "dataloader_val.generator": "", + "dataloader_val.num_processes": "6", + "dataloader_val.transform": "None", + "dataset_json": "{'channel_names': {'0': 'CT'}, 'labels': {'background': 0, 'kidney_right': 1, 'kidney_left': 2, 'kidney_lesion': 3, 'kidney_lesion_kidney_right': 4, 'kidney_lesion_kidney_left': 5, 'pancreas': 6, 'pancreas_head': 7, 'pancreas_body': 8, 'pancreas_tail': 9, 'pancreatic_lesion': 10, 'pancreatic_lesion_pancreas_head': 11, 'pancreatic_lesion_pancreas_body': 12, 'pancreatic_lesion_pancreas_tail': 13, 'liver': 14, 'liver_segment_1': 15, 'liver_segment_2': 16, 'liver_segment_3': 17, 'liver_segment_4': 18, 'liver_segment_5': 19, 'liver_segment_6': 20, 'liver_segment_7': 21, 'liver_segment_8': 22, 'liver_lesion': 23, 'liver_lesion_liver_segment_1': 24, 'liver_lesion_liver_segment_2': 25, 'liver_lesion_liver_segment_3': 26, 'liver_lesion_liver_segment_4': 27, 'liver_lesion_liver_segment_5': 28, 'liver_lesion_liver_segment_6': 29, 'liver_lesion_liver_segment_7': 30, 'liver_lesion_liver_segment_8': 31, 'spleen': 32, 'spleen_lesion': 33, 'colon': 34, 'colon_lesion': 35, 'stomach': 36, 'stomach_lesion': 37, 'duodenum': 38, 'duodenum_lesion': 39, 'common_bile_duct': 40, 'intestine': 41, 'aorta': 42, 'postcava': 43, 'adrenal_gland_left': 44, 'adrenal_gland_right': 45, 'adrenal_lesion': 46, 'adrenal_lesion_adrenal_gland_left': 47, 'adrenal_lesion_adrenal_gland_right': 48, 'gall_bladder': 49, 'gallbladder_lesion': 50, 'gallbladder_lesion_gall_bladder': 51, 'bladder': 52, 'bladder_lesion': 53, 'celiac_trunk': 54, 'esophagus': 55, 'esophagus_lesion': 56, 'hepatic_vessel': 57, 'portal_vein_and_splenic_vein': 58, 'lung_left': 59, 'lung_right': 60, 'lung_lesion': 61, 'lung_lesion_lung_left': 62, 'lung_lesion_lung_right': 63, 'prostate': 64, 'prostate_lesion': 65, 'uterus_lesion': 66, 'uterus_lesion_prostate': 67, 'rectum': 68, 'femur_left': 69, 'femur_right': 70, 'superior_mesenteric_artery': 71, 'veins': 72, 'bone_lesion': 73, 'breast_lesion': 74}, 'numTraining': 423, 'file_ending': '.nii.gz', 'licence': \"Whoever converted this dataset was lazy and didn't look it up!\", 'converted_by': 'Please enter your name, especially when sharing datasets with others in a common infrastructure!', 'citation': None, 'overwrite_image_reader_writer': 'NibabelIOWithReorient', 'regions_class_order': 'Dataset307_radiologist_annotations_Merlin_Plus'}", + "device": "cuda:0", + "disable_checkpointing": "False", + "enable_deep_supervision": "True", + "fold": "all", + "folder_with_segs_from_previous_stage": "None", + "gpu_name": "NVIDIA H100 80GB HBM3", + "grad_scaler": "", + "hostname": "gpu312", + "inference_allowed_mirroring_axes": "(0, 1, 2)", + "initial_lr": "0.01", + "is_cascaded": "False", + "is_ddp": "False", + "label_manager": "", + "local_rank": "0", + "log_file": "/projects/bodymaps/Pedro/data/nnUNet_results/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/training_log_2026_2_21_12_15_45.txt", + "logger": "", + "loss": "DeepSupervisionWrapper(\n (loss): DC_and_CE_loss(\n (ce): RobustCrossEntropyLoss()\n (dc): OptimizedModule(\n (_orig_mod): MemoryEfficientSoftDiceLoss()\n )\n )\n)", + "lr_scheduler": "", + "my_init_kwargs": "{'plans': {'dataset_name': 'Dataset307_radiologist_annotations_Merlin_Plus', 'plans_name': 'nnUNetPlannerResEncL_torchres_isotropic', 'original_median_spacing_after_transp': [1.25, 0.748046875, 0.748046875], 'original_median_shape_after_transp': [409, 512, 512], 'image_reader_writer': 'NibabelIOWithReorient', 'transpose_forward': [0, 1, 2], 'transpose_backward': [0, 1, 2], 'configurations': {'2d': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_2d', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 55, 'patch_size': [384, 384], 'median_image_size_in_voxels': [383.0, 383.0], 'spacing': [1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 7, 'features_per_stage': [32, 64, 128, 256, 512, 512, 512], 'conv_op': 'torch.nn.modules.conv.Conv2d', 'kernel_sizes': [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]], 'strides': [[1, 1], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm2d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True}, '3d_lowres': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_lowres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [319, 261, 261], 'spacing': [1.4685337134515648, 1.4685337134515648, 1.4685337134515648], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': False, 'next_stage': '3d_cascade_fullres'}, '3d_fullres': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_fullres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [469.0, 383.0, 383.0], 'spacing': [1.0, 1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True}, '3d_cascade_fullres': {'inherits_from': '3d_fullres', 'previous_stage': '3d_lowres'}}, 'experiment_planner_used': 'nnUNetPlannerResEncL_torchres', 'label_manager': 'LabelManager', 'foreground_intensity_properties_per_channel': {'0': {'max': 1000.0, 'mean': -128.6943359375, 'median': 51.01091003417969, 'min': -1000.0, 'percentile_00_5': -996.0021362304688, 'percentile_99_5': 851.0109252929688, 'std': 398.4421691894531}}}, 'configuration': '3d_fullres', 'fold': 'all', 'dataset_json': {'channel_names': {'0': 'CT'}, 'labels': {'background': 0, 'kidney_right': 1, 'kidney_left': 2, 'kidney_lesion': 3, 'kidney_lesion_kidney_right': 4, 'kidney_lesion_kidney_left': 5, 'pancreas': 6, 'pancreas_head': 7, 'pancreas_body': 8, 'pancreas_tail': 9, 'pancreatic_lesion': 10, 'pancreatic_lesion_pancreas_head': 11, 'pancreatic_lesion_pancreas_body': 12, 'pancreatic_lesion_pancreas_tail': 13, 'liver': 14, 'liver_segment_1': 15, 'liver_segment_2': 16, 'liver_segment_3': 17, 'liver_segment_4': 18, 'liver_segment_5': 19, 'liver_segment_6': 20, 'liver_segment_7': 21, 'liver_segment_8': 22, 'liver_lesion': 23, 'liver_lesion_liver_segment_1': 24, 'liver_lesion_liver_segment_2': 25, 'liver_lesion_liver_segment_3': 26, 'liver_lesion_liver_segment_4': 27, 'liver_lesion_liver_segment_5': 28, 'liver_lesion_liver_segment_6': 29, 'liver_lesion_liver_segment_7': 30, 'liver_lesion_liver_segment_8': 31, 'spleen': 32, 'spleen_lesion': 33, 'colon': 34, 'colon_lesion': 35, 'stomach': 36, 'stomach_lesion': 37, 'duodenum': 38, 'duodenum_lesion': 39, 'common_bile_duct': 40, 'intestine': 41, 'aorta': 42, 'postcava': 43, 'adrenal_gland_left': 44, 'adrenal_gland_right': 45, 'adrenal_lesion': 46, 'adrenal_lesion_adrenal_gland_left': 47, 'adrenal_lesion_adrenal_gland_right': 48, 'gall_bladder': 49, 'gallbladder_lesion': 50, 'gallbladder_lesion_gall_bladder': 51, 'bladder': 52, 'bladder_lesion': 53, 'celiac_trunk': 54, 'esophagus': 55, 'esophagus_lesion': 56, 'hepatic_vessel': 57, 'portal_vein_and_splenic_vein': 58, 'lung_left': 59, 'lung_right': 60, 'lung_lesion': 61, 'lung_lesion_lung_left': 62, 'lung_lesion_lung_right': 63, 'prostate': 64, 'prostate_lesion': 65, 'uterus_lesion': 66, 'uterus_lesion_prostate': 67, 'rectum': 68, 'femur_left': 69, 'femur_right': 70, 'superior_mesenteric_artery': 71, 'veins': 72, 'bone_lesion': 73, 'breast_lesion': 74}, 'numTraining': 423, 'file_ending': '.nii.gz', 'licence': \"Whoever converted this dataset was lazy and didn't look it up!\", 'converted_by': 'Please enter your name, especially when sharing datasets with others in a common infrastructure!', 'citation': None, 'overwrite_image_reader_writer': 'NibabelIOWithReorient', 'regions_class_order': 'Dataset307_radiologist_annotations_Merlin_Plus'}, 'device': device(type='cuda')}", + "network": "OptimizedModule", + "num_epochs": "1000", + "num_input_channels": "1", + "num_iterations_per_epoch": "250", + "num_val_iterations_per_epoch": "50", + "optimizer": "SGD (\nParameter Group 0\n dampening: 0\n differentiable: False\n foreach: None\n fused: None\n initial_lr: 0.01\n lr: 0.01\n maximize: False\n momentum: 0.99\n nesterov: True\n weight_decay: 3e-05\n)", + "output_folder": "/projects/bodymaps/Pedro/data/nnUNet_results/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all", + "output_folder_base": "/projects/bodymaps/Pedro/data/nnUNet_results/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres", + "oversample_foreground_percent": "0.33", + "plans_manager": "{'dataset_name': 'Dataset307_radiologist_annotations_Merlin_Plus', 'plans_name': 'nnUNetPlannerResEncL_torchres_isotropic', 'original_median_spacing_after_transp': [1.25, 0.748046875, 0.748046875], 'original_median_shape_after_transp': [409, 512, 512], 'image_reader_writer': 'NibabelIOWithReorient', 'transpose_forward': [0, 1, 2], 'transpose_backward': [0, 1, 2], 'configurations': {'2d': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_2d', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 55, 'patch_size': [384, 384], 'median_image_size_in_voxels': [383.0, 383.0], 'spacing': [1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 7, 'features_per_stage': [32, 64, 128, 256, 512, 512, 512], 'conv_op': 'torch.nn.modules.conv.Conv2d', 'kernel_sizes': [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]], 'strides': [[1, 1], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm2d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True}, '3d_lowres': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_lowres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [319, 261, 261], 'spacing': [1.4685337134515648, 1.4685337134515648, 1.4685337134515648], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': False, 'next_stage': '3d_cascade_fullres'}, '3d_fullres': {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_fullres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [469.0, 383.0, 383.0], 'spacing': [1.0, 1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True}, '3d_cascade_fullres': {'inherits_from': '3d_fullres', 'previous_stage': '3d_lowres'}}, 'experiment_planner_used': 'nnUNetPlannerResEncL_torchres', 'label_manager': 'LabelManager', 'foreground_intensity_properties_per_channel': {'0': {'max': 1000.0, 'mean': -128.6943359375, 'median': 51.01091003417969, 'min': -1000.0, 'percentile_00_5': -996.0021362304688, 'percentile_99_5': 851.0109252929688, 'std': 398.4421691894531}}}", + "preprocessed_dataset_folder": "/projects/bodymaps/Pedro/data/nnUNet_preprocessed/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetPlannerResEncL_torchres_isotropic_3d_fullres", + "preprocessed_dataset_folder_base": "/projects/bodymaps/Pedro/data/nnUNet_preprocessed/Dataset307_radiologist_annotations_Merlin_Plus", + "probabilistic_oversampling": "False", + "save_every": "50", + "torch_version": "2.6.0+cu124", + "was_initialized": "True", + "weight_decay": "3e-05" +} \ No newline at end of file diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/progress.png b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/progress.png new file mode 100644 index 0000000000000000000000000000000000000000..0d4b7b763c1d5b9c855a888cb48666fb8bcf1a99 --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/progress.png @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:b7de5b318399784d6f393d0db44e547a5b95997d543910e2f096a2811adc0861 +size 836077 diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/training_log_2026_2_21_12_15_45.txt b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/training_log_2026_2_21_12_15_45.txt new file mode 100644 index 0000000000000000000000000000000000000000..9de415bb3fc44665e63e0704fb937b8fc827f95c --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/fold_all/training_log_2026_2_21_12_15_45.txt @@ -0,0 +1,7325 @@ + +####################################################################### +Please cite the following paper when using nnU-Net: +Isensee, F., Jaeger, P. F., Kohl, S. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature methods, 18(2), 203-211. +####################################################################### + +2026-02-21 12:15:48.539726: Using torch.compile... +2026-02-21 12:15:49.866526: do_dummy_2d_data_aug: False + +This is the configuration used by this training: +Configuration name: 3d_fullres + {'data_identifier': 'nnUNetPlannerResEncL_torchres_isotropic_3d_fullres', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 2, 'patch_size': [224, 160, 160], 'median_image_size_in_voxels': [469.0, 383.0, 383.0], 'spacing': [1.0, 1.0, 1.0], 'normalization_schemes': ['CTNormalization'], 'use_mask_for_norm': [False], 'resampling_fn_data': 'resample_torch_fornnunet', 'resampling_fn_seg': 'resample_torch_fornnunet', 'resampling_fn_data_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'resampling_fn_probabilities': 'resample_torch_fornnunet', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'force_separate_z': False, 'memefficient_seg_resampling': False}, 'architecture': {'network_class_name': 'dynamic_network_architectures.architectures.unet.ResidualEncoderUNet', 'arch_kwargs': {'n_stages': 6, 'features_per_stage': [32, 64, 128, 256, 320, 320], 'conv_op': 'torch.nn.modules.conv.Conv3d', 'kernel_sizes': [[3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3], [3, 3, 3]], 'strides': [[1, 1, 1], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2], [2, 2, 2]], 'n_blocks_per_stage': [1, 3, 4, 6, 6, 6], 'n_conv_per_stage_decoder': [1, 1, 1, 1, 1], 'conv_bias': True, 'norm_op': 'torch.nn.modules.instancenorm.InstanceNorm3d', 'norm_op_kwargs': {'eps': 1e-05, 'affine': True}, 'dropout_op': None, 'dropout_op_kwargs': None, 'nonlin': 'torch.nn.LeakyReLU', 'nonlin_kwargs': {'inplace': True}}, '_kw_requires_import': ['conv_op', 'norm_op', 'dropout_op', 'nonlin']}, 'batch_dice': True} + +These are the global plan.json settings: + {'dataset_name': 'Dataset307_radiologist_annotations_Merlin_Plus', 'plans_name': 'nnUNetPlannerResEncL_torchres_isotropic', 'original_median_spacing_after_transp': [1.25, 0.748046875, 0.748046875], 'original_median_shape_after_transp': [409, 512, 512], 'image_reader_writer': 'NibabelIOWithReorient', 'transpose_forward': [0, 1, 2], 'transpose_backward': [0, 1, 2], 'experiment_planner_used': 'nnUNetPlannerResEncL_torchres', 'label_manager': 'LabelManager', 'foreground_intensity_properties_per_channel': {'0': {'max': 1000.0, 'mean': -128.6943359375, 'median': 51.01091003417969, 'min': -1000.0, 'percentile_00_5': -996.0021362304688, 'percentile_99_5': 851.0109252929688, 'std': 398.4421691894531}}} + +2026-02-21 12:15:58.822581: Unable to plot network architecture: nnUNet_compile is enabled! +2026-02-21 12:15:59.091996: +2026-02-21 12:15:59.098892: Epoch 0 +2026-02-21 12:15:59.104406: Current learning rate: 0.01 +2026-02-21 12:20:10.348874: train_loss 1.489 +2026-02-21 12:20:10.369974: val_loss 0.9675 +2026-02-21 12:20:10.378415: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:20:10.384907: Epoch time: 251.26 s +2026-02-21 12:20:10.390217: Yayy! New best EMA pseudo Dice: 0.0 +2026-02-21 12:20:13.206930: +2026-02-21 12:20:13.217169: Epoch 1 +2026-02-21 12:20:13.225982: Current learning rate: 0.00999 +2026-02-21 12:22:19.056675: train_loss 0.925 +2026-02-21 12:22:19.085817: val_loss 0.845 +2026-02-21 12:22:19.093688: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.4721), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0002), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.1296), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:22:19.105277: Epoch time: 125.85 s +2026-02-21 12:22:19.116967: Yayy! New best EMA pseudo Dice: 0.001500000013038516 +2026-02-21 12:22:21.011753: +2026-02-21 12:22:21.018285: Epoch 2 +2026-02-21 12:22:21.025341: Current learning rate: 0.00998 +2026-02-21 12:24:25.351003: train_loss 0.8315 +2026-02-21 12:24:25.354784: val_loss 0.7887 +2026-02-21 12:24:25.356151: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.5615), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.1065), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.018), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0137), np.float32(0.3519), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:24:25.357656: Epoch time: 124.34 s +2026-02-21 12:24:25.358557: Yayy! New best EMA pseudo Dice: 0.004100000020116568 +2026-02-21 12:24:27.029538: +2026-02-21 12:24:27.031120: Epoch 3 +2026-02-21 12:24:27.032264: Current learning rate: 0.00997 +2026-02-21 12:26:54.969221: train_loss 0.7891 +2026-02-21 12:26:54.974066: val_loss 0.8061 +2026-02-21 12:26:54.975434: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.5397), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0269), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0597), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3924), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:26:54.976475: Epoch time: 147.94 s +2026-02-21 12:26:54.977189: Yayy! New best EMA pseudo Dice: 0.006300000008195639 +2026-02-21 12:26:56.856682: +2026-02-21 12:26:56.858532: Epoch 4 +2026-02-21 12:26:56.859461: Current learning rate: 0.00996 +2026-02-21 12:28:55.929199: train_loss 0.7141 +2026-02-21 12:28:55.932802: val_loss 0.6945 +2026-02-21 12:28:55.934544: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.6333), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.2047), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2378), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4418), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:28:55.936501: Epoch time: 119.08 s +2026-02-21 12:28:55.937748: Yayy! New best EMA pseudo Dice: 0.009700000286102295 +2026-02-21 12:28:57.605064: +2026-02-21 12:28:57.607003: Epoch 5 +2026-02-21 12:28:57.608170: Current learning rate: 0.00995 +2026-02-21 12:31:13.908506: train_loss 0.7032 +2026-02-21 12:31:13.956168: val_loss 0.6364 +2026-02-21 12:31:13.957288: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.6667), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.157), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.194), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.441), np.float32(0.0439), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:31:13.958828: Epoch time: 136.31 s +2026-02-21 12:31:13.959941: Yayy! New best EMA pseudo Dice: 0.012500000186264515 +2026-02-21 12:31:15.600734: +2026-02-21 12:31:15.602485: Epoch 6 +2026-02-21 12:31:15.604064: Current learning rate: 0.00995 +2026-02-21 12:33:18.580414: train_loss 0.6349 +2026-02-21 12:33:18.587496: val_loss 0.6741 +2026-02-21 12:33:18.591020: Pseudo dice [np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.7188), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.1219), np.float32(nan), np.float32(0.0003), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2436), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0066), np.float32(0.3733), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:33:18.594009: Epoch time: 122.98 s +2026-02-21 12:33:18.595437: Yayy! New best EMA pseudo Dice: 0.014999999664723873 +2026-02-21 12:33:20.216469: +2026-02-21 12:33:20.217777: Epoch 7 +2026-02-21 12:33:20.218597: Current learning rate: 0.00994 +2026-02-21 12:35:20.292797: train_loss 0.6049 +2026-02-21 12:35:20.323292: val_loss 0.611 +2026-02-21 12:35:20.329812: Pseudo dice [np.float32(0.0166), np.float32(0.2659), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.7456), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.2809), np.float32(0.0), np.float32(0.0025), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2834), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(1e-04), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2869), np.float32(0.4731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:35:20.344054: Epoch time: 120.08 s +2026-02-21 12:35:20.353551: Yayy! New best EMA pseudo Dice: 0.01940000057220459 +2026-02-21 12:35:22.085577: +2026-02-21 12:35:22.092298: Epoch 8 +2026-02-21 12:35:22.095234: Current learning rate: 0.00993 +2026-02-21 12:37:19.598079: train_loss 0.5818 +2026-02-21 12:37:19.602331: val_loss 0.5705 +2026-02-21 12:37:19.604984: Pseudo dice [np.float32(0.506), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.8008), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.1419), np.float32(nan), np.float32(0.0095), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3491), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4434), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:37:19.606966: Epoch time: 117.52 s +2026-02-21 12:37:19.610423: Yayy! New best EMA pseudo Dice: 0.02329999953508377 +2026-02-21 12:37:21.264019: +2026-02-21 12:37:21.280967: Epoch 9 +2026-02-21 12:37:21.290351: Current learning rate: 0.00992 +2026-02-21 12:39:06.428198: train_loss 0.5398 +2026-02-21 12:39:06.438266: val_loss 0.5051 +2026-02-21 12:39:06.441078: Pseudo dice [np.float32(0.0147), np.float32(0.4785), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.7896), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.1259), np.float32(nan), np.float32(0.0829), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4599), np.float32(0.0033), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3031), np.float32(0.4988), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:39:06.443921: Epoch time: 105.17 s +2026-02-21 12:39:06.447296: Yayy! New best EMA pseudo Dice: 0.02800000086426735 +2026-02-21 12:39:08.077883: +2026-02-21 12:39:08.080846: Epoch 10 +2026-02-21 12:39:08.082983: Current learning rate: 0.00991 +2026-02-21 12:40:59.340735: train_loss 0.5091 +2026-02-21 12:40:59.345401: val_loss 0.4984 +2026-02-21 12:40:59.347161: Pseudo dice [np.float32(0.153), np.float32(0.5037), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.8126), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.4174), np.float32(nan), np.float32(0.255), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4635), np.float32(0.2456), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2068), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4741), np.float32(0.002), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:40:59.348567: Epoch time: 111.27 s +2026-02-21 12:40:59.350260: Yayy! New best EMA pseudo Dice: 0.034299999475479126 +2026-02-21 12:41:00.953436: +2026-02-21 12:41:00.955019: Epoch 11 +2026-02-21 12:41:00.957006: Current learning rate: 0.0099 +2026-02-21 12:43:14.397729: train_loss 0.4508 +2026-02-21 12:43:14.401340: val_loss 0.4387 +2026-02-21 12:43:14.402369: Pseudo dice [np.float32(0.1505), np.float32(0.4408), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.8182), np.float32(nan), np.float32(0.0189), np.float32(0.0), np.float32(0.5392), np.float32(0.0), np.float32(0.3264), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.39), np.float32(0.596), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4432), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0002), np.float32(0.0029), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:43:14.403355: Epoch time: 133.45 s +2026-02-21 12:43:14.404070: Yayy! New best EMA pseudo Dice: 0.04190000146627426 +2026-02-21 12:43:16.383519: +2026-02-21 12:43:16.387804: Epoch 12 +2026-02-21 12:43:16.388766: Current learning rate: 0.00989 +2026-02-21 12:45:43.514657: train_loss 0.457 +2026-02-21 12:45:43.521364: val_loss 0.435 +2026-02-21 12:45:43.522736: Pseudo dice [np.float32(0.0), np.float32(0.5496), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.7619), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.4835), np.float32(nan), np.float32(0.2462), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5113), np.float32(0.6553), np.float32(0.0054), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6068), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6213), np.float32(0.0104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0743), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:45:43.524039: Epoch time: 147.13 s +2026-02-21 12:45:43.525367: Yayy! New best EMA pseudo Dice: 0.049300000071525574 +2026-02-21 12:45:45.160236: +2026-02-21 12:45:45.161726: Epoch 13 +2026-02-21 12:45:45.162919: Current learning rate: 0.00988 +2026-02-21 12:47:38.251472: train_loss 0.4179 +2026-02-21 12:47:38.260077: val_loss 0.3869 +2026-02-21 12:47:38.263313: Pseudo dice [np.float32(0.5523), np.float32(0.2086), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(nan), np.float32(0.7795), np.float32(nan), np.float32(0.0632), np.float32(0.0), np.float32(0.5534), np.float32(nan), np.float32(0.3229), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5644), np.float32(0.5868), np.float32(0.0134), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4927), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0002), np.float32(0.6867), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0013), np.float32(0.3011), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:47:38.264568: Epoch time: 113.09 s +2026-02-21 12:47:38.265663: Yayy! New best EMA pseudo Dice: 0.05790000036358833 +2026-02-21 12:47:39.939496: +2026-02-21 12:47:39.940821: Epoch 14 +2026-02-21 12:47:39.941911: Current learning rate: 0.00987 +2026-02-21 12:49:20.475595: train_loss 0.3873 +2026-02-21 12:49:20.480363: val_loss 0.3986 +2026-02-21 12:49:20.481631: Pseudo dice [np.float32(0.4649), np.float32(0.47), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.2331), np.float32(nan), np.float32(0.803), np.float32(nan), np.float32(0.2412), np.float32(0.0), np.float32(0.533), np.float32(nan), np.float32(0.3165), np.float32(0.0), np.float32(0.0019), np.float32(0.0), np.float32(0.0), np.float32(0.555), np.float32(0.6063), np.float32(0.1742), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.695), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0204), np.float32(0.7236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0025), np.float32(0.3287), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:49:20.482750: Epoch time: 100.54 s +2026-02-21 12:49:20.483557: Yayy! New best EMA pseudo Dice: 0.06790000200271606 +2026-02-21 12:49:22.135814: +2026-02-21 12:49:22.137338: Epoch 15 +2026-02-21 12:49:22.138432: Current learning rate: 0.00986 +2026-02-21 12:51:14.183623: train_loss 0.3564 +2026-02-21 12:51:14.187108: val_loss 0.3712 +2026-02-21 12:51:14.188656: Pseudo dice [np.float32(0.6133), np.float32(0.407), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.1975), np.float32(nan), np.float32(0.8757), np.float32(nan), np.float32(0.2034), np.float32(0.0), np.float32(0.5374), np.float32(nan), np.float32(0.3863), np.float32(0.0), np.float32(0.0147), np.float32(0.0), np.float32(0.0), np.float32(0.4435), np.float32(0.7121), np.float32(0.2954), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4622), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7223), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0517), np.float32(0.3889), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:51:14.190134: Epoch time: 112.05 s +2026-02-21 12:51:14.192406: Yayy! New best EMA pseudo Dice: 0.07729999721050262 +2026-02-21 12:51:15.839288: +2026-02-21 12:51:15.841457: Epoch 16 +2026-02-21 12:51:15.842699: Current learning rate: 0.00986 +2026-02-21 12:52:56.575272: train_loss 0.3858 +2026-02-21 12:52:56.578974: val_loss 0.3828 +2026-02-21 12:52:56.579994: Pseudo dice [np.float32(0.6088), np.float32(0.3546), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3507), np.float32(nan), np.float32(0.7842), np.float32(nan), np.float32(0.1196), np.float32(0.0), np.float32(0.555), np.float32(nan), np.float32(0.4755), np.float32(0.0), np.float32(0.0713), np.float32(0.0), np.float32(0.0), np.float32(0.569), np.float32(0.7111), np.float32(0.2623), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.701), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4908), np.float32(0.0003), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3234), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:52:56.580996: Epoch time: 100.74 s +2026-02-21 12:52:56.582208: Yayy! New best EMA pseudo Dice: 0.08590000122785568 +2026-02-21 12:52:58.255645: +2026-02-21 12:52:58.258763: Epoch 17 +2026-02-21 12:52:58.259694: Current learning rate: 0.00985 +2026-02-21 12:54:46.833742: train_loss 0.3636 +2026-02-21 12:54:46.839846: val_loss 0.3367 +2026-02-21 12:54:46.842898: Pseudo dice [np.float32(0.6101), np.float32(0.5332), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3126), np.float32(nan), np.float32(0.8667), np.float32(nan), np.float32(0.3358), np.float32(0.0), np.float32(0.6098), np.float32(nan), np.float32(0.4933), np.float32(0.0), np.float32(0.1449), np.float32(0.0), np.float32(0.0), np.float32(0.5839), np.float32(0.7221), np.float32(0.4258), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7243), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(1e-04), np.float32(0.6904), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3149), np.float32(0.0), np.float32(0.0033), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:54:46.844099: Epoch time: 108.58 s +2026-02-21 12:54:46.844928: Yayy! New best EMA pseudo Dice: 0.09619999676942825 +2026-02-21 12:54:49.352792: +2026-02-21 12:54:49.356722: Epoch 18 +2026-02-21 12:54:49.358196: Current learning rate: 0.00984 +2026-02-21 12:56:52.218028: train_loss 0.3205 +2026-02-21 12:56:52.247192: val_loss 0.2931 +2026-02-21 12:56:52.250540: Pseudo dice [np.float32(0.6373), np.float32(0.6904), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4385), np.float32(nan), np.float32(0.853), np.float32(nan), np.float32(0.5421), np.float32(0.0), np.float32(0.6287), np.float32(0.0), np.float32(0.5738), np.float32(0.0), np.float32(0.1078), np.float32(0.0), np.float32(0.0), np.float32(0.6447), np.float32(0.7914), np.float32(0.5055), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5516), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0362), np.float32(0.6903), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3442), np.float32(0.0), np.float32(0.0), np.float32(0.0371), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:56:52.251650: Epoch time: 122.87 s +2026-02-21 12:56:52.252572: Yayy! New best EMA pseudo Dice: 0.10679999738931656 +2026-02-21 12:56:53.924425: +2026-02-21 12:56:53.926823: Epoch 19 +2026-02-21 12:56:53.928398: Current learning rate: 0.00983 +2026-02-21 12:58:46.543347: train_loss 0.3045 +2026-02-21 12:58:46.548082: val_loss 0.2616 +2026-02-21 12:58:46.549336: Pseudo dice [np.float32(0.6645), np.float32(0.6341), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4481), np.float32(nan), np.float32(0.8582), np.float32(nan), np.float32(0.6948), np.float32(0.0), np.float32(0.6343), np.float32(nan), np.float32(0.5728), np.float32(0.0), np.float32(0.1445), np.float32(0.0), np.float32(0.0), np.float32(0.6584), np.float32(0.7522), np.float32(0.512), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5447), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5936), np.float32(0.5863), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4559), np.float32(0.2158), np.float32(0.0), np.float32(0.1461), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 12:58:46.550079: Epoch time: 112.62 s +2026-02-21 12:58:46.550811: Yayy! New best EMA pseudo Dice: 0.11949999630451202 +2026-02-21 12:58:48.220691: +2026-02-21 12:58:48.223499: Epoch 20 +2026-02-21 12:58:48.224813: Current learning rate: 0.00982 +2026-02-21 13:00:34.927952: train_loss 0.2889 +2026-02-21 13:00:34.932294: val_loss 0.2332 +2026-02-21 13:00:34.933438: Pseudo dice [np.float32(0.6946), np.float32(0.662), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3272), np.float32(nan), np.float32(0.8776), np.float32(nan), np.float32(0.6358), np.float32(0.0), np.float32(0.6807), np.float32(0.0), np.float32(0.5046), np.float32(0.0), np.float32(0.273), np.float32(0.0), np.float32(0.0), np.float32(0.7014), np.float32(0.8106), np.float32(0.6743), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6007), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4327), np.float32(0.7464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5711), np.float32(0.0), np.float32(0.0), np.float32(0.3559), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:00:34.934714: Epoch time: 106.71 s +2026-02-21 13:00:34.935768: Yayy! New best EMA pseudo Dice: 0.131400004029274 +2026-02-21 13:00:36.606779: +2026-02-21 13:00:36.607856: Epoch 21 +2026-02-21 13:00:36.608997: Current learning rate: 0.00981 +2026-02-21 13:02:30.304962: train_loss 0.2661 +2026-02-21 13:02:30.308716: val_loss 0.2783 +2026-02-21 13:02:30.309754: Pseudo dice [np.float32(0.6194), np.float32(0.5831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5072), np.float32(nan), np.float32(0.806), np.float32(nan), np.float32(0.3619), np.float32(0.0), np.float32(0.669), np.float32(0.0), np.float32(0.5408), np.float32(0.0), np.float32(0.2697), np.float32(0.0), np.float32(0.0), np.float32(0.709), np.float32(0.7741), np.float32(0.5858), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.618), np.float32(0.0), np.float32(0.0094), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3687), np.float32(0.7046), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3689), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5208), np.float32(0.0), np.float32(0.0), np.float32(0.3831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:02:30.310733: Epoch time: 113.7 s +2026-02-21 13:02:30.311459: Yayy! New best EMA pseudo Dice: 0.14180000126361847 +2026-02-21 13:02:31.960676: +2026-02-21 13:02:31.961777: Epoch 22 +2026-02-21 13:02:31.962710: Current learning rate: 0.0098 +2026-02-21 13:04:30.948151: train_loss 0.2878 +2026-02-21 13:04:30.956811: val_loss 0.2495 +2026-02-21 13:04:30.957924: Pseudo dice [np.float32(0.5512), np.float32(0.6848), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4568), np.float32(nan), np.float32(0.8316), np.float32(nan), np.float32(0.6293), np.float32(0.0), np.float32(0.6613), np.float32(nan), np.float32(0.659), np.float32(0.0), np.float32(0.2456), np.float32(0.0), np.float32(0.0), np.float32(0.6513), np.float32(0.7941), np.float32(0.5945), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7977), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6237), np.float32(0.7027), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.1839), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4872), np.float32(0.0), np.float32(0.0), np.float32(0.1884), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:04:30.959301: Epoch time: 118.99 s +2026-02-21 13:04:30.964624: Yayy! New best EMA pseudo Dice: 0.1526000052690506 +2026-02-21 13:04:33.295324: +2026-02-21 13:04:33.300619: Epoch 23 +2026-02-21 13:04:33.301332: Current learning rate: 0.00979 +2026-02-21 13:06:33.573316: train_loss 0.2999 +2026-02-21 13:06:33.578626: val_loss 0.2351 +2026-02-21 13:06:33.579660: Pseudo dice [np.float32(0.6363), np.float32(0.5464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.447), np.float32(nan), np.float32(0.8667), np.float32(nan), np.float32(0.6552), np.float32(0.0), np.float32(0.6314), np.float32(nan), np.float32(0.5765), np.float32(0.0), np.float32(0.2942), np.float32(0.0), np.float32(0.0), np.float32(0.7055), np.float32(0.8156), np.float32(0.6298), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7465), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6248), np.float32(0.6792), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.0748), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.342), np.float32(0.1844), np.float32(0.0), np.float32(0.4324), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:06:33.580734: Epoch time: 120.28 s +2026-02-21 13:06:33.581604: Yayy! New best EMA pseudo Dice: 0.16269999742507935 +2026-02-21 13:06:36.627650: +2026-02-21 13:06:36.629079: Epoch 24 +2026-02-21 13:06:36.630275: Current learning rate: 0.00978 +2026-02-21 13:08:32.784971: train_loss 0.2434 +2026-02-21 13:08:32.788535: val_loss 0.2427 +2026-02-21 13:08:32.789565: Pseudo dice [np.float32(0.7391), np.float32(0.6579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4513), np.float32(nan), np.float32(0.8589), np.float32(nan), np.float32(0.6291), np.float32(0.0), np.float32(0.6629), np.float32(nan), np.float32(0.5263), np.float32(0.0), np.float32(0.3351), np.float32(0.0), np.float32(0.0), np.float32(0.6742), np.float32(0.7524), np.float32(0.6394), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0003), np.float32(0.0), np.float32(0.0), np.float32(0.7654), np.float32(0.0), np.float32(0.1424), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7281), np.float32(0.834), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.1307), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5897), np.float32(0.0), np.float32(0.0), np.float32(0.3889), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:08:32.790560: Epoch time: 116.16 s +2026-02-21 13:08:32.791518: Yayy! New best EMA pseudo Dice: 0.17329999804496765 +2026-02-21 13:08:34.377301: +2026-02-21 13:08:34.378593: Epoch 25 +2026-02-21 13:08:34.379585: Current learning rate: 0.00977 +2026-02-21 13:10:24.053885: train_loss 0.2627 +2026-02-21 13:10:24.057421: val_loss 0.2284 +2026-02-21 13:10:24.058706: Pseudo dice [np.float32(0.5359), np.float32(0.6697), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5652), np.float32(nan), np.float32(0.8661), np.float32(nan), np.float32(0.6707), np.float32(0.0), np.float32(0.6344), np.float32(nan), np.float32(0.5833), np.float32(0.0), np.float32(0.3921), np.float32(0.0), np.float32(0.0), np.float32(0.7085), np.float32(0.8405), np.float32(0.6894), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0068), np.float32(0.0), np.float32(0.0), np.float32(0.6655), np.float32(0.0), np.float32(0.3938), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6901), np.float32(0.717), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3529), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3451), np.float32(0.0), np.float32(0.0), np.float32(0.6309), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:10:24.059945: Epoch time: 109.68 s +2026-02-21 13:10:24.060659: Yayy! New best EMA pseudo Dice: 0.18410000205039978 +2026-02-21 13:10:25.712720: +2026-02-21 13:10:25.716980: Epoch 26 +2026-02-21 13:10:25.717765: Current learning rate: 0.00977 +2026-02-21 13:12:09.857558: train_loss 0.2129 +2026-02-21 13:12:09.867307: val_loss 0.1665 +2026-02-21 13:12:09.869925: Pseudo dice [np.float32(0.7933), np.float32(0.7679), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5853), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.7411), np.float32(0.0), np.float32(0.6937), np.float32(0.0), np.float32(0.615), np.float32(0.0), np.float32(0.3728), np.float32(0.0), np.float32(0.0), np.float32(0.7156), np.float32(0.8549), np.float32(0.745), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(1e-04), np.float32(0.0), np.float32(0.0), np.float32(0.8632), np.float32(0.0), np.float32(0.548), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7472), np.float32(0.8233), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3812), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5615), np.float32(0.0), np.float32(0.0), np.float32(0.6083), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:12:09.871768: Epoch time: 104.15 s +2026-02-21 13:12:09.873148: Yayy! New best EMA pseudo Dice: 0.1964000016450882 +2026-02-21 13:12:11.506623: +2026-02-21 13:12:11.509904: Epoch 27 +2026-02-21 13:12:11.510962: Current learning rate: 0.00976 +2026-02-21 13:14:10.379533: train_loss 0.2062 +2026-02-21 13:14:10.383098: val_loss 0.2401 +2026-02-21 13:14:10.384283: Pseudo dice [np.float32(0.735), np.float32(0.7566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5593), np.float32(nan), np.float32(0.8527), np.float32(nan), np.float32(0.83), np.float32(0.0), np.float32(0.6763), np.float32(nan), np.float32(0.6393), np.float32(0.0), np.float32(0.2898), np.float32(0.0), np.float32(0.0), np.float32(0.6789), np.float32(0.7628), np.float32(0.5759), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.1719), np.float32(0.0), np.float32(0.0), np.float32(0.7646), np.float32(0.0), np.float32(0.5006), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7175), np.float32(0.7549), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5309), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3652), np.float32(0.0), np.float32(0.0), np.float32(0.6029), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:14:10.385369: Epoch time: 118.88 s +2026-02-21 13:14:10.386192: Yayy! New best EMA pseudo Dice: 0.2069000005722046 +2026-02-21 13:14:12.010187: +2026-02-21 13:14:12.012143: Epoch 28 +2026-02-21 13:14:12.013999: Current learning rate: 0.00975 +2026-02-21 13:16:09.305830: train_loss 0.181 +2026-02-21 13:16:09.309373: val_loss 0.1467 +2026-02-21 13:16:09.310396: Pseudo dice [np.float32(0.8197), np.float32(0.8471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4978), np.float32(nan), np.float32(0.8819), np.float32(nan), np.float32(0.7997), np.float32(0.0), np.float32(0.6678), np.float32(nan), np.float32(0.7229), np.float32(0.0), np.float32(0.519), np.float32(0.0), np.float32(0.0), np.float32(0.7102), np.float32(0.8284), np.float32(0.7179), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2459), np.float32(0.0), np.float32(0.0), np.float32(0.807), np.float32(0.0), np.float32(0.5695), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8138), np.float32(0.8158), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5111), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3691), np.float32(0.0), np.float32(0.0), np.float32(0.595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:16:09.311152: Epoch time: 117.3 s +2026-02-21 13:16:09.312864: Yayy! New best EMA pseudo Dice: 0.21889999508857727 +2026-02-21 13:16:10.922363: +2026-02-21 13:16:10.924722: Epoch 29 +2026-02-21 13:16:10.925541: Current learning rate: 0.00974 +2026-02-21 13:18:03.376132: train_loss 0.1836 +2026-02-21 13:18:03.379729: val_loss 0.2035 +2026-02-21 13:18:03.380763: Pseudo dice [np.float32(0.804), np.float32(0.8268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.606), np.float32(nan), np.float32(0.8187), np.float32(nan), np.float32(0.6199), np.float32(0.0), np.float32(0.7053), np.float32(nan), np.float32(0.6751), np.float32(0.0), np.float32(0.4985), np.float32(0.0), np.float32(0.0), np.float32(0.7543), np.float32(0.7961), np.float32(0.6917), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2686), np.float32(0.0), np.float32(0.0), np.float32(0.7059), np.float32(0.0), np.float32(0.5252), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.466), np.float32(0.7161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.302), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6073), np.float32(0.0), np.float32(0.5783), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:18:03.381743: Epoch time: 112.46 s +2026-02-21 13:18:03.382457: Yayy! New best EMA pseudo Dice: 0.22769999504089355 +2026-02-21 13:18:06.885806: +2026-02-21 13:18:06.888225: Epoch 30 +2026-02-21 13:18:06.889024: Current learning rate: 0.00973 +2026-02-21 13:20:11.625216: train_loss 0.1965 +2026-02-21 13:20:11.640353: val_loss 0.2006 +2026-02-21 13:20:11.641371: Pseudo dice [np.float32(0.7694), np.float32(0.7458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6017), np.float32(nan), np.float32(0.8814), np.float32(nan), np.float32(0.7869), np.float32(0.0), np.float32(0.7067), np.float32(0.0), np.float32(0.7256), np.float32(0.0), np.float32(0.4728), np.float32(0.0), np.float32(0.0), np.float32(0.6921), np.float32(0.8153), np.float32(0.6905), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.2669), np.float32(0.0), np.float32(0.0), np.float32(0.7107), np.float32(0.0), np.float32(0.587), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7259), np.float32(0.8157), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4724), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7596), np.float32(0.0), np.float32(0.0), np.float32(0.6632), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:20:11.642633: Epoch time: 124.74 s +2026-02-21 13:20:11.643327: Yayy! New best EMA pseudo Dice: 0.23720000684261322 +2026-02-21 13:20:13.295393: +2026-02-21 13:20:13.296484: Epoch 31 +2026-02-21 13:20:13.297315: Current learning rate: 0.00972 +2026-02-21 13:22:02.286002: train_loss 0.1644 +2026-02-21 13:22:02.289671: val_loss 0.1563 +2026-02-21 13:22:02.290945: Pseudo dice [np.float32(0.6719), np.float32(0.6616), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6088), np.float32(nan), np.float32(0.8792), np.float32(nan), np.float32(0.7203), np.float32(0.0), np.float32(0.7447), np.float32(nan), np.float32(0.6711), np.float32(0.0), np.float32(0.5098), np.float32(0.0), np.float32(0.0), np.float32(0.7548), np.float32(0.8028), np.float32(0.7265), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5525), np.float32(0.0), np.float32(0.0), np.float32(0.7257), np.float32(0.0), np.float32(0.5862), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8377), np.float32(0.9049), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6325), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4668), np.float32(0.0), np.float32(0.0), np.float32(0.6191), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:22:02.291945: Epoch time: 108.99 s +2026-02-21 13:22:02.292662: Yayy! New best EMA pseudo Dice: 0.24699999392032623 +2026-02-21 13:22:03.886141: +2026-02-21 13:22:03.888027: Epoch 32 +2026-02-21 13:22:03.889091: Current learning rate: 0.00971 +2026-02-21 13:23:47.842090: train_loss 0.1742 +2026-02-21 13:23:47.848823: val_loss 0.1404 +2026-02-21 13:23:47.850984: Pseudo dice [np.float32(0.8047), np.float32(0.8145), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6003), np.float32(nan), np.float32(0.8533), np.float32(nan), np.float32(0.7967), np.float32(0.0), np.float32(0.7293), np.float32(nan), np.float32(0.7446), np.float32(0.0), np.float32(0.4948), np.float32(0.0), np.float32(0.0), np.float32(0.737), np.float32(0.8212), np.float32(0.7146), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4053), np.float32(0.0), np.float32(0.0), np.float32(0.8261), np.float32(0.0), np.float32(0.5462), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8732), np.float32(0.8242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5539), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7121), np.float32(0.0014), np.float32(0.6258), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:23:47.853021: Epoch time: 103.96 s +2026-02-21 13:23:47.855423: Yayy! New best EMA pseudo Dice: 0.25679999589920044 +2026-02-21 13:23:49.521778: +2026-02-21 13:23:49.523360: Epoch 33 +2026-02-21 13:23:49.524165: Current learning rate: 0.0097 +2026-02-21 13:25:37.989449: train_loss 0.1828 +2026-02-21 13:25:37.992780: val_loss 0.1962 +2026-02-21 13:25:37.993785: Pseudo dice [np.float32(0.737), np.float32(0.6997), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6165), np.float32(nan), np.float32(0.8302), np.float32(nan), np.float32(0.6895), np.float32(0.0), np.float32(0.6997), np.float32(nan), np.float32(0.6131), np.float32(0.0), np.float32(0.5157), np.float32(0.0), np.float32(0.0), np.float32(0.7577), np.float32(0.8237), np.float32(0.7355), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3667), np.float32(0.0), np.float32(0.0), np.float32(0.7533), np.float32(0.0), np.float32(0.6322), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8055), np.float32(0.7996), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4049), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5197), np.float32(0.0), np.float32(0.0), np.float32(0.6558), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:25:37.994765: Epoch time: 108.47 s +2026-02-21 13:25:37.995732: Yayy! New best EMA pseudo Dice: 0.2635999917984009 +2026-02-21 13:25:41.027991: +2026-02-21 13:25:41.029701: Epoch 34 +2026-02-21 13:25:41.030755: Current learning rate: 0.00969 +2026-02-21 13:27:28.495785: train_loss 0.16 +2026-02-21 13:27:28.499279: val_loss 0.1474 +2026-02-21 13:27:28.500296: Pseudo dice [np.float32(0.7433), np.float32(0.8291), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6911), np.float32(nan), np.float32(0.8563), np.float32(nan), np.float32(0.7579), np.float32(0.0), np.float32(0.7125), np.float32(nan), np.float32(0.7324), np.float32(0.0), np.float32(0.477), np.float32(0.0), np.float32(0.0), np.float32(0.7309), np.float32(0.8652), np.float32(0.7181), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3486), np.float32(0.0), np.float32(0.0), np.float32(0.7386), np.float32(0.0), np.float32(0.651), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8319), np.float32(0.8588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5812), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.73), np.float32(0.001), np.float32(0.6413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:27:28.501310: Epoch time: 107.47 s +2026-02-21 13:27:28.502015: Yayy! New best EMA pseudo Dice: 0.2718999981880188 +2026-02-21 13:27:30.155795: +2026-02-21 13:27:30.157141: Epoch 35 +2026-02-21 13:27:30.157990: Current learning rate: 0.00968 +2026-02-21 13:29:21.358353: train_loss 0.1721 +2026-02-21 13:29:21.362398: val_loss 0.1739 +2026-02-21 13:29:21.363413: Pseudo dice [np.float32(0.7967), np.float32(0.8091), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6458), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.7577), np.float32(0.0), np.float32(0.7049), np.float32(nan), np.float32(0.6208), np.float32(0.0), np.float32(0.5026), np.float32(0.0), np.float32(0.0), np.float32(0.713), np.float32(0.8655), np.float32(0.7586), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.3761), np.float32(0.0), np.float32(0.0), np.float32(0.7073), np.float32(0.0), np.float32(0.5769), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6987), np.float32(0.8256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6172), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5011), np.float32(0.0), np.float32(0.0008), np.float32(0.6787), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:29:21.364412: Epoch time: 111.21 s +2026-02-21 13:29:21.365126: Yayy! New best EMA pseudo Dice: 0.27810001373291016 +2026-02-21 13:29:23.012594: +2026-02-21 13:29:23.013835: Epoch 36 +2026-02-21 13:29:23.014646: Current learning rate: 0.00968 +2026-02-21 13:31:06.996915: train_loss 0.1387 +2026-02-21 13:31:07.000653: val_loss 0.126 +2026-02-21 13:31:07.002757: Pseudo dice [np.float32(0.8094), np.float32(0.7516), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6915), np.float32(nan), np.float32(0.9086), np.float32(nan), np.float32(0.664), np.float32(0.0), np.float32(0.7681), np.float32(nan), np.float32(0.7118), np.float32(0.0), np.float32(0.5403), np.float32(0.0), np.float32(0.0), np.float32(0.7492), np.float32(0.8643), np.float32(0.7669), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5727), np.float32(0.0), np.float32(0.0), np.float32(0.7263), np.float32(0.0), np.float32(0.6506), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7597), np.float32(0.8794), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4463), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6328), np.float32(0.0), np.float32(0.0226), np.float32(0.6849), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:31:07.003504: Epoch time: 103.99 s +2026-02-21 13:31:07.004717: Yayy! New best EMA pseudo Dice: 0.28519999980926514 +2026-02-21 13:31:08.660365: +2026-02-21 13:31:08.661620: Epoch 37 +2026-02-21 13:31:08.662445: Current learning rate: 0.00967 +2026-02-21 13:32:56.834507: train_loss 0.1437 +2026-02-21 13:32:56.837842: val_loss 0.1445 +2026-02-21 13:32:56.838874: Pseudo dice [np.float32(0.8697), np.float32(0.8476), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6901), np.float32(nan), np.float32(0.8911), np.float32(nan), np.float32(0.8042), np.float32(0.0), np.float32(0.7521), np.float32(nan), np.float32(0.7146), np.float32(0.0), np.float32(0.5395), np.float32(0.0), np.float32(0.0), np.float32(0.76), np.float32(0.8624), np.float32(0.7638), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.424), np.float32(0.0), np.float32(0.0), np.float32(0.7636), np.float32(0.0), np.float32(0.6975), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.895), np.float32(0.8828), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4448), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4552), np.float32(0.0206), np.float32(0.0687), np.float32(0.7296), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:32:56.839861: Epoch time: 108.18 s +2026-02-21 13:32:56.840572: Yayy! New best EMA pseudo Dice: 0.2921999990940094 +2026-02-21 13:32:58.501003: +2026-02-21 13:32:58.502331: Epoch 38 +2026-02-21 13:32:58.503627: Current learning rate: 0.00966 +2026-02-21 13:34:53.990802: train_loss 0.1591 +2026-02-21 13:34:53.994373: val_loss 0.1435 +2026-02-21 13:34:53.995390: Pseudo dice [np.float32(0.7886), np.float32(0.7845), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6831), np.float32(nan), np.float32(0.8991), np.float32(nan), np.float32(0.856), np.float32(0.0), np.float32(0.7413), np.float32(nan), np.float32(0.7255), np.float32(0.0), np.float32(0.6075), np.float32(0.0), np.float32(0.0), np.float32(0.74), np.float32(0.8623), np.float32(0.7541), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5356), np.float32(0.0), np.float32(0.0), np.float32(0.8166), np.float32(0.0), np.float32(0.5795), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7546), np.float32(0.8213), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4866), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0262), np.float32(0.5924), np.float32(0.1526), np.float32(0.6427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:34:53.996400: Epoch time: 115.49 s +2026-02-21 13:34:53.997126: Yayy! New best EMA pseudo Dice: 0.2985000014305115 +2026-02-21 13:34:55.642709: +2026-02-21 13:34:55.643967: Epoch 39 +2026-02-21 13:34:55.644786: Current learning rate: 0.00965 +2026-02-21 13:36:49.678457: train_loss 0.126 +2026-02-21 13:36:49.682465: val_loss 0.1488 +2026-02-21 13:36:49.684521: Pseudo dice [np.float32(0.8625), np.float32(0.8096), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7021), np.float32(nan), np.float32(0.8897), np.float32(nan), np.float32(0.8239), np.float32(0.0), np.float32(0.7046), np.float32(0.0), np.float32(0.7039), np.float32(0.0), np.float32(0.6143), np.float32(0.0), np.float32(0.0), np.float32(0.7405), np.float32(0.7886), np.float32(0.7152), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6207), np.float32(0.0), np.float32(0.0), np.float32(0.7414), np.float32(0.0), np.float32(0.7161), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7642), np.float32(0.8308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4582), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8174), np.float32(0.2235), np.float32(0.635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:36:49.685516: Epoch time: 114.04 s +2026-02-21 13:36:49.686226: Yayy! New best EMA pseudo Dice: 0.30410000681877136 +2026-02-21 13:36:51.356872: +2026-02-21 13:36:51.358328: Epoch 40 +2026-02-21 13:36:51.359466: Current learning rate: 0.00964 +2026-02-21 13:38:49.545680: train_loss 0.1164 +2026-02-21 13:38:49.550222: val_loss 0.1885 +2026-02-21 13:38:49.551205: Pseudo dice [np.float32(0.8121), np.float32(0.7789), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6595), np.float32(nan), np.float32(0.8533), np.float32(nan), np.float32(0.7667), np.float32(0.0), np.float32(0.725), np.float32(nan), np.float32(0.6898), np.float32(0.0), np.float32(0.5289), np.float32(0.0), np.float32(0.0), np.float32(0.7096), np.float32(0.7902), np.float32(0.7589), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.6036), np.float32(0.0), np.float32(0.0), np.float32(0.838), np.float32(0.0), np.float32(0.611), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8167), np.float32(0.8931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5464), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7675), np.float32(0.0), np.float32(0.256), np.float32(0.6626), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:38:49.552208: Epoch time: 118.19 s +2026-02-21 13:38:49.552921: Yayy! New best EMA pseudo Dice: 0.310699999332428 +2026-02-21 13:38:51.224149: +2026-02-21 13:38:51.235046: Epoch 41 +2026-02-21 13:38:51.235924: Current learning rate: 0.00963 +2026-02-21 13:40:54.141026: train_loss 0.1618 +2026-02-21 13:40:54.144007: val_loss 0.1252 +2026-02-21 13:40:54.145218: Pseudo dice [np.float32(0.8535), np.float32(0.8352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.696), np.float32(nan), np.float32(0.9123), np.float32(nan), np.float32(0.7974), np.float32(0.0), np.float32(0.7372), np.float32(nan), np.float32(0.6221), np.float32(0.0), np.float32(0.5853), np.float32(0.0), np.float32(0.0), np.float32(0.7473), np.float32(0.8612), np.float32(0.7852), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6178), np.float32(0.0), np.float32(0.0), np.float32(0.8132), np.float32(0.0), np.float32(0.6117), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8267), np.float32(0.8058), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6783), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6685), np.float32(0.137), np.float32(0.6388), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:40:54.147690: Epoch time: 122.92 s +2026-02-21 13:40:54.148393: Yayy! New best EMA pseudo Dice: 0.31610000133514404 +2026-02-21 13:40:55.765629: +2026-02-21 13:40:55.766758: Epoch 42 +2026-02-21 13:40:55.767557: Current learning rate: 0.00962 +2026-02-21 13:42:57.874812: train_loss 0.1201 +2026-02-21 13:42:57.878124: val_loss 0.1228 +2026-02-21 13:42:57.879145: Pseudo dice [np.float32(0.8519), np.float32(0.8552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7358), np.float32(nan), np.float32(0.9114), np.float32(nan), np.float32(0.8252), np.float32(0.0), np.float32(0.7986), np.float32(0.0), np.float32(0.6995), np.float32(0.0), np.float32(0.6241), np.float32(0.0), np.float32(0.0), np.float32(0.7866), np.float32(0.8587), np.float32(0.7809), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6845), np.float32(0.0), np.float32(0.0), np.float32(0.6229), np.float32(0.0), np.float32(0.669), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.809), np.float32(0.8567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5757), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6087), np.float32(0.0), np.float32(0.3485), np.float32(0.6759), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:42:57.880160: Epoch time: 122.11 s +2026-02-21 13:42:57.881106: Yayy! New best EMA pseudo Dice: 0.32089999318122864 +2026-02-21 13:42:59.551366: +2026-02-21 13:42:59.552915: Epoch 43 +2026-02-21 13:42:59.553719: Current learning rate: 0.00961 +2026-02-21 13:44:46.198514: train_loss 0.1121 +2026-02-21 13:44:46.202689: val_loss 0.0693 +2026-02-21 13:44:46.203708: Pseudo dice [np.float32(0.904), np.float32(0.9123), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7242), np.float32(nan), np.float32(0.9292), np.float32(nan), np.float32(0.9054), np.float32(0.0), np.float32(0.7422), np.float32(nan), np.float32(0.7302), np.float32(0.0), np.float32(0.5911), np.float32(0.0), np.float32(0.0), np.float32(0.744), np.float32(0.8846), np.float32(0.7829), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6245), np.float32(0.0), np.float32(0.0), np.float32(0.8039), np.float32(0.0), np.float32(0.6974), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.9315), np.float32(0.8852), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.451), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.2039), np.float32(0.6447), np.float32(0.309), np.float32(0.7034), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:44:46.204822: Epoch time: 106.65 s +2026-02-21 13:44:46.205662: Yayy! New best EMA pseudo Dice: 0.3285999894142151 +2026-02-21 13:44:47.868730: +2026-02-21 13:44:47.869673: Epoch 44 +2026-02-21 13:44:47.870612: Current learning rate: 0.0096 +2026-02-21 13:46:36.927335: train_loss 0.102 +2026-02-21 13:46:36.930976: val_loss 0.1083 +2026-02-21 13:46:36.932211: Pseudo dice [np.float32(0.8658), np.float32(0.861), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7354), np.float32(nan), np.float32(0.8799), np.float32(nan), np.float32(0.8151), np.float32(0.0), np.float32(0.7531), np.float32(nan), np.float32(0.7682), np.float32(0.0), np.float32(0.6194), np.float32(0.0), np.float32(0.0), np.float32(0.7723), np.float32(0.8694), np.float32(0.8008), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5016), np.float32(0.0), np.float32(0.0), np.float32(0.7178), np.float32(0.0), np.float32(0.7106), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8809), np.float32(0.8992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5095), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5614), np.float32(0.3921), np.float32(0.6912), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:46:36.933182: Epoch time: 109.06 s +2026-02-21 13:46:36.933895: Yayy! New best EMA pseudo Dice: 0.33320000767707825 +2026-02-21 13:46:38.601162: +2026-02-21 13:46:38.604253: Epoch 45 +2026-02-21 13:46:38.605324: Current learning rate: 0.00959 +2026-02-21 13:48:33.331403: train_loss 0.11 +2026-02-21 13:48:33.334807: val_loss 0.0886 +2026-02-21 13:48:33.335836: Pseudo dice [np.float32(0.9266), np.float32(0.9168), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7529), np.float32(nan), np.float32(0.9036), np.float32(nan), np.float32(0.7943), np.float32(0.0), np.float32(0.7208), np.float32(nan), np.float32(0.7546), np.float32(0.0), np.float32(0.6549), np.float32(0.0), np.float32(0.0), np.float32(0.7186), np.float32(0.8656), np.float32(0.8088), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5912), np.float32(0.0), np.float32(0.0), np.float32(0.8671), np.float32(0.0), np.float32(0.3158), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8869), np.float32(0.9401), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5871), np.float32(0.0), np.float32(0.0004), np.float32(0.0), np.float32(0.0), np.float32(0.4784), np.float32(0.4108), np.float32(0.6938), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:48:33.336831: Epoch time: 114.73 s +2026-02-21 13:48:33.337535: Yayy! New best EMA pseudo Dice: 0.33730000257492065 +2026-02-21 13:48:34.934120: +2026-02-21 13:48:34.935622: Epoch 46 +2026-02-21 13:48:34.936372: Current learning rate: 0.00959 +2026-02-21 13:50:20.106338: train_loss 0.112 +2026-02-21 13:50:20.110173: val_loss 0.0893 +2026-02-21 13:50:20.111196: Pseudo dice [np.float32(0.8575), np.float32(0.8322), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7205), np.float32(nan), np.float32(0.904), np.float32(nan), np.float32(0.8263), np.float32(0.0), np.float32(0.7095), np.float32(nan), np.float32(0.7876), np.float32(0.0), np.float32(0.5977), np.float32(0.0), np.float32(0.0), np.float32(0.7718), np.float32(0.8484), np.float32(0.8016), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5243), np.float32(0.0), np.float32(0.0), np.float32(0.7978), np.float32(0.0), np.float32(0.7286), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.86), np.float32(0.8862), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5621), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0643), np.float32(0.782), np.float32(0.4276), np.float32(0.6931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:50:20.111961: Epoch time: 105.17 s +2026-02-21 13:50:20.113097: Yayy! New best EMA pseudo Dice: 0.34200000762939453 +2026-02-21 13:50:21.722666: +2026-02-21 13:50:21.723628: Epoch 47 +2026-02-21 13:50:21.724419: Current learning rate: 0.00958 +2026-02-21 13:52:19.127154: train_loss 0.1091 +2026-02-21 13:52:19.131520: val_loss 0.0896 +2026-02-21 13:52:19.132550: Pseudo dice [np.float32(0.8673), np.float32(0.8577), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7418), np.float32(nan), np.float32(0.9123), np.float32(nan), np.float32(0.8671), np.float32(0.0), np.float32(0.7712), np.float32(nan), np.float32(0.7683), np.float32(0.0), np.float32(0.6519), np.float32(0.0), np.float32(0.0), np.float32(0.7917), np.float32(0.8568), np.float32(0.7431), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7679), np.float32(0.0), np.float32(0.0), np.float32(0.6976), np.float32(0.0), np.float32(0.6156), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.882), np.float32(0.8772), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6214), np.float32(0.0), np.float32(0.0468), np.float32(0.0), np.float32(0.5878), np.float32(0.0), np.float32(0.4272), np.float32(0.6998), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:52:19.133544: Epoch time: 117.41 s +2026-02-21 13:52:19.134262: Yayy! New best EMA pseudo Dice: 0.3463999927043915 +2026-02-21 13:52:20.810024: +2026-02-21 13:52:20.811165: Epoch 48 +2026-02-21 13:52:20.811964: Current learning rate: 0.00957 +2026-02-21 13:54:14.982583: train_loss 0.1158 +2026-02-21 13:54:14.987870: val_loss 0.0865 +2026-02-21 13:54:14.988903: Pseudo dice [np.float32(0.8787), np.float32(0.897), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7721), np.float32(nan), np.float32(0.9011), np.float32(nan), np.float32(0.7759), np.float32(0.0), np.float32(0.7233), np.float32(nan), np.float32(0.7993), np.float32(0.0), np.float32(0.6002), np.float32(0.0), np.float32(0.0), np.float32(0.7428), np.float32(0.8872), np.float32(0.858), np.float32(0.0004), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6036), np.float32(0.0), np.float32(0.0), np.float32(0.8249), np.float32(0.0), np.float32(0.6596), np.float32(0.0), np.float32(0.0), np.float32(0.0024), np.float32(0.8865), np.float32(0.9167), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5991), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.057), np.float32(0.7044), np.float32(0.4501), np.float32(0.724), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:54:14.989893: Epoch time: 114.18 s +2026-02-21 13:54:14.990853: Yayy! New best EMA pseudo Dice: 0.35089999437332153 +2026-02-21 13:54:16.665895: +2026-02-21 13:54:16.666965: Epoch 49 +2026-02-21 13:54:16.667771: Current learning rate: 0.00956 +2026-02-21 13:56:04.622092: train_loss 0.0843 +2026-02-21 13:56:04.625676: val_loss 0.0756 +2026-02-21 13:56:04.627204: Pseudo dice [np.float32(0.8666), np.float32(0.9222), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7302), np.float32(nan), np.float32(0.8766), np.float32(nan), np.float32(0.8924), np.float32(0.0), np.float32(0.7407), np.float32(nan), np.float32(0.7853), np.float32(0.0), np.float32(0.6438), np.float32(0.0), np.float32(0.0), np.float32(0.7661), np.float32(0.8589), np.float32(0.7894), np.float32(0.0767), np.float32(0.0148), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5158), np.float32(0.0), np.float32(0.0), np.float32(0.877), np.float32(0.0), np.float32(0.7557), np.float32(0.0), np.float32(0.0), np.float32(1e-04), np.float32(0.896), np.float32(0.8606), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6403), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6803), np.float32(0.416), np.float32(0.6405), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:56:04.628703: Epoch time: 107.96 s +2026-02-21 13:56:05.317166: Yayy! New best EMA pseudo Dice: 0.3549000024795532 +2026-02-21 13:56:07.007015: +2026-02-21 13:56:07.008401: Epoch 50 +2026-02-21 13:56:07.009205: Current learning rate: 0.00955 +2026-02-21 13:57:52.734472: train_loss 0.0898 +2026-02-21 13:57:52.737810: val_loss 0.0747 +2026-02-21 13:57:52.738834: Pseudo dice [np.float32(0.8604), np.float32(0.8927), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7709), np.float32(nan), np.float32(0.8983), np.float32(nan), np.float32(0.797), np.float32(0.0), np.float32(0.7852), np.float32(nan), np.float32(0.776), np.float32(0.0), np.float32(0.628), np.float32(0.0), np.float32(0.0), np.float32(0.7549), np.float32(0.8703), np.float32(0.8112), np.float32(0.0219), np.float32(0.0025), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6541), np.float32(0.0), np.float32(0.0), np.float32(0.8531), np.float32(0.0), np.float32(0.7372), np.float32(0.0), np.float32(0.0), np.float32(0.0003), np.float32(0.8794), np.float32(0.8975), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6587), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7137), np.float32(0.5074), np.float32(0.6868), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:57:52.739854: Epoch time: 105.73 s +2026-02-21 13:57:52.740666: Yayy! New best EMA pseudo Dice: 0.35899999737739563 +2026-02-21 13:57:54.411714: +2026-02-21 13:57:54.414660: Epoch 51 +2026-02-21 13:57:54.415708: Current learning rate: 0.00954 +2026-02-21 13:59:41.067827: train_loss 0.0631 +2026-02-21 13:59:41.071944: val_loss 0.0905 +2026-02-21 13:59:41.072974: Pseudo dice [np.float32(0.8277), np.float32(0.8928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7626), np.float32(nan), np.float32(0.8655), np.float32(nan), np.float32(0.7877), np.float32(0.0), np.float32(0.772), np.float32(nan), np.float32(0.6926), np.float32(0.0), np.float32(0.6686), np.float32(0.0), np.float32(0.0), np.float32(0.7744), np.float32(0.8279), np.float32(0.7841), np.float32(0.1083), np.float32(0.0575), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6534), np.float32(0.0), np.float32(0.0), np.float32(0.8013), np.float32(0.0), np.float32(0.7172), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8003), np.float32(0.8801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6489), np.float32(0.0), np.float32(0.0018), np.float32(0.0), np.float32(0.7424), np.float32(0.0769), np.float32(0.4901), np.float32(0.744), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 13:59:41.073966: Epoch time: 106.66 s +2026-02-21 13:59:41.074725: Yayy! New best EMA pseudo Dice: 0.36250001192092896 +2026-02-21 13:59:42.697942: +2026-02-21 13:59:42.699486: Epoch 52 +2026-02-21 13:59:42.701045: Current learning rate: 0.00953 +2026-02-21 14:01:36.668959: train_loss 0.0824 +2026-02-21 14:01:36.673062: val_loss 0.0464 +2026-02-21 14:01:36.674083: Pseudo dice [np.float32(0.8845), np.float32(0.8508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7683), np.float32(nan), np.float32(0.9285), np.float32(nan), np.float32(0.8597), np.float32(0.0), np.float32(0.8107), np.float32(nan), np.float32(0.7636), np.float32(0.0), np.float32(0.6302), np.float32(0.0), np.float32(0.0), np.float32(0.7925), np.float32(0.86), np.float32(0.7857), np.float32(0.396), np.float32(0.1762), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.66), np.float32(0.0), np.float32(0.0), np.float32(0.8899), np.float32(0.0), np.float32(0.7153), np.float32(0.0), np.float32(0.0), np.float32(0.0248), np.float32(0.8795), np.float32(0.9002), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7516), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7854), np.float32(0.5503), np.float32(0.7313), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:01:36.675092: Epoch time: 113.97 s +2026-02-21 14:01:36.675803: Yayy! New best EMA pseudo Dice: 0.3682999908924103 +2026-02-21 14:01:38.288045: +2026-02-21 14:01:38.289259: Epoch 53 +2026-02-21 14:01:38.290359: Current learning rate: 0.00952 +2026-02-21 14:03:18.132647: train_loss 0.0898 +2026-02-21 14:03:18.136163: val_loss 0.0862 +2026-02-21 14:03:18.137182: Pseudo dice [np.float32(0.837), np.float32(0.8869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7604), np.float32(nan), np.float32(0.8645), np.float32(nan), np.float32(0.8302), np.float32(0.0), np.float32(0.7348), np.float32(nan), np.float32(0.7193), np.float32(0.0), np.float32(0.66), np.float32(0.0), np.float32(0.0), np.float32(0.7875), np.float32(0.8455), np.float32(0.7831), np.float32(0.4473), np.float32(0.5137), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6162), np.float32(0.0), np.float32(0.0), np.float32(0.8282), np.float32(0.0), np.float32(0.6926), np.float32(0.0), np.float32(0.0), np.float32(0.03), np.float32(0.8834), np.float32(0.917), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.535), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5449), np.float32(0.3179), np.float32(0.5114), np.float32(0.6907), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:03:18.137937: Epoch time: 99.85 s +2026-02-21 14:03:18.138647: Yayy! New best EMA pseudo Dice: 0.37310001254081726 +2026-02-21 14:03:19.807445: +2026-02-21 14:03:19.808707: Epoch 54 +2026-02-21 14:03:19.809507: Current learning rate: 0.00951 +2026-02-21 14:05:07.835050: train_loss 0.0703 +2026-02-21 14:05:07.838621: val_loss 0.0529 +2026-02-21 14:05:07.839642: Pseudo dice [np.float32(0.9288), np.float32(0.917), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8089), np.float32(nan), np.float32(0.9254), np.float32(nan), np.float32(0.7889), np.float32(0.0), np.float32(0.8009), np.float32(nan), np.float32(0.7611), np.float32(0.0), np.float32(0.6905), np.float32(0.0), np.float32(0.0), np.float32(0.7957), np.float32(0.886), np.float32(0.8503), np.float32(0.3831), np.float32(0.4086), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6474), np.float32(0.0), np.float32(0.0), np.float32(0.8495), np.float32(0.0), np.float32(0.7462), np.float32(nan), np.float32(0.0), np.float32(0.0355), np.float32(0.8617), np.float32(0.9175), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5051), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.4401), np.float32(0.5289), np.float32(0.5515), np.float32(0.7466), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:05:07.840640: Epoch time: 108.03 s +2026-02-21 14:05:07.841348: Yayy! New best EMA pseudo Dice: 0.3799999952316284 +2026-02-21 14:05:09.498798: +2026-02-21 14:05:09.500216: Epoch 55 +2026-02-21 14:05:09.501016: Current learning rate: 0.0095 +2026-02-21 14:07:16.709064: train_loss 0.0686 +2026-02-21 14:07:16.712632: val_loss 0.0698 +2026-02-21 14:07:16.713679: Pseudo dice [np.float32(0.8894), np.float32(0.8725), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7673), np.float32(nan), np.float32(0.912), np.float32(nan), np.float32(0.8771), np.float32(0.0), np.float32(0.7579), np.float32(nan), np.float32(0.792), np.float32(0.0), np.float32(0.6467), np.float32(0.0), np.float32(0.0), np.float32(0.7912), np.float32(0.8759), np.float32(0.8072), np.float32(0.5229), np.float32(0.5171), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6714), np.float32(0.0), np.float32(0.0), np.float32(0.7818), np.float32(0.0), np.float32(0.69), np.float32(0.0), np.float32(0.0), np.float32(0.0706), np.float32(0.8444), np.float32(0.8138), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6076), np.float32(0.0574), np.float32(0.0), np.float32(0.0), np.float32(0.5589), np.float32(0.2917), np.float32(0.4658), np.float32(0.7523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:07:16.714907: Epoch time: 127.21 s +2026-02-21 14:07:16.715867: Yayy! New best EMA pseudo Dice: 0.3846000134944916 +2026-02-21 14:07:18.367700: +2026-02-21 14:07:18.368632: Epoch 56 +2026-02-21 14:07:18.369435: Current learning rate: 0.00949 +2026-02-21 14:09:01.019354: train_loss 0.0701 +2026-02-21 14:09:01.024867: val_loss 0.0539 +2026-02-21 14:09:01.025887: Pseudo dice [np.float32(0.9316), np.float32(0.885), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7745), np.float32(nan), np.float32(0.9227), np.float32(nan), np.float32(0.8777), np.float32(0.0), np.float32(0.7641), np.float32(nan), np.float32(0.7559), np.float32(0.0), np.float32(0.6626), np.float32(0.0), np.float32(0.0), np.float32(0.7791), np.float32(0.8922), np.float32(0.8342), np.float32(0.5381), np.float32(0.5046), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6199), np.float32(0.0), np.float32(0.0), np.float32(0.8703), np.float32(0.0), np.float32(0.732), np.float32(0.0), np.float32(0.0), np.float32(0.0036), np.float32(0.9051), np.float32(0.9078), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4454), np.float32(0.0), np.float32(0.1001), np.float32(0.0), np.float32(0.5966), np.float32(0.0), np.float32(0.557), np.float32(0.7347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:09:01.026892: Epoch time: 102.65 s +2026-02-21 14:09:01.027848: Yayy! New best EMA pseudo Dice: 0.388700008392334 +2026-02-21 14:09:02.665402: +2026-02-21 14:09:02.666567: Epoch 57 +2026-02-21 14:09:02.668111: Current learning rate: 0.00949 +2026-02-21 14:10:49.318103: train_loss 0.07 +2026-02-21 14:10:49.321344: val_loss 0.0719 +2026-02-21 14:10:49.322365: Pseudo dice [np.float32(0.8467), np.float32(0.8565), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7754), np.float32(nan), np.float32(0.903), np.float32(nan), np.float32(0.7972), np.float32(0.0), np.float32(0.7285), np.float32(nan), np.float32(0.7338), np.float32(0.0), np.float32(0.613), np.float32(0.0), np.float32(0.0), np.float32(0.7644), np.float32(0.8526), np.float32(0.8298), np.float32(0.5792), np.float32(0.4854), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6894), np.float32(0.0), np.float32(0.0), np.float32(0.8451), np.float32(0.0), np.float32(0.7308), np.float32(0.0), np.float32(0.0), np.float32(0.0075), np.float32(0.8975), np.float32(0.9363), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5172), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6142), np.float32(0.0), np.float32(0.547), np.float32(0.7254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:10:49.323119: Epoch time: 106.66 s +2026-02-21 14:10:49.323828: Yayy! New best EMA pseudo Dice: 0.39160001277923584 +2026-02-21 14:10:51.788857: +2026-02-21 14:10:51.790066: Epoch 58 +2026-02-21 14:10:51.790879: Current learning rate: 0.00948 +2026-02-21 14:12:44.599797: train_loss 0.0778 +2026-02-21 14:12:44.608421: val_loss 0.0394 +2026-02-21 14:12:44.609910: Pseudo dice [np.float32(0.9104), np.float32(0.9103), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.763), np.float32(nan), np.float32(0.917), np.float32(nan), np.float32(0.9267), np.float32(0.0), np.float32(0.8214), np.float32(nan), np.float32(0.791), np.float32(0.0), np.float32(0.6872), np.float32(0.0), np.float32(0.0), np.float32(0.8195), np.float32(0.9109), np.float32(0.8257), np.float32(0.477), np.float32(0.5688), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7691), np.float32(0.0), np.float32(0.0), np.float32(0.7043), np.float32(0.0), np.float32(0.713), np.float32(0.0), np.float32(0.0), np.float32(0.0807), np.float32(0.9375), np.float32(0.953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.646), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5678), np.float32(0.1188), np.float32(0.5665), np.float32(0.7534), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:12:44.611692: Epoch time: 112.81 s +2026-02-21 14:12:44.614038: Yayy! New best EMA pseudo Dice: 0.39640000462532043 +2026-02-21 14:12:46.308905: +2026-02-21 14:12:46.310546: Epoch 59 +2026-02-21 14:12:46.312526: Current learning rate: 0.00947 +2026-02-21 14:14:32.136025: train_loss 0.0575 +2026-02-21 14:14:32.139603: val_loss 0.0346 +2026-02-21 14:14:32.140664: Pseudo dice [np.float32(0.8763), np.float32(0.9113), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7895), np.float32(nan), np.float32(0.9036), np.float32(nan), np.float32(0.8568), np.float32(0.0), np.float32(0.772), np.float32(0.0), np.float32(0.789), np.float32(0.0), np.float32(0.7098), np.float32(0.0), np.float32(0.0002), np.float32(0.8035), np.float32(0.9108), np.float32(0.8248), np.float32(0.6101), np.float32(0.5937), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7272), np.float32(0.0), np.float32(0.0), np.float32(0.8989), np.float32(0.0), np.float32(0.7384), np.float32(0.0), np.float32(0.0), np.float32(0.1077), np.float32(0.8638), np.float32(0.8821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7394), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6035), np.float32(0.5814), np.float32(0.7604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:14:32.141634: Epoch time: 105.83 s +2026-02-21 14:14:32.142362: Yayy! New best EMA pseudo Dice: 0.39989998936653137 +2026-02-21 14:14:33.768384: +2026-02-21 14:14:33.770456: Epoch 60 +2026-02-21 14:14:33.771523: Current learning rate: 0.00946 +2026-02-21 14:16:19.666811: train_loss 0.0447 +2026-02-21 14:16:19.670107: val_loss 0.1112 +2026-02-21 14:16:19.671387: Pseudo dice [np.float32(0.8304), np.float32(0.8797), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7988), np.float32(nan), np.float32(0.8573), np.float32(nan), np.float32(0.8216), np.float32(0.0), np.float32(0.7502), np.float32(nan), np.float32(0.8108), np.float32(0.0), np.float32(0.6329), np.float32(0.0), np.float32(0.0), np.float32(0.7769), np.float32(0.847), np.float32(0.8238), np.float32(0.6238), np.float32(0.5189), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6265), np.float32(0.0), np.float32(0.0), np.float32(0.8876), np.float32(0.0), np.float32(0.7209), np.float32(0.0), np.float32(0.0), np.float32(0.1425), np.float32(0.8644), np.float32(0.8426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6194), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6227), np.float32(0.0), np.float32(0.5546), np.float32(0.7519), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:16:19.672382: Epoch time: 105.9 s +2026-02-21 14:16:19.673089: Yayy! New best EMA pseudo Dice: 0.4025000035762787 +2026-02-21 14:16:21.346411: +2026-02-21 14:16:21.347549: Epoch 61 +2026-02-21 14:16:21.348364: Current learning rate: 0.00945 +2026-02-21 14:18:17.333334: train_loss 0.0522 +2026-02-21 14:18:17.336468: val_loss 0.0632 +2026-02-21 14:18:17.337489: Pseudo dice [np.float32(0.908), np.float32(0.8545), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7633), np.float32(nan), np.float32(0.9054), np.float32(nan), np.float32(0.8952), np.float32(0.0), np.float32(0.7682), np.float32(nan), np.float32(0.766), np.float32(0.0), np.float32(0.6533), np.float32(0.0), np.float32(1e-04), np.float32(0.7915), np.float32(0.8684), np.float32(0.8385), np.float32(0.5981), np.float32(0.598), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5802), np.float32(0.0), np.float32(0.0), np.float32(0.8028), np.float32(0.0), np.float32(0.7562), np.float32(0.0), np.float32(0.0), np.float32(0.1075), np.float32(0.8733), np.float32(0.9175), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6307), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5759), np.float32(0.5528), np.float32(0.7295), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:18:17.338492: Epoch time: 115.99 s +2026-02-21 14:18:17.339194: Yayy! New best EMA pseudo Dice: 0.4050999879837036 +2026-02-21 14:18:18.992182: +2026-02-21 14:18:18.993460: Epoch 62 +2026-02-21 14:18:18.994262: Current learning rate: 0.00944 +2026-02-21 14:20:17.649161: train_loss 0.0752 +2026-02-21 14:20:17.652835: val_loss 0.0597 +2026-02-21 14:20:17.654358: Pseudo dice [np.float32(0.9184), np.float32(0.8878), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7775), np.float32(nan), np.float32(0.8956), np.float32(nan), np.float32(0.8479), np.float32(0.0), np.float32(0.7767), np.float32(nan), np.float32(0.7978), np.float32(0.0), np.float32(0.6555), np.float32(0.0), np.float32(0.0002), np.float32(0.7953), np.float32(0.8472), np.float32(0.8312), np.float32(0.6222), np.float32(0.5996), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7216), np.float32(0.0), np.float32(0.0), np.float32(0.7751), np.float32(0.0), np.float32(0.7279), np.float32(0.0), np.float32(0.0), np.float32(0.0306), np.float32(0.8945), np.float32(0.9094), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6005), np.float32(0.0014), np.float32(0.001), np.float32(0.0), np.float32(0.5655), np.float32(0.0), np.float32(0.5558), np.float32(0.7179), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:20:17.655107: Epoch time: 118.66 s +2026-02-21 14:20:17.656066: Yayy! New best EMA pseudo Dice: 0.4075999855995178 +2026-02-21 14:20:19.275400: +2026-02-21 14:20:19.276678: Epoch 63 +2026-02-21 14:20:19.277475: Current learning rate: 0.00943 +2026-02-21 14:22:17.068453: train_loss 0.0592 +2026-02-21 14:22:17.091302: val_loss 0.0162 +2026-02-21 14:22:17.092322: Pseudo dice [np.float32(0.9397), np.float32(0.9418), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8109), np.float32(nan), np.float32(0.9374), np.float32(nan), np.float32(0.8226), np.float32(0.0), np.float32(0.8112), np.float32(nan), np.float32(0.8027), np.float32(0.0), np.float32(0.7242), np.float32(0.0), np.float32(0.0), np.float32(0.8306), np.float32(0.8891), np.float32(0.8472), np.float32(0.6096), np.float32(0.5883), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7362), np.float32(0.0), np.float32(0.0), np.float32(0.844), np.float32(0.0), np.float32(0.6927), np.float32(0.0), np.float32(0.0), np.float32(0.2146), np.float32(0.8401), np.float32(0.822), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5756), np.float32(0.0), np.float32(0.0024), np.float32(0.0), np.float32(0.2342), np.float32(0.3221), np.float32(0.5131), np.float32(0.7555), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:22:17.093319: Epoch time: 117.8 s +2026-02-21 14:22:17.094026: Yayy! New best EMA pseudo Dice: 0.4106999933719635 +2026-02-21 14:22:18.733955: +2026-02-21 14:22:18.735339: Epoch 64 +2026-02-21 14:22:18.736160: Current learning rate: 0.00942 +2026-02-21 14:24:06.610352: train_loss 0.0675 +2026-02-21 14:24:06.613647: val_loss 0.0949 +2026-02-21 14:24:06.614680: Pseudo dice [np.float32(0.8929), np.float32(0.9228), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7738), np.float32(nan), np.float32(0.8535), np.float32(nan), np.float32(0.9109), np.float32(0.0), np.float32(0.7552), np.float32(nan), np.float32(0.7335), np.float32(0.0), np.float32(0.6718), np.float32(0.0), np.float32(0.001), np.float32(0.7951), np.float32(0.8555), np.float32(0.7638), np.float32(0.602), np.float32(0.5729), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6402), np.float32(0.0), np.float32(0.0), np.float32(0.8041), np.float32(0.0), np.float32(0.7531), np.float32(0.0), np.float32(0.0), np.float32(0.0602), np.float32(0.8651), np.float32(0.8945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7296), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5577), np.float32(0.5507), np.float32(0.7158), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:24:06.615672: Epoch time: 107.88 s +2026-02-21 14:24:06.616374: Yayy! New best EMA pseudo Dice: 0.4124000072479248 +2026-02-21 14:24:08.279484: +2026-02-21 14:24:08.281448: Epoch 65 +2026-02-21 14:24:08.283195: Current learning rate: 0.00941 +2026-02-21 14:25:52.643991: train_loss 0.0754 +2026-02-21 14:25:52.647469: val_loss 0.0346 +2026-02-21 14:25:52.648490: Pseudo dice [np.float32(0.9369), np.float32(0.9226), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8195), np.float32(nan), np.float32(0.9408), np.float32(nan), np.float32(0.883), np.float32(0.0), np.float32(0.7646), np.float32(nan), np.float32(0.7763), np.float32(0.0), np.float32(0.6962), np.float32(0.0), np.float32(0.0), np.float32(0.8279), np.float32(0.8967), np.float32(0.8452), np.float32(0.6432), np.float32(0.6492), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6676), np.float32(0.0), np.float32(0.0), np.float32(0.9381), np.float32(0.0), np.float32(0.7365), np.float32(0.0), np.float32(0.0), np.float32(0.1598), np.float32(0.8664), np.float32(0.8745), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7174), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5488), np.float32(0.0), np.float32(0.598), np.float32(0.7742), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:25:52.649251: Epoch time: 104.37 s +2026-02-21 14:25:52.649957: Yayy! New best EMA pseudo Dice: 0.41600000858306885 +2026-02-21 14:25:54.295663: +2026-02-21 14:25:54.297924: Epoch 66 +2026-02-21 14:25:54.298775: Current learning rate: 0.0094 +2026-02-21 14:27:48.689358: train_loss 0.045 +2026-02-21 14:27:48.693079: val_loss 0.0439 +2026-02-21 14:27:48.694325: Pseudo dice [np.float32(0.9155), np.float32(0.9171), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8099), np.float32(nan), np.float32(0.9322), np.float32(nan), np.float32(0.8323), np.float32(0.0), np.float32(0.8056), np.float32(nan), np.float32(0.7826), np.float32(0.0), np.float32(0.678), np.float32(0.0), np.float32(0.0006), np.float32(0.7945), np.float32(0.8986), np.float32(0.8539), np.float32(0.5609), np.float32(0.6125), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6651), np.float32(0.0), np.float32(0.0), np.float32(0.8569), np.float32(0.0), np.float32(0.685), np.float32(0.0), np.float32(0.0), np.float32(0.0591), np.float32(0.7918), np.float32(0.8868), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7685), np.float32(0.0111), np.float32(0.0), np.float32(0.0), np.float32(0.6384), np.float32(0.0), np.float32(0.5772), np.float32(0.7615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:27:48.695266: Epoch time: 114.4 s +2026-02-21 14:27:48.695983: Yayy! New best EMA pseudo Dice: 0.41819998621940613 +2026-02-21 14:27:50.358303: +2026-02-21 14:27:50.359601: Epoch 67 +2026-02-21 14:27:50.360376: Current learning rate: 0.00939 +2026-02-21 14:29:38.661486: train_loss 0.0354 +2026-02-21 14:29:38.665093: val_loss 0.0537 +2026-02-21 14:29:38.666111: Pseudo dice [np.float32(0.896), np.float32(0.8731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8283), np.float32(nan), np.float32(0.9024), np.float32(nan), np.float32(0.7857), np.float32(0.0), np.float32(0.7729), np.float32(0.0), np.float32(0.7717), np.float32(0.0), np.float32(0.726), np.float32(0.0), np.float32(0.0035), np.float32(0.807), np.float32(0.8764), np.float32(0.838), np.float32(0.6218), np.float32(0.6169), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6984), np.float32(0.0), np.float32(0.0), np.float32(0.8617), np.float32(0.0), np.float32(0.719), np.float32(0.0), np.float32(0.0), np.float32(0.2178), np.float32(0.8439), np.float32(0.9047), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6324), np.float32(0.0), np.float32(0.0239), np.float32(0.0), np.float32(0.6773), np.float32(0.0), np.float32(0.5569), np.float32(0.7484), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:29:38.666866: Epoch time: 108.31 s +2026-02-21 14:29:38.667572: Yayy! New best EMA pseudo Dice: 0.41940000653266907 +2026-02-21 14:29:40.318733: +2026-02-21 14:29:40.320337: Epoch 68 +2026-02-21 14:29:40.321142: Current learning rate: 0.00939 +2026-02-21 14:31:32.036667: train_loss 0.0672 +2026-02-21 14:31:32.039785: val_loss 0.0601 +2026-02-21 14:31:32.040821: Pseudo dice [np.float32(0.8669), np.float32(0.869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7353), np.float32(nan), np.float32(0.9301), np.float32(nan), np.float32(0.9197), np.float32(0.0), np.float32(0.7505), np.float32(nan), np.float32(0.7472), np.float32(0.0), np.float32(0.6902), np.float32(nan), np.float32(0.0122), np.float32(0.7681), np.float32(0.8812), np.float32(0.8276), np.float32(0.6057), np.float32(0.6441), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6845), np.float32(0.0), np.float32(0.0), np.float32(0.8185), np.float32(0.0), np.float32(0.7177), np.float32(0.0), np.float32(0.0), np.float32(0.1869), np.float32(0.8966), np.float32(0.853), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5644), np.float32(0.0), np.float32(0.3166), np.float32(0.0), np.float32(0.6566), np.float32(0.0), np.float32(0.591), np.float32(0.7458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:31:32.042065: Epoch time: 111.72 s +2026-02-21 14:31:32.042762: Yayy! New best EMA pseudo Dice: 0.42289999127388 +2026-02-21 14:31:34.928433: +2026-02-21 14:31:34.929587: Epoch 69 +2026-02-21 14:31:34.930642: Current learning rate: 0.00938 +2026-02-21 14:33:30.414113: train_loss 0.0781 +2026-02-21 14:33:30.418200: val_loss 0.0635 +2026-02-21 14:33:30.419218: Pseudo dice [np.float32(0.9238), np.float32(0.9258), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7548), np.float32(nan), np.float32(0.9292), np.float32(nan), np.float32(0.866), np.float32(0.0), np.float32(0.7874), np.float32(0.0), np.float32(0.6945), np.float32(0.0), np.float32(0.7037), np.float32(0.0), np.float32(0.0008), np.float32(0.8103), np.float32(0.9008), np.float32(0.8418), np.float32(0.6082), np.float32(0.5895), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7536), np.float32(0.0), np.float32(0.0), np.float32(0.7398), np.float32(0.0), np.float32(0.7587), np.float32(0.0), np.float32(0.0), np.float32(0.0304), np.float32(0.8716), np.float32(0.9142), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.612), np.float32(0.0), np.float32(1e-04), np.float32(0.0), np.float32(0.6285), np.float32(0.0), np.float32(0.5467), np.float32(0.7531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:33:30.419972: Epoch time: 115.49 s +2026-02-21 14:33:30.420672: Yayy! New best EMA pseudo Dice: 0.4230000078678131 +2026-02-21 14:33:32.041977: +2026-02-21 14:33:32.043645: Epoch 70 +2026-02-21 14:33:32.044482: Current learning rate: 0.00937 +2026-02-21 14:35:23.571579: train_loss 0.0668 +2026-02-21 14:35:23.574799: val_loss 0.0061 +2026-02-21 14:35:23.575819: Pseudo dice [np.float32(0.916), np.float32(0.9124), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7983), np.float32(nan), np.float32(0.9416), np.float32(nan), np.float32(0.8773), np.float32(0.0), np.float32(0.8352), np.float32(nan), np.float32(0.841), np.float32(0.0066), np.float32(0.7243), np.float32(0.0), np.float32(0.0889), np.float32(0.8184), np.float32(0.9004), np.float32(0.8568), np.float32(0.6128), np.float32(0.6078), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7162), np.float32(0.0), np.float32(0.0), np.float32(0.7454), np.float32(0.0), np.float32(0.7426), np.float32(0.0), np.float32(0.0), np.float32(0.1294), np.float32(0.9301), np.float32(0.9389), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.62), np.float32(0.0), np.float32(0.0028), np.float32(0.0), np.float32(0.6505), np.float32(0.0), np.float32(0.6281), np.float32(0.7654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:35:23.576854: Epoch time: 111.53 s +2026-02-21 14:35:23.577777: Yayy! New best EMA pseudo Dice: 0.42579999566078186 +2026-02-21 14:35:25.266672: +2026-02-21 14:35:25.267994: Epoch 71 +2026-02-21 14:35:25.268790: Current learning rate: 0.00936 +2026-02-21 14:37:10.731291: train_loss 0.0602 +2026-02-21 14:37:10.734621: val_loss 0.0539 +2026-02-21 14:37:10.735653: Pseudo dice [np.float32(0.8378), np.float32(0.8824), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7781), np.float32(nan), np.float32(0.8863), np.float32(nan), np.float32(0.8298), np.float32(0.0), np.float32(0.7858), np.float32(nan), np.float32(0.7638), np.float32(0.0), np.float32(0.7224), np.float32(0.0), np.float32(0.0771), np.float32(0.8053), np.float32(0.8922), np.float32(0.8446), np.float32(0.6096), np.float32(0.6486), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.712), np.float32(0.0), np.float32(0.0), np.float32(0.8279), np.float32(0.0), np.float32(0.7722), np.float32(0.0), np.float32(0.0), np.float32(0.0988), np.float32(0.7997), np.float32(0.8758), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5429), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5215), np.float32(0.5888), np.float32(0.7506), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:37:10.736653: Epoch time: 105.47 s +2026-02-21 14:37:10.737345: Yayy! New best EMA pseudo Dice: 0.42649999260902405 +2026-02-21 14:37:12.427555: +2026-02-21 14:37:12.428663: Epoch 72 +2026-02-21 14:37:12.429452: Current learning rate: 0.00935 +2026-02-21 14:38:57.144412: train_loss 0.0629 +2026-02-21 14:38:57.152586: val_loss 0.0629 +2026-02-21 14:38:57.154624: Pseudo dice [np.float32(0.9294), np.float32(0.8809), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7467), np.float32(nan), np.float32(0.8966), np.float32(nan), np.float32(0.8492), np.float32(0.0), np.float32(0.7885), np.float32(nan), np.float32(0.8062), np.float32(0.0008), np.float32(0.7044), np.float32(0.0), np.float32(0.0878), np.float32(0.8185), np.float32(0.8758), np.float32(0.7853), np.float32(0.6163), np.float32(0.6842), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7474), np.float32(0.0), np.float32(0.0), np.float32(0.7944), np.float32(0.0), np.float32(0.7394), np.float32(0.0), np.float32(0.0), np.float32(0.2189), np.float32(0.9294), np.float32(0.8761), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5779), np.float32(0.0541), np.float32(0.1109), np.float32(0.0), np.float32(0.7088), np.float32(0.0), np.float32(0.5779), np.float32(0.6678), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:38:57.155625: Epoch time: 104.72 s +2026-02-21 14:38:57.156330: Yayy! New best EMA pseudo Dice: 0.428600013256073 +2026-02-21 14:38:58.817609: +2026-02-21 14:38:58.818892: Epoch 73 +2026-02-21 14:38:58.819696: Current learning rate: 0.00934 +2026-02-21 14:40:46.884646: train_loss 0.0447 +2026-02-21 14:40:46.888980: val_loss 0.1245 +2026-02-21 14:40:46.890245: Pseudo dice [np.float32(0.8684), np.float32(0.828), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7958), np.float32(nan), np.float32(0.8305), np.float32(nan), np.float32(0.7813), np.float32(0.0), np.float32(0.7665), np.float32(nan), np.float32(0.7713), np.float32(0.0), np.float32(0.7053), np.float32(0.0), np.float32(0.0822), np.float32(0.7732), np.float32(0.8245), np.float32(0.7871), np.float32(0.5286), np.float32(0.5876), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7247), np.float32(0.0), np.float32(0.0), np.float32(0.839), np.float32(0.0), np.float32(0.7521), np.float32(0.0), np.float32(0.0), np.float32(0.1402), np.float32(0.9149), np.float32(0.8765), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7315), np.float32(0.0), np.float32(0.2432), np.float32(0.0), np.float32(0.0), np.float32(0.7052), np.float32(0.586), np.float32(0.7043), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:40:46.891250: Epoch time: 108.07 s +2026-02-21 14:40:46.891953: Yayy! New best EMA pseudo Dice: 0.42969998717308044 +2026-02-21 14:40:48.541965: +2026-02-21 14:40:48.543320: Epoch 74 +2026-02-21 14:40:48.544141: Current learning rate: 0.00933 +2026-02-21 14:42:42.401773: train_loss 0.0359 +2026-02-21 14:42:42.406386: val_loss 0.0205 +2026-02-21 14:42:42.407698: Pseudo dice [np.float32(0.9229), np.float32(0.9188), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7762), np.float32(nan), np.float32(0.9425), np.float32(nan), np.float32(0.931), np.float32(0.0), np.float32(0.7886), np.float32(nan), np.float32(0.8098), np.float32(0.0), np.float32(0.7148), np.float32(0.0), np.float32(0.2076), np.float32(0.817), np.float32(0.8964), np.float32(0.8259), np.float32(0.5926), np.float32(0.6782), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6912), np.float32(0.0), np.float32(0.0), np.float32(0.8257), np.float32(0.0), np.float32(0.7615), np.float32(0.0), np.float32(0.0), np.float32(0.1553), np.float32(0.9081), np.float32(0.9177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5872), np.float32(0.0), np.float32(0.0113), np.float32(0.0), np.float32(0.5179), np.float32(0.0), np.float32(0.5716), np.float32(0.7456), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:42:42.409298: Epoch time: 113.86 s +2026-02-21 14:42:42.409982: Yayy! New best EMA pseudo Dice: 0.4316999912261963 +2026-02-21 14:42:44.063030: +2026-02-21 14:42:44.067645: Epoch 75 +2026-02-21 14:42:44.068464: Current learning rate: 0.00932 +2026-02-21 14:44:28.664885: train_loss 0.0265 +2026-02-21 14:44:28.669622: val_loss 0.0388 +2026-02-21 14:44:28.671951: Pseudo dice [np.float32(0.9229), np.float32(0.932), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8259), np.float32(nan), np.float32(0.9029), np.float32(nan), np.float32(0.93), np.float32(0.0), np.float32(0.8072), np.float32(nan), np.float32(0.7786), np.float32(0.0), np.float32(0.7183), np.float32(0.0), np.float32(0.2494), np.float32(0.8254), np.float32(0.892), np.float32(0.8509), np.float32(0.6191), np.float32(0.679), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7147), np.float32(0.0), np.float32(0.0), np.float32(0.8151), np.float32(0.0), np.float32(0.7673), np.float32(0.0), np.float32(0.0), np.float32(0.2884), np.float32(0.8412), np.float32(0.9072), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5811), np.float32(0.0), np.float32(0.0248), np.float32(0.0), np.float32(0.4071), np.float32(0.0), np.float32(0.6322), np.float32(0.7279), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:44:28.673102: Epoch time: 104.6 s +2026-02-21 14:44:28.675030: Yayy! New best EMA pseudo Dice: 0.43369999527931213 +2026-02-21 14:44:30.349312: +2026-02-21 14:44:30.350218: Epoch 76 +2026-02-21 14:44:30.351262: Current learning rate: 0.00931 +2026-02-21 14:46:21.486397: train_loss 0.0241 +2026-02-21 14:46:21.490431: val_loss 0.0235 +2026-02-21 14:46:21.491959: Pseudo dice [np.float32(0.9534), np.float32(0.9292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8319), np.float32(nan), np.float32(0.9143), np.float32(nan), np.float32(0.8367), np.float32(0.0), np.float32(0.7853), np.float32(nan), np.float32(0.8014), np.float32(0.0), np.float32(0.7297), np.float32(0.0), np.float32(0.2761), np.float32(0.8276), np.float32(0.9048), np.float32(0.8573), np.float32(0.6918), np.float32(0.6665), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7295), np.float32(0.0), np.float32(0.0), np.float32(0.9012), np.float32(0.0), np.float32(0.8145), np.float32(0.0), np.float32(0.0), np.float32(0.2123), np.float32(0.8641), np.float32(0.7676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6473), np.float32(0.0016), np.float32(0.3401), np.float32(0.0), np.float32(0.0), np.float32(0.5519), np.float32(0.6435), np.float32(0.7762), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:46:21.492953: Epoch time: 111.14 s +2026-02-21 14:46:21.493661: Yayy! New best EMA pseudo Dice: 0.43720000982284546 +2026-02-21 14:46:23.151669: +2026-02-21 14:46:23.153027: Epoch 77 +2026-02-21 14:46:23.154330: Current learning rate: 0.0093 +2026-02-21 14:48:11.689258: train_loss 0.0635 +2026-02-21 14:48:11.692508: val_loss 0.0438 +2026-02-21 14:48:11.693529: Pseudo dice [np.float32(0.915), np.float32(0.8988), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8293), np.float32(nan), np.float32(0.9096), np.float32(nan), np.float32(0.8363), np.float32(0.0), np.float32(0.7889), np.float32(0.0), np.float32(0.8011), np.float32(0.0), np.float32(0.7447), np.float32(0.0), np.float32(0.2932), np.float32(0.8213), np.float32(0.8473), np.float32(0.8463), np.float32(0.6722), np.float32(0.6375), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7273), np.float32(0.0), np.float32(0.0), np.float32(0.8664), np.float32(0.0), np.float32(0.7691), np.float32(0.0), np.float32(0.0), np.float32(0.0932), np.float32(0.8547), np.float32(0.8744), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5689), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5055), np.float32(0.5886), np.float32(0.7554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:48:11.694779: Epoch time: 108.54 s +2026-02-21 14:48:11.695485: Yayy! New best EMA pseudo Dice: 0.4381999969482422 +2026-02-21 14:48:13.364997: +2026-02-21 14:48:13.366317: Epoch 78 +2026-02-21 14:48:13.367096: Current learning rate: 0.0093 +2026-02-21 14:50:00.667660: train_loss 0.0352 +2026-02-21 14:50:00.670866: val_loss 0.0123 +2026-02-21 14:50:00.671891: Pseudo dice [np.float32(0.9389), np.float32(0.9182), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8299), np.float32(nan), np.float32(0.9465), np.float32(nan), np.float32(0.8997), np.float32(0.0), np.float32(0.8188), np.float32(nan), np.float32(0.8023), np.float32(0.0), np.float32(0.7405), np.float32(0.0), np.float32(0.3156), np.float32(0.8272), np.float32(0.9121), np.float32(0.8754), np.float32(0.6229), np.float32(0.7029), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7611), np.float32(0.0), np.float32(0.0), np.float32(0.8075), np.float32(0.0), np.float32(0.8064), np.float32(0.0), np.float32(0.0), np.float32(0.1223), np.float32(0.8764), np.float32(0.9087), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6731), np.float32(0.0031), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5452), np.float32(0.6319), np.float32(0.7713), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:50:00.672642: Epoch time: 107.31 s +2026-02-21 14:50:00.673352: Yayy! New best EMA pseudo Dice: 0.4406999945640564 +2026-02-21 14:50:02.329146: +2026-02-21 14:50:02.330536: Epoch 79 +2026-02-21 14:50:02.331332: Current learning rate: 0.00929 +2026-02-21 14:51:54.463777: train_loss 0.0309 +2026-02-21 14:51:54.466830: val_loss 0.0079 +2026-02-21 14:51:54.467887: Pseudo dice [np.float32(0.9217), np.float32(0.9155), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8312), np.float32(nan), np.float32(0.9203), np.float32(nan), np.float32(0.8492), np.float32(0.0), np.float32(0.822), np.float32(0.0), np.float32(0.8276), np.float32(0.0), np.float32(0.707), np.float32(0.0), np.float32(0.168), np.float32(0.82), np.float32(0.8702), np.float32(0.8578), np.float32(0.6305), np.float32(0.685), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7258), np.float32(0.0), np.float32(0.0), np.float32(0.9042), np.float32(0.0), np.float32(0.7729), np.float32(0.0), np.float32(0.0), np.float32(0.0734), np.float32(0.8762), np.float32(0.9087), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6085), np.float32(0.0), np.float32(0.5233), np.float32(0.0), np.float32(0.6873), np.float32(0.0), np.float32(0.6217), np.float32(0.7655), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:51:54.468850: Epoch time: 112.14 s +2026-02-21 14:51:54.469565: Yayy! New best EMA pseudo Dice: 0.4422999918460846 +2026-02-21 14:51:56.148793: +2026-02-21 14:51:56.150524: Epoch 80 +2026-02-21 14:51:56.151590: Current learning rate: 0.00928 +2026-02-21 14:53:51.456398: train_loss 0.0202 +2026-02-21 14:53:51.460020: val_loss 0.0773 +2026-02-21 14:53:51.461045: Pseudo dice [np.float32(0.8872), np.float32(0.8654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.805), np.float32(nan), np.float32(0.8681), np.float32(nan), np.float32(0.8962), np.float32(0.0), np.float32(0.8071), np.float32(nan), np.float32(0.7985), np.float32(0.0), np.float32(0.6815), np.float32(0.0), np.float32(0.3906), np.float32(0.7639), np.float32(0.8509), np.float32(0.7933), np.float32(0.6538), np.float32(0.6421), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7302), np.float32(0.0), np.float32(0.0), np.float32(0.8662), np.float32(0.0), np.float32(0.708), np.float32(0.0), np.float32(0.0003), np.float32(0.1745), np.float32(0.9379), np.float32(0.9372), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.679), np.float32(0.0123), np.float32(0.0), np.float32(0.0), np.float32(0.5059), np.float32(0.0), np.float32(0.5696), np.float32(0.715), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:53:51.462043: Epoch time: 115.31 s +2026-02-21 14:53:51.462757: Yayy! New best EMA pseudo Dice: 0.4431000053882599 +2026-02-21 14:53:53.096144: +2026-02-21 14:53:53.097467: Epoch 81 +2026-02-21 14:53:53.098263: Current learning rate: 0.00927 +2026-02-21 14:55:43.653126: train_loss 0.0409 +2026-02-21 14:55:43.656460: val_loss 0.009 +2026-02-21 14:55:43.657556: Pseudo dice [np.float32(0.9133), np.float32(0.9004), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8383), np.float32(nan), np.float32(0.9335), np.float32(nan), np.float32(0.8528), np.float32(0.0), np.float32(0.8028), np.float32(0.0), np.float32(0.7935), np.float32(0.0), np.float32(0.7168), np.float32(0.0), np.float32(0.3092), np.float32(0.8219), np.float32(0.902), np.float32(0.8516), np.float32(0.6736), np.float32(0.6822), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7827), np.float32(0.0), np.float32(0.0), np.float32(0.8972), np.float32(0.0), np.float32(0.8012), np.float32(0.0), np.float32(0.0), np.float32(0.1044), np.float32(0.8877), np.float32(0.9009), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.76), np.float32(0.0749), np.float32(0.0051), np.float32(0.0), np.float32(0.4089), np.float32(0.5154), np.float32(0.6173), np.float32(0.7485), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:55:43.658484: Epoch time: 110.56 s +2026-02-21 14:55:43.659256: Yayy! New best EMA pseudo Dice: 0.4449999928474426 +2026-02-21 14:55:45.360058: +2026-02-21 14:55:45.361486: Epoch 82 +2026-02-21 14:55:45.362256: Current learning rate: 0.00926 +2026-02-21 14:57:31.240228: train_loss 0.0342 +2026-02-21 14:57:31.243714: val_loss 0.0255 +2026-02-21 14:57:31.244711: Pseudo dice [np.float32(0.9236), np.float32(0.9186), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8177), np.float32(nan), np.float32(0.9247), np.float32(nan), np.float32(0.8685), np.float32(0.0), np.float32(0.8064), np.float32(nan), np.float32(0.8362), np.float32(1e-04), np.float32(0.728), np.float32(0.0), np.float32(0.2537), np.float32(0.8287), np.float32(0.9059), np.float32(0.8636), np.float32(0.6267), np.float32(0.6608), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7288), np.float32(0.0), np.float32(0.0), np.float32(0.8345), np.float32(0.0), np.float32(0.8034), np.float32(0.0), np.float32(1e-04), np.float32(0.175), np.float32(0.9021), np.float32(0.9302), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6592), np.float32(0.0), np.float32(0.5392), np.float32(0.0), np.float32(0.0), np.float32(0.5866), np.float32(0.6211), np.float32(0.7719), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:57:31.245979: Epoch time: 105.88 s +2026-02-21 14:57:31.246670: Yayy! New best EMA pseudo Dice: 0.4480000138282776 +2026-02-21 14:57:32.917905: +2026-02-21 14:57:32.918928: Epoch 83 +2026-02-21 14:57:32.919780: Current learning rate: 0.00925 +2026-02-21 14:59:32.596224: train_loss 0.0115 +2026-02-21 14:59:32.600072: val_loss 0.0211 +2026-02-21 14:59:32.601100: Pseudo dice [np.float32(0.8569), np.float32(0.8925), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8287), np.float32(nan), np.float32(0.9028), np.float32(nan), np.float32(0.8557), np.float32(0.0), np.float32(0.8294), np.float32(nan), np.float32(0.8255), np.float32(0.0), np.float32(0.7212), np.float32(0.0), np.float32(0.3666), np.float32(0.8316), np.float32(0.9122), np.float32(0.8535), np.float32(0.6694), np.float32(0.6773), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7322), np.float32(0.0), np.float32(0.0), np.float32(0.8186), np.float32(0.0), np.float32(0.7725), np.float32(0.0), np.float32(0.005), np.float32(0.2319), np.float32(0.897), np.float32(0.9008), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5995), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.1484), np.float32(0.0), np.float32(0.6237), np.float32(0.7836), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 14:59:32.601846: Epoch time: 119.68 s +2026-02-21 14:59:32.602590: Yayy! New best EMA pseudo Dice: 0.44929999113082886 +2026-02-21 14:59:34.259615: +2026-02-21 14:59:34.260624: Epoch 84 +2026-02-21 14:59:34.261445: Current learning rate: 0.00924 +2026-02-21 15:01:25.360788: train_loss 0.038 +2026-02-21 15:01:25.364381: val_loss 0.0351 +2026-02-21 15:01:25.365906: Pseudo dice [np.float32(0.8795), np.float32(0.8837), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8104), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.8654), np.float32(0.0), np.float32(0.7941), np.float32(nan), np.float32(0.7564), np.float32(0.0), np.float32(0.6812), np.float32(0.0), np.float32(0.266), np.float32(0.8005), np.float32(0.8682), np.float32(0.8068), np.float32(0.666), np.float32(0.6469), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7911), np.float32(0.0), np.float32(0.0), np.float32(0.8261), np.float32(0.0), np.float32(0.7922), np.float32(0.0), np.float32(1e-04), np.float32(0.2187), np.float32(0.9355), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5816), np.float32(0.1478), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6808), np.float32(0.6155), np.float32(0.7566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:01:25.366905: Epoch time: 111.1 s +2026-02-21 15:01:25.367722: Yayy! New best EMA pseudo Dice: 0.450300008058548 +2026-02-21 15:01:27.001074: +2026-02-21 15:01:27.002378: Epoch 85 +2026-02-21 15:01:27.003173: Current learning rate: 0.00923 +2026-02-21 15:03:23.496211: train_loss 0.0389 +2026-02-21 15:03:23.502103: val_loss 0.0006 +2026-02-21 15:03:23.504777: Pseudo dice [np.float32(0.9025), np.float32(0.9162), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8553), np.float32(nan), np.float32(0.9179), np.float32(nan), np.float32(0.8855), np.float32(0.0), np.float32(0.7813), np.float32(nan), np.float32(0.806), np.float32(1e-04), np.float32(0.7602), np.float32(0.0), np.float32(0.3111), np.float32(0.8409), np.float32(0.8978), np.float32(0.8547), np.float32(0.6945), np.float32(0.6838), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7585), np.float32(0.0), np.float32(0.0), np.float32(0.8815), np.float32(0.0), np.float32(0.7845), np.float32(0.0), np.float32(0.0006), np.float32(0.1668), np.float32(0.9239), np.float32(0.9433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6268), np.float32(0.0), np.float32(0.2039), np.float32(0.0), np.float32(0.0), np.float32(0.7726), np.float32(0.6632), np.float32(0.7688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:03:23.507156: Epoch time: 116.5 s +2026-02-21 15:03:23.508617: Yayy! New best EMA pseudo Dice: 0.453000009059906 +2026-02-21 15:03:26.335135: +2026-02-21 15:03:26.338194: Epoch 86 +2026-02-21 15:03:26.338996: Current learning rate: 0.00922 +2026-02-21 15:05:17.091705: train_loss 0.0173 +2026-02-21 15:05:17.098235: val_loss 0.0129 +2026-02-21 15:05:17.100674: Pseudo dice [np.float32(0.9235), np.float32(0.9165), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8286), np.float32(nan), np.float32(0.9383), np.float32(nan), np.float32(0.8925), np.float32(0.0), np.float32(0.8217), np.float32(nan), np.float32(0.8266), np.float32(0.0), np.float32(0.7663), np.float32(0.0), np.float32(0.3983), np.float32(0.8441), np.float32(0.9228), np.float32(0.8734), np.float32(0.6563), np.float32(0.7189), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7625), np.float32(0.0), np.float32(0.0), np.float32(0.7939), np.float32(0.0), np.float32(0.732), np.float32(0.0), np.float32(0.0043), np.float32(0.1886), np.float32(0.8536), np.float32(0.8916), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5683), np.float32(0.0244), np.float32(0.0305), np.float32(0.0), np.float32(0.6164), np.float32(0.0), np.float32(0.6003), np.float32(0.7705), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:05:17.102702: Epoch time: 110.76 s +2026-02-21 15:05:17.104276: Yayy! New best EMA pseudo Dice: 0.4542999863624573 +2026-02-21 15:05:18.785493: +2026-02-21 15:05:18.786960: Epoch 87 +2026-02-21 15:05:18.787782: Current learning rate: 0.00921 +2026-02-21 15:07:12.369617: train_loss 0.0462 +2026-02-21 15:07:12.372978: val_loss 0.0247 +2026-02-21 15:07:12.373985: Pseudo dice [np.float32(0.8952), np.float32(0.9243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7818), np.float32(nan), np.float32(0.8962), np.float32(nan), np.float32(0.8586), np.float32(0.0), np.float32(0.7955), np.float32(nan), np.float32(0.8151), np.float32(0.0), np.float32(0.704), np.float32(0.0), np.float32(0.2594), np.float32(0.829), np.float32(0.885), np.float32(0.8105), np.float32(0.5882), np.float32(0.6535), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.798), np.float32(0.0), np.float32(0.0), np.float32(0.9158), np.float32(0.0136), np.float32(0.7683), np.float32(0.0), np.float32(0.0117), np.float32(0.1064), np.float32(0.8948), np.float32(0.8779), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6818), np.float32(0.0076), np.float32(0.0066), np.float32(0.0), np.float32(0.0), np.float32(0.5421), np.float32(0.524), np.float32(0.7201), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:07:12.374987: Epoch time: 113.59 s +2026-02-21 15:07:13.213044: +2026-02-21 15:07:13.214378: Epoch 88 +2026-02-21 15:07:13.215196: Current learning rate: 0.0092 +2026-02-21 15:09:12.191738: train_loss 0.0359 +2026-02-21 15:09:12.198368: val_loss 0.0141 +2026-02-21 15:09:12.201145: Pseudo dice [np.float32(0.8746), np.float32(0.9149), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8099), np.float32(nan), np.float32(0.9393), np.float32(nan), np.float32(0.9033), np.float32(0.0), np.float32(0.8185), np.float32(nan), np.float32(0.7926), np.float32(0.0008), np.float32(0.6751), np.float32(0.0), np.float32(0.4053), np.float32(0.7967), np.float32(0.9084), np.float32(0.8654), np.float32(0.6701), np.float32(0.6637), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7667), np.float32(0.0), np.float32(0.0), np.float32(0.8153), np.float32(0.0), np.float32(0.7986), np.float32(0.0), np.float32(0.0058), np.float32(0.2541), np.float32(0.9412), np.float32(0.9394), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7014), np.float32(0.0), np.float32(0.0035), np.float32(0.0), np.float32(0.6436), np.float32(0.0), np.float32(0.6161), np.float32(0.7671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:09:12.202647: Epoch time: 118.98 s +2026-02-21 15:09:12.203353: Yayy! New best EMA pseudo Dice: 0.4553999900817871 +2026-02-21 15:09:13.874708: +2026-02-21 15:09:13.876065: Epoch 89 +2026-02-21 15:09:13.876866: Current learning rate: 0.0092 +2026-02-21 15:11:12.169809: train_loss 0.037 +2026-02-21 15:11:12.174085: val_loss 0.054 +2026-02-21 15:11:12.175100: Pseudo dice [np.float32(0.8316), np.float32(0.8591), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7914), np.float32(nan), np.float32(0.8907), np.float32(nan), np.float32(0.8893), np.float32(0.0), np.float32(0.8037), np.float32(nan), np.float32(0.7969), np.float32(0.0), np.float32(0.7215), np.float32(0.0), np.float32(0.4029), np.float32(0.8161), np.float32(0.8708), np.float32(0.7949), np.float32(0.6675), np.float32(0.6251), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.721), np.float32(0.0), np.float32(0.0), np.float32(0.8455), np.float32(0.0), np.float32(0.6289), np.float32(0.0), np.float32(0.0159), np.float32(0.2173), np.float32(0.838), np.float32(0.8947), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6365), np.float32(0.001), np.float32(0.239), np.float32(0.0), np.float32(0.5518), np.float32(0.0139), np.float32(0.5682), np.float32(0.7495), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:11:12.176103: Epoch time: 118.3 s +2026-02-21 15:11:12.177063: Yayy! New best EMA pseudo Dice: 0.4564000070095062 +2026-02-21 15:11:13.847790: +2026-02-21 15:11:13.849223: Epoch 90 +2026-02-21 15:11:13.850095: Current learning rate: 0.00919 +2026-02-21 15:13:08.721018: train_loss 0.0365 +2026-02-21 15:13:08.724871: val_loss 0.0163 +2026-02-21 15:13:08.725898: Pseudo dice [np.float32(0.9031), np.float32(0.8857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8341), np.float32(nan), np.float32(0.9294), np.float32(nan), np.float32(0.8627), np.float32(0.0), np.float32(0.8051), np.float32(nan), np.float32(0.8661), np.float32(0.0), np.float32(0.7605), np.float32(0.0), np.float32(0.4156), np.float32(0.8144), np.float32(0.8816), np.float32(0.8442), np.float32(0.6751), np.float32(0.6299), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6629), np.float32(0.0), np.float32(0.0), np.float32(0.878), np.float32(0.0), np.float32(0.7552), np.float32(0.0), np.float32(0.0358), np.float32(0.1907), np.float32(0.8946), np.float32(0.8262), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6228), np.float32(0.0628), np.float32(0.2948), np.float32(0.0), np.float32(0.0), np.float32(0.7125), np.float32(0.6277), np.float32(0.7474), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:13:08.726902: Epoch time: 114.88 s +2026-02-21 15:13:08.727849: Yayy! New best EMA pseudo Dice: 0.4580000042915344 +2026-02-21 15:13:10.365311: +2026-02-21 15:13:10.380282: Epoch 91 +2026-02-21 15:13:10.381626: Current learning rate: 0.00918 +2026-02-21 15:15:11.238121: train_loss 0.0211 +2026-02-21 15:15:11.241750: val_loss 0.0121 +2026-02-21 15:15:11.243062: Pseudo dice [np.float32(0.9298), np.float32(0.9009), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8585), np.float32(nan), np.float32(0.94), np.float32(nan), np.float32(0.7134), np.float32(0.0), np.float32(0.8284), np.float32(nan), np.float32(0.8293), np.float32(0.0), np.float32(0.7498), np.float32(0.0), np.float32(0.4105), np.float32(0.8489), np.float32(0.9001), np.float32(0.8695), np.float32(0.6585), np.float32(0.6995), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6733), np.float32(0.0), np.float32(0.0), np.float32(0.9088), np.float32(0.0), np.float32(0.7437), np.float32(0.0), np.float32(0.0468), np.float32(0.2494), np.float32(0.8384), np.float32(0.8602), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6611), np.float32(0.0), np.float32(0.2708), np.float32(0.0), np.float32(0.6711), np.float32(0.0), np.float32(0.6731), np.float32(0.7867), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:15:11.244022: Epoch time: 120.88 s +2026-02-21 15:15:11.244726: Yayy! New best EMA pseudo Dice: 0.45969998836517334 +2026-02-21 15:15:12.893211: +2026-02-21 15:15:12.894387: Epoch 92 +2026-02-21 15:15:12.895195: Current learning rate: 0.00917 +2026-02-21 15:17:00.427492: train_loss 0.0351 +2026-02-21 15:17:00.430936: val_loss 0.0136 +2026-02-21 15:17:00.431966: Pseudo dice [np.float32(0.8981), np.float32(0.9147), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8244), np.float32(nan), np.float32(0.9223), np.float32(nan), np.float32(0.8592), np.float32(0.0), np.float32(0.7807), np.float32(0.0), np.float32(0.767), np.float32(0.0041), np.float32(0.7467), np.float32(0.0), np.float32(0.3618), np.float32(0.7606), np.float32(0.8947), np.float32(0.8684), np.float32(0.724), np.float32(0.7147), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5646), np.float32(0.0), np.float32(0.0), np.float32(0.8537), np.float32(0.0), np.float32(0.7414), np.float32(0.0), np.float32(0.0839), np.float32(0.2205), np.float32(0.9114), np.float32(0.9149), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7082), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8099), np.float32(0.0), np.float32(0.6755), np.float32(0.7793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:17:00.432968: Epoch time: 107.54 s +2026-02-21 15:17:01.271231: +2026-02-21 15:17:01.272253: Epoch 93 +2026-02-21 15:17:01.273330: Current learning rate: 0.00916 +2026-02-21 15:18:47.130618: train_loss 0.0253 +2026-02-21 15:18:47.134219: val_loss 0.0002 +2026-02-21 15:18:47.135247: Pseudo dice [np.float32(0.8999), np.float32(0.8881), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7996), np.float32(nan), np.float32(0.934), np.float32(nan), np.float32(0.8615), np.float32(0.0), np.float32(0.8038), np.float32(0.0), np.float32(0.7984), np.float32(0.0), np.float32(0.6821), np.float32(0.0), np.float32(0.3326), np.float32(0.8155), np.float32(0.8789), np.float32(0.8449), np.float32(0.6894), np.float32(0.6808), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7556), np.float32(0.0), np.float32(0.0), np.float32(0.896), np.float32(0.0), np.float32(0.7092), np.float32(0.0), np.float32(0.1198), np.float32(0.2009), np.float32(0.9523), np.float32(0.9312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6557), np.float32(0.006), np.float32(0.4313), np.float32(0.0), np.float32(0.5762), np.float32(0.0), np.float32(0.6296), np.float32(0.7487), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:18:47.136246: Epoch time: 105.86 s +2026-02-21 15:18:47.136956: Yayy! New best EMA pseudo Dice: 0.45980000495910645 +2026-02-21 15:18:48.786665: +2026-02-21 15:18:48.788015: Epoch 94 +2026-02-21 15:18:48.788835: Current learning rate: 0.00915 +2026-02-21 15:20:26.313731: train_loss 0.0254 +2026-02-21 15:20:26.317267: val_loss -0.0057 +2026-02-21 15:20:26.318470: Pseudo dice [np.float32(0.9238), np.float32(0.9568), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7907), np.float32(nan), np.float32(0.9397), np.float32(nan), np.float32(0.9074), np.float32(0.0), np.float32(0.8197), np.float32(nan), np.float32(0.802), np.float32(0.0), np.float32(0.7535), np.float32(0.0), np.float32(0.4399), np.float32(0.824), np.float32(0.9103), np.float32(0.8697), np.float32(0.6821), np.float32(0.6423), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7196), np.float32(0.0), np.float32(0.0), np.float32(0.8543), np.float32(0.0), np.float32(0.7551), np.float32(0.0), np.float32(0.1467), np.float32(0.1895), np.float32(0.8944), np.float32(0.8869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7237), np.float32(0.0011), np.float32(0.1467), np.float32(0.0), np.float32(0.6095), np.float32(0.0), np.float32(0.6689), np.float32(0.7411), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:20:26.319543: Epoch time: 97.53 s +2026-02-21 15:20:26.320253: Yayy! New best EMA pseudo Dice: 0.46149998903274536 +2026-02-21 15:20:27.936886: +2026-02-21 15:20:27.939199: Epoch 95 +2026-02-21 15:20:27.940125: Current learning rate: 0.00914 +2026-02-21 15:22:29.389827: train_loss 0.0364 +2026-02-21 15:22:29.393114: val_loss 0.0182 +2026-02-21 15:22:29.394641: Pseudo dice [np.float32(0.9152), np.float32(0.9272), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8313), np.float32(nan), np.float32(0.9367), np.float32(nan), np.float32(0.8726), np.float32(0.0), np.float32(0.809), np.float32(nan), np.float32(0.8209), np.float32(0.0), np.float32(0.7012), np.float32(0.0), np.float32(0.3773), np.float32(0.8249), np.float32(0.9084), np.float32(0.8777), np.float32(0.7096), np.float32(0.6798), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7039), np.float32(0.0), np.float32(0.0), np.float32(0.8454), np.float32(0.0), np.float32(0.771), np.float32(0.0), np.float32(0.0905), np.float32(0.1838), np.float32(0.8897), np.float32(0.8556), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7087), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5856), np.float32(0.0), np.float32(0.5935), np.float32(0.7739), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:22:29.395641: Epoch time: 121.46 s +2026-02-21 15:22:29.396348: Yayy! New best EMA pseudo Dice: 0.4620000123977661 +2026-02-21 15:22:31.037191: +2026-02-21 15:22:31.038507: Epoch 96 +2026-02-21 15:22:31.039334: Current learning rate: 0.00913 +2026-02-21 15:24:21.085432: train_loss 0.025 +2026-02-21 15:24:21.090000: val_loss -0.0025 +2026-02-21 15:24:21.092515: Pseudo dice [np.float32(0.9318), np.float32(0.9265), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8275), np.float32(nan), np.float32(0.9334), np.float32(nan), np.float32(0.8895), np.float32(0.0), np.float32(0.7961), np.float32(0.0), np.float32(0.8328), np.float32(0.0), np.float32(0.7701), np.float32(0.0), np.float32(0.4222), np.float32(0.8349), np.float32(0.9171), np.float32(0.8779), np.float32(0.5802), np.float32(0.6102), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7632), np.float32(0.0), np.float32(0.0), np.float32(0.8721), np.float32(0.0), np.float32(0.7967), np.float32(0.0), np.float32(0.0487), np.float32(0.2137), np.float32(0.8455), np.float32(0.9183), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6615), np.float32(0.003), np.float32(0.0372), np.float32(0.0229), np.float32(0.4461), np.float32(0.0), np.float32(0.645), np.float32(0.7657), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:24:21.094526: Epoch time: 110.05 s +2026-02-21 15:24:21.932571: +2026-02-21 15:24:21.933509: Epoch 97 +2026-02-21 15:24:21.934308: Current learning rate: 0.00912 +2026-02-21 15:26:18.527807: train_loss 0.0292 +2026-02-21 15:26:18.531387: val_loss 0.0163 +2026-02-21 15:26:18.532405: Pseudo dice [np.float32(0.9343), np.float32(0.9112), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8468), np.float32(nan), np.float32(0.9287), np.float32(nan), np.float32(0.8512), np.float32(0.0), np.float32(0.8197), np.float32(nan), np.float32(0.8217), np.float32(0.0), np.float32(0.7688), np.float32(0.0), np.float32(0.4053), np.float32(0.844), np.float32(0.8914), np.float32(0.8484), np.float32(0.7142), np.float32(0.7285), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7346), np.float32(0.0), np.float32(0.0), np.float32(0.8293), np.float32(0.0), np.float32(0.7893), np.float32(0.0), np.float32(0.1594), np.float32(0.1932), np.float32(0.9121), np.float32(0.8998), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5568), np.float32(0.0), np.float32(0.0013), np.float32(0.0), np.float32(0.7665), np.float32(0.0), np.float32(0.629), np.float32(0.7609), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:26:18.533412: Epoch time: 116.6 s +2026-02-21 15:26:18.534141: Yayy! New best EMA pseudo Dice: 0.4627000093460083 +2026-02-21 15:26:20.221298: +2026-02-21 15:26:20.222931: Epoch 98 +2026-02-21 15:26:20.223867: Current learning rate: 0.00911 +2026-02-21 15:28:02.636456: train_loss 0.0159 +2026-02-21 15:28:02.639508: val_loss -0.0033 +2026-02-21 15:28:02.640535: Pseudo dice [np.float32(0.9229), np.float32(0.9336), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8279), np.float32(nan), np.float32(0.927), np.float32(nan), np.float32(0.8896), np.float32(0.0), np.float32(0.8288), np.float32(nan), np.float32(0.7685), np.float32(0.0002), np.float32(0.7625), np.float32(0.0), np.float32(0.4558), np.float32(0.8604), np.float32(0.8916), np.float32(0.862), np.float32(0.6922), np.float32(0.6714), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7001), np.float32(0.0), np.float32(0.0), np.float32(0.9151), np.float32(0.0), np.float32(0.7353), np.float32(0.0), np.float32(0.268), np.float32(0.3096), np.float32(0.8915), np.float32(0.8834), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6406), np.float32(0.0002), np.float32(0.6578), np.float32(0.0), np.float32(0.5667), np.float32(0.0), np.float32(0.6207), np.float32(0.7598), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:28:02.641531: Epoch time: 102.42 s +2026-02-21 15:28:02.642486: Yayy! New best EMA pseudo Dice: 0.4657999873161316 +2026-02-21 15:28:04.327985: +2026-02-21 15:28:04.330802: Epoch 99 +2026-02-21 15:28:04.331599: Current learning rate: 0.0091 +2026-02-21 15:29:57.210890: train_loss 0.0092 +2026-02-21 15:29:57.214315: val_loss -0.023 +2026-02-21 15:29:57.215335: Pseudo dice [np.float32(0.9236), np.float32(0.9343), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8359), np.float32(nan), np.float32(0.9435), np.float32(nan), np.float32(0.9014), np.float32(0.0), np.float32(0.8311), np.float32(nan), np.float32(0.844), np.float32(0.0), np.float32(0.7587), np.float32(0.0), np.float32(0.4066), np.float32(0.8303), np.float32(0.8794), np.float32(0.8556), np.float32(0.7009), np.float32(0.7197), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7962), np.float32(0.0), np.float32(0.0), np.float32(0.8595), np.float32(0.0), np.float32(0.788), np.float32(0.0), np.float32(0.1767), np.float32(0.2339), np.float32(0.9047), np.float32(0.909), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4808), np.float32(0.1059), np.float32(0.4833), np.float32(0.0), np.float32(0.6033), np.float32(0.0), np.float32(0.6549), np.float32(0.7704), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:29:57.216087: Epoch time: 112.89 s +2026-02-21 15:29:57.961046: Yayy! New best EMA pseudo Dice: 0.4683000147342682 +2026-02-21 15:29:59.662811: +2026-02-21 15:29:59.663892: Epoch 100 +2026-02-21 15:29:59.664688: Current learning rate: 0.0091 +2026-02-21 15:31:50.739349: train_loss 0.0222 +2026-02-21 15:31:50.742979: val_loss -0.0017 +2026-02-21 15:31:50.744010: Pseudo dice [np.float32(0.9288), np.float32(0.8773), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8288), np.float32(nan), np.float32(0.9402), np.float32(nan), np.float32(0.9146), np.float32(0.0), np.float32(0.8337), np.float32(0.0), np.float32(0.8164), np.float32(0.0), np.float32(0.7331), np.float32(0.0), np.float32(0.4087), np.float32(0.8257), np.float32(0.848), np.float32(0.8491), np.float32(0.7254), np.float32(0.7096), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7288), np.float32(0.0), np.float32(nan), np.float32(0.8893), np.float32(0.0), np.float32(0.7826), np.float32(0.0), np.float32(0.1887), np.float32(0.2495), np.float32(0.9144), np.float32(0.8952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6837), np.float32(0.0), np.float32(0.1442), np.float32(0.003), np.float32(0.742), np.float32(0.0), np.float32(0.654), np.float32(0.7698), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:31:50.745006: Epoch time: 111.08 s +2026-02-21 15:31:50.745875: Yayy! New best EMA pseudo Dice: 0.4699000120162964 +2026-02-21 15:31:52.414651: +2026-02-21 15:31:52.416065: Epoch 101 +2026-02-21 15:31:52.416864: Current learning rate: 0.00909 +2026-02-21 15:33:35.164028: train_loss 0.0114 +2026-02-21 15:33:35.167637: val_loss 0.0009 +2026-02-21 15:33:35.168658: Pseudo dice [np.float32(0.8808), np.float32(0.871), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8219), np.float32(nan), np.float32(0.9112), np.float32(nan), np.float32(0.8361), np.float32(0.0), np.float32(0.8273), np.float32(nan), np.float32(0.8326), np.float32(0.0), np.float32(0.7594), np.float32(0.0), np.float32(0.4261), np.float32(0.8418), np.float32(0.8772), np.float32(0.8637), np.float32(0.6963), np.float32(0.6902), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7451), np.float32(0.0), np.float32(0.0), np.float32(0.9152), np.float32(0.0), np.float32(0.7112), np.float32(0.0), np.float32(0.2074), np.float32(0.236), np.float32(0.8052), np.float32(0.882), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7053), np.float32(0.0), np.float32(0.0152), np.float32(0.0), np.float32(0.0), np.float32(0.6633), np.float32(0.662), np.float32(0.7717), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:33:35.169660: Epoch time: 102.75 s +2026-02-21 15:33:35.170614: Yayy! New best EMA pseudo Dice: 0.4702000021934509 +2026-02-21 15:33:36.837745: +2026-02-21 15:33:36.839333: Epoch 102 +2026-02-21 15:33:36.840130: Current learning rate: 0.00908 +2026-02-21 15:35:25.530430: train_loss 0.0129 +2026-02-21 15:35:25.534006: val_loss 0.0042 +2026-02-21 15:35:25.535032: Pseudo dice [np.float32(0.8972), np.float32(0.9517), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8541), np.float32(nan), np.float32(0.9369), np.float32(nan), np.float32(0.9514), np.float32(0.0), np.float32(0.813), np.float32(nan), np.float32(0.8664), np.float32(0.0015), np.float32(0.7686), np.float32(0.0), np.float32(0.4293), np.float32(0.8674), np.float32(0.9038), np.float32(0.8841), np.float32(0.7412), np.float32(0.7314), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7953), np.float32(0.0), np.float32(0.0), np.float32(0.8196), np.float32(0.0), np.float32(0.7181), np.float32(0.0002), np.float32(0.2127), np.float32(0.2912), np.float32(0.8241), np.float32(0.8285), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4965), np.float32(0.0), np.float32(0.0572), np.float32(0.0), np.float32(0.0), np.float32(0.6857), np.float32(0.6989), np.float32(0.7756), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:35:25.536030: Epoch time: 108.7 s +2026-02-21 15:35:25.536750: Yayy! New best EMA pseudo Dice: 0.4713999927043915 +2026-02-21 15:35:27.207601: +2026-02-21 15:35:27.208996: Epoch 103 +2026-02-21 15:35:27.209804: Current learning rate: 0.00907 +2026-02-21 15:37:13.811425: train_loss -0.0019 +2026-02-21 15:37:13.814764: val_loss -0.0353 +2026-02-21 15:37:13.815791: Pseudo dice [np.float32(0.9323), np.float32(0.9494), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8453), np.float32(nan), np.float32(0.9362), np.float32(nan), np.float32(0.918), np.float32(0.0), np.float32(0.8436), np.float32(nan), np.float32(0.8575), np.float32(0.0), np.float32(0.7699), np.float32(0.0), np.float32(0.4726), np.float32(0.8634), np.float32(0.9186), np.float32(0.8892), np.float32(0.6914), np.float32(0.7434), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7406), np.float32(0.0), np.float32(0.0), np.float32(0.8942), np.float32(0.0), np.float32(0.7977), np.float32(0.0), np.float32(0.2584), np.float32(0.2804), np.float32(0.84), np.float32(0.9137), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6396), np.float32(0.0), np.float32(0.5405), np.float32(0.0), np.float32(0.0347), np.float32(0.5885), np.float32(0.6763), np.float32(0.7992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:37:13.816788: Epoch time: 106.61 s +2026-02-21 15:37:13.817509: Yayy! New best EMA pseudo Dice: 0.4745999872684479 +2026-02-21 15:37:16.602473: +2026-02-21 15:37:16.605083: Epoch 104 +2026-02-21 15:37:16.606134: Current learning rate: 0.00906 +2026-02-21 15:38:58.493602: train_loss -0.0111 +2026-02-21 15:38:58.496945: val_loss -0.0266 +2026-02-21 15:38:58.497962: Pseudo dice [np.float32(0.9304), np.float32(0.9379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8165), np.float32(nan), np.float32(0.9283), np.float32(nan), np.float32(0.9274), np.float32(0.0), np.float32(0.8676), np.float32(nan), np.float32(0.865), np.float32(0.021), np.float32(0.7626), np.float32(0.0), np.float32(0.4767), np.float32(0.8388), np.float32(0.8998), np.float32(0.8783), np.float32(0.7053), np.float32(0.7197), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7662), np.float32(0.0), np.float32(0.0), np.float32(0.8666), np.float32(0.0), np.float32(0.7316), np.float32(1e-04), np.float32(0.2556), np.float32(0.259), np.float32(0.9403), np.float32(0.9231), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6111), np.float32(0.0204), np.float32(0.1872), np.float32(0.0022), np.float32(0.6485), np.float32(0.0), np.float32(0.6576), np.float32(0.7646), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:38:58.498974: Epoch time: 101.89 s +2026-02-21 15:38:58.499675: Yayy! New best EMA pseudo Dice: 0.4763999879360199 +2026-02-21 15:39:00.171555: +2026-02-21 15:39:00.172790: Epoch 105 +2026-02-21 15:39:00.173590: Current learning rate: 0.00905 +2026-02-21 15:40:48.846591: train_loss -0.0042 +2026-02-21 15:40:48.849920: val_loss 0.0234 +2026-02-21 15:40:48.850928: Pseudo dice [np.float32(0.8662), np.float32(0.9357), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8282), np.float32(nan), np.float32(0.8843), np.float32(nan), np.float32(0.8018), np.float32(0.0), np.float32(0.8425), np.float32(nan), np.float32(0.8174), np.float32(0.0), np.float32(0.6984), np.float32(0.0), np.float32(0.497), np.float32(0.8433), np.float32(0.8646), np.float32(0.8318), np.float32(0.6802), np.float32(0.6676), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7108), np.float32(0.0), np.float32(0.0), np.float32(0.9458), np.float32(0.0), np.float32(0.7674), np.float32(0.0), np.float32(0.2345), np.float32(0.2969), np.float32(0.9209), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7785), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6351), np.float32(0.6397), np.float32(0.7553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:40:48.851941: Epoch time: 108.68 s +2026-02-21 15:40:48.852652: Yayy! New best EMA pseudo Dice: 0.4767000079154968 +2026-02-21 15:40:50.544776: +2026-02-21 15:40:50.546058: Epoch 106 +2026-02-21 15:40:50.546861: Current learning rate: 0.00904 +2026-02-21 15:42:40.960455: train_loss 0.0021 +2026-02-21 15:42:40.964338: val_loss -0.0235 +2026-02-21 15:42:40.965356: Pseudo dice [np.float32(0.9342), np.float32(0.9234), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8473), np.float32(nan), np.float32(0.9432), np.float32(nan), np.float32(0.8672), np.float32(0.0), np.float32(0.8237), np.float32(nan), np.float32(0.8129), np.float32(0.0625), np.float32(0.7676), np.float32(0.0), np.float32(0.4698), np.float32(0.8424), np.float32(0.9136), np.float32(0.8697), np.float32(0.7394), np.float32(0.675), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.838), np.float32(0.0), np.float32(0.0), np.float32(0.8369), np.float32(0.017), np.float32(0.8061), np.float32(0.0), np.float32(0.3039), np.float32(0.2187), np.float32(0.9031), np.float32(0.9327), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5431), np.float32(0.1746), np.float32(0.1355), np.float32(0.0238), np.float32(0.0), np.float32(0.6391), np.float32(0.7043), np.float32(0.793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:42:40.966362: Epoch time: 110.42 s +2026-02-21 15:42:40.967318: Yayy! New best EMA pseudo Dice: 0.47859999537467957 +2026-02-21 15:42:42.633024: +2026-02-21 15:42:42.634337: Epoch 107 +2026-02-21 15:42:42.635128: Current learning rate: 0.00903 +2026-02-21 15:44:33.317242: train_loss 0.0201 +2026-02-21 15:44:33.320719: val_loss -0.0228 +2026-02-21 15:44:33.321742: Pseudo dice [np.float32(0.9282), np.float32(0.9504), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8572), np.float32(nan), np.float32(0.9384), np.float32(nan), np.float32(0.9069), np.float32(0.0), np.float32(0.8192), np.float32(nan), np.float32(0.8717), np.float32(0.0004), np.float32(0.76), np.float32(0.0), np.float32(0.4394), np.float32(0.8279), np.float32(0.9096), np.float32(0.887), np.float32(0.7319), np.float32(0.7256), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8845), np.float32(0.0), np.float32(0.0), np.float32(0.8418), np.float32(0.0), np.float32(0.8022), np.float32(0.0), np.float32(0.1956), np.float32(0.2969), np.float32(0.8002), np.float32(0.8792), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6928), np.float32(0.0), np.float32(0.0044), np.float32(0.0), np.float32(0.0), np.float32(0.7425), np.float32(0.6958), np.float32(0.7921), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:44:33.322982: Epoch time: 110.69 s +2026-02-21 15:44:33.323688: Yayy! New best EMA pseudo Dice: 0.47999998927116394 +2026-02-21 15:44:34.980470: +2026-02-21 15:44:34.983899: Epoch 108 +2026-02-21 15:44:34.984735: Current learning rate: 0.00902 +2026-02-21 15:46:20.687570: train_loss 0.0019 +2026-02-21 15:46:20.690761: val_loss 0.0058 +2026-02-21 15:46:20.691788: Pseudo dice [np.float32(0.9226), np.float32(0.9492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8419), np.float32(nan), np.float32(0.9277), np.float32(nan), np.float32(0.8859), np.float32(0.0), np.float32(0.7976), np.float32(nan), np.float32(0.8129), np.float32(0.006), np.float32(0.758), np.float32(0.0), np.float32(0.5141), np.float32(0.8098), np.float32(0.9083), np.float32(0.8799), np.float32(0.727), np.float32(0.728), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.794), np.float32(0.0), np.float32(0.0), np.float32(0.9082), np.float32(0.0), np.float32(0.7719), np.float32(0.0), np.float32(0.1676), np.float32(0.1872), np.float32(0.8538), np.float32(0.8876), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5183), np.float32(0.0), np.float32(0.075), np.float32(0.0), np.float32(0.6996), np.float32(0.0), np.float32(0.6693), np.float32(0.7797), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:46:20.692787: Epoch time: 105.71 s +2026-02-21 15:46:20.693743: Yayy! New best EMA pseudo Dice: 0.48010000586509705 +2026-02-21 15:46:22.344749: +2026-02-21 15:46:22.346555: Epoch 109 +2026-02-21 15:46:22.347349: Current learning rate: 0.00901 +2026-02-21 15:48:04.088849: train_loss 0.0196 +2026-02-21 15:48:04.092212: val_loss -0.0211 +2026-02-21 15:48:04.093728: Pseudo dice [np.float32(0.9343), np.float32(0.9248), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8501), np.float32(nan), np.float32(0.9283), np.float32(nan), np.float32(0.9336), np.float32(0.0), np.float32(0.8331), np.float32(nan), np.float32(0.8227), np.float32(0.0018), np.float32(0.8025), np.float32(0.0), np.float32(0.4579), np.float32(0.8474), np.float32(0.9067), np.float32(0.8741), np.float32(0.7233), np.float32(0.7589), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.851), np.float32(0.0), np.float32(0.0), np.float32(0.9062), np.float32(0.0), np.float32(0.7598), np.float32(0.0), np.float32(0.264), np.float32(0.2866), np.float32(0.8754), np.float32(0.8956), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.767), np.float32(0.0), np.float32(0.4796), np.float32(0.0), np.float32(0.0), np.float32(0.5789), np.float32(0.6805), np.float32(0.791), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:48:04.094725: Epoch time: 101.75 s +2026-02-21 15:48:04.095438: Yayy! New best EMA pseudo Dice: 0.482699990272522 +2026-02-21 15:48:05.782669: +2026-02-21 15:48:05.783998: Epoch 110 +2026-02-21 15:48:05.784792: Current learning rate: 0.009 +2026-02-21 15:49:53.680823: train_loss 0.0008 +2026-02-21 15:49:53.684150: val_loss 0.0395 +2026-02-21 15:49:53.685473: Pseudo dice [np.float32(0.8738), np.float32(0.838), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8307), np.float32(nan), np.float32(0.9012), np.float32(nan), np.float32(0.8389), np.float32(0.0), np.float32(0.8153), np.float32(nan), np.float32(0.8169), np.float32(0.0), np.float32(0.7538), np.float32(0.0), np.float32(0.4475), np.float32(0.838), np.float32(0.8701), np.float32(0.8347), np.float32(0.6495), np.float32(0.6599), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7767), np.float32(0.0), np.float32(0.0), np.float32(0.8018), np.float32(0.0), np.float32(0.7774), np.float32(0.0), np.float32(0.1611), np.float32(0.2364), np.float32(0.8338), np.float32(0.8738), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6353), np.float32(0.0297), np.float32(0.028), np.float32(0.0), np.float32(0.5331), np.float32(0.0), np.float32(0.6297), np.float32(0.7675), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:49:53.686479: Epoch time: 107.9 s +2026-02-21 15:49:54.529674: +2026-02-21 15:49:54.532266: Epoch 111 +2026-02-21 15:49:54.533060: Current learning rate: 0.009 +2026-02-21 15:51:35.841486: train_loss 0.0169 +2026-02-21 15:51:35.845078: val_loss -0.036 +2026-02-21 15:51:35.846351: Pseudo dice [np.float32(0.9385), np.float32(0.9522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8404), np.float32(nan), np.float32(0.9312), np.float32(nan), np.float32(0.9217), np.float32(0.0), np.float32(0.86), np.float32(nan), np.float32(0.851), np.float32(0.0), np.float32(0.7723), np.float32(0.0), np.float32(0.4794), np.float32(0.8735), np.float32(0.9085), np.float32(0.8603), np.float32(0.6503), np.float32(0.6932), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7754), np.float32(0.0), np.float32(0.0), np.float32(0.905), np.float32(0.0), np.float32(0.7837), np.float32(0.0), np.float32(0.2035), np.float32(0.2495), np.float32(0.9477), np.float32(0.9378), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7615), np.float32(0.0095), np.float32(0.4163), np.float32(0.0), np.float32(0.4463), np.float32(0.0291), np.float32(0.7046), np.float32(0.7821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:51:35.847346: Epoch time: 101.31 s +2026-02-21 15:51:36.686305: +2026-02-21 15:51:36.687249: Epoch 112 +2026-02-21 15:51:36.688043: Current learning rate: 0.00899 +2026-02-21 15:53:19.961977: train_loss -0.0062 +2026-02-21 15:53:19.966676: val_loss -0.0538 +2026-02-21 15:53:19.967765: Pseudo dice [np.float32(0.9052), np.float32(0.9167), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8431), np.float32(nan), np.float32(0.951), np.float32(nan), np.float32(0.8961), np.float32(0.0), np.float32(0.8466), np.float32(nan), np.float32(0.8884), np.float32(0.0022), np.float32(0.7804), np.float32(0.0), np.float32(0.4978), np.float32(0.8643), np.float32(0.9279), np.float32(0.8974), np.float32(0.7398), np.float32(0.7147), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8135), np.float32(0.0), np.float32(0.0), np.float32(0.8885), np.float32(0.0), np.float32(0.7853), np.float32(0.0), np.float32(0.2969), np.float32(0.3101), np.float32(0.8993), np.float32(0.935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5126), np.float32(0.0162), np.float32(0.0674), np.float32(0.0055), np.float32(0.0), np.float32(0.7056), np.float32(0.7216), np.float32(0.8087), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:53:19.969597: Epoch time: 103.28 s +2026-02-21 15:53:19.970406: Yayy! New best EMA pseudo Dice: 0.48420000076293945 +2026-02-21 15:53:21.650620: +2026-02-21 15:53:21.652323: Epoch 113 +2026-02-21 15:53:21.653127: Current learning rate: 0.00898 +2026-02-21 15:55:06.432002: train_loss 0.0066 +2026-02-21 15:55:06.435630: val_loss 0.0262 +2026-02-21 15:55:06.436905: Pseudo dice [np.float32(0.927), np.float32(0.9027), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8667), np.float32(nan), np.float32(0.9069), np.float32(nan), np.float32(0.8266), np.float32(0.0), np.float32(0.7721), np.float32(nan), np.float32(0.8326), np.float32(0.0093), np.float32(0.7715), np.float32(0.0), np.float32(0.4409), np.float32(0.8075), np.float32(0.8876), np.float32(0.8629), np.float32(0.7158), np.float32(0.736), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.66), np.float32(0.0), np.float32(0.0), np.float32(0.8934), np.float32(0.0), np.float32(0.7139), np.float32(0.0), np.float32(0.2447), np.float32(0.3042), np.float32(0.7834), np.float32(0.8332), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7653), np.float32(0.0), np.float32(0.2983), np.float32(0.0), np.float32(0.6686), np.float32(0.0), np.float32(0.7015), np.float32(0.7498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:55:06.437898: Epoch time: 104.78 s +2026-02-21 15:55:07.281162: +2026-02-21 15:55:07.283750: Epoch 114 +2026-02-21 15:55:07.284554: Current learning rate: 0.00897 +2026-02-21 15:57:08.439641: train_loss 0.0115 +2026-02-21 15:57:08.443196: val_loss -0.0045 +2026-02-21 15:57:08.444217: Pseudo dice [np.float32(0.9275), np.float32(0.9387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8206), np.float32(nan), np.float32(0.93), np.float32(nan), np.float32(0.8526), np.float32(0.0), np.float32(0.7747), np.float32(nan), np.float32(0.7656), np.float32(0.0), np.float32(0.778), np.float32(0.0), np.float32(0.4561), np.float32(0.8383), np.float32(0.9049), np.float32(0.8772), np.float32(0.7449), np.float32(0.6936), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.768), np.float32(0.0), np.float32(0.0), np.float32(0.8908), np.float32(0.0), np.float32(0.7869), np.float32(0.0), np.float32(0.2383), np.float32(0.2732), np.float32(0.7862), np.float32(0.8459), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6769), np.float32(0.0418), np.float32(0.0815), np.float32(0.0), np.float32(0.0), np.float32(0.4546), np.float32(0.6902), np.float32(0.7613), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:57:08.445473: Epoch time: 121.16 s +2026-02-21 15:57:09.287091: +2026-02-21 15:57:09.288261: Epoch 115 +2026-02-21 15:57:09.289060: Current learning rate: 0.00896 +2026-02-21 15:58:57.820004: train_loss 0.015 +2026-02-21 15:58:57.823587: val_loss 0.0144 +2026-02-21 15:58:57.824622: Pseudo dice [np.float32(0.9286), np.float32(0.9151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8392), np.float32(nan), np.float32(0.9162), np.float32(nan), np.float32(0.8946), np.float32(0.0), np.float32(0.8392), np.float32(nan), np.float32(0.7538), np.float32(0.0), np.float32(0.7564), np.float32(0.0), np.float32(0.4611), np.float32(0.7742), np.float32(0.8837), np.float32(0.8313), np.float32(0.582), np.float32(0.6665), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7477), np.float32(0.0), np.float32(0.0), np.float32(0.8473), np.float32(0.0), np.float32(0.764), np.float32(0.0), np.float32(0.2563), np.float32(0.2663), np.float32(0.8698), np.float32(0.9181), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5934), np.float32(0.0), np.float32(0.3283), np.float32(0.0), np.float32(0.4392), np.float32(0.3954), np.float32(0.6425), np.float32(0.7312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 15:58:57.825616: Epoch time: 108.54 s +2026-02-21 15:58:58.680232: +2026-02-21 15:58:58.681565: Epoch 116 +2026-02-21 15:58:58.682360: Current learning rate: 0.00895 +2026-02-21 16:01:01.564588: train_loss -0.0191 +2026-02-21 16:01:01.568683: val_loss -0.0044 +2026-02-21 16:01:01.569793: Pseudo dice [np.float32(0.9251), np.float32(0.9198), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8395), np.float32(nan), np.float32(0.9276), np.float32(nan), np.float32(0.8573), np.float32(0.0), np.float32(0.849), np.float32(nan), np.float32(0.7909), np.float32(0.0), np.float32(0.7642), np.float32(0.0), np.float32(0.5104), np.float32(0.8669), np.float32(0.8957), np.float32(0.8755), np.float32(0.7564), np.float32(0.7223), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7651), np.float32(0.0), np.float32(0.0), np.float32(0.8113), np.float32(0.0), np.float32(0.7768), np.float32(0.0), np.float32(0.2343), np.float32(0.2144), np.float32(0.939), np.float32(0.9547), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6254), np.float32(0.0195), np.float32(0.5214), np.float32(0.0535), np.float32(0.5127), np.float32(0.0), np.float32(0.6986), np.float32(0.7793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:01:01.570969: Epoch time: 122.89 s +2026-02-21 16:01:01.571924: Yayy! New best EMA pseudo Dice: 0.4848000109195709 +2026-02-21 16:01:03.256424: +2026-02-21 16:01:03.259185: Epoch 117 +2026-02-21 16:01:03.260276: Current learning rate: 0.00894 +2026-02-21 16:03:13.217136: train_loss 0.0125 +2026-02-21 16:03:13.220470: val_loss -0.0539 +2026-02-21 16:03:13.221497: Pseudo dice [np.float32(0.9472), np.float32(0.9298), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8372), np.float32(nan), np.float32(0.9447), np.float32(nan), np.float32(0.9269), np.float32(0.0), np.float32(0.8361), np.float32(nan), np.float32(0.8594), np.float32(0.0008), np.float32(0.7795), np.float32(0.0), np.float32(0.4109), np.float32(0.8647), np.float32(0.9187), np.float32(0.8729), np.float32(0.7378), np.float32(0.7621), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7855), np.float32(0.0), np.float32(0.0), np.float32(0.9089), np.float32(0.0), np.float32(0.7872), np.float32(0.0), np.float32(0.3094), np.float32(0.3064), np.float32(0.9359), np.float32(0.9465), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6892), np.float32(0.0051), np.float32(0.1556), np.float32(0.0), np.float32(0.0), np.float32(0.651), np.float32(0.7041), np.float32(0.801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:03:13.222258: Epoch time: 129.96 s +2026-02-21 16:03:13.222956: Yayy! New best EMA pseudo Dice: 0.48669999837875366 +2026-02-21 16:03:14.872136: +2026-02-21 16:03:14.873470: Epoch 118 +2026-02-21 16:03:14.874290: Current learning rate: 0.00893 +2026-02-21 16:05:14.780452: train_loss -0.0062 +2026-02-21 16:05:14.784339: val_loss -0.0066 +2026-02-21 16:05:14.785357: Pseudo dice [np.float32(0.954), np.float32(0.9326), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.843), np.float32(nan), np.float32(0.933), np.float32(nan), np.float32(0.9124), np.float32(0.0), np.float32(0.8031), np.float32(nan), np.float32(0.8342), np.float32(0.0), np.float32(0.748), np.float32(0.0), np.float32(0.4544), np.float32(0.8122), np.float32(0.9298), np.float32(0.8746), np.float32(0.7492), np.float32(0.7341), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6873), np.float32(0.0), np.float32(0.0), np.float32(0.8658), np.float32(0.0), np.float32(0.7285), np.float32(0.0), np.float32(0.2165), np.float32(0.3567), np.float32(0.914), np.float32(0.8889), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6975), np.float32(0.0035), np.float32(0.0002), np.float32(0.046), np.float32(0.0), np.float32(0.5712), np.float32(0.7014), np.float32(0.7701), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:05:14.786112: Epoch time: 119.91 s +2026-02-21 16:05:15.642787: +2026-02-21 16:05:15.645452: Epoch 119 +2026-02-21 16:05:15.646546: Current learning rate: 0.00892 +2026-02-21 16:06:54.589328: train_loss -0.0032 +2026-02-21 16:06:54.592733: val_loss -0.0123 +2026-02-21 16:06:54.593765: Pseudo dice [np.float32(0.932), np.float32(0.9275), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8269), np.float32(nan), np.float32(0.941), np.float32(nan), np.float32(0.9236), np.float32(0.0), np.float32(0.827), np.float32(0.0), np.float32(0.8259), np.float32(0.0057), np.float32(0.7831), np.float32(0.0), np.float32(0.44), np.float32(0.8235), np.float32(0.9015), np.float32(0.8518), np.float32(0.7032), np.float32(0.7238), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7898), np.float32(0.0), np.float32(0.0), np.float32(0.9145), np.float32(0.0), np.float32(0.7984), np.float32(0.0), np.float32(0.3367), np.float32(0.2405), np.float32(0.9185), np.float32(0.9125), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6272), np.float32(0.0016), np.float32(0.5264), np.float32(0.0), np.float32(0.0), np.float32(0.6825), np.float32(0.6623), np.float32(0.7775), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:06:54.594750: Epoch time: 98.95 s +2026-02-21 16:06:54.595467: Yayy! New best EMA pseudo Dice: 0.4869999885559082 +2026-02-21 16:06:56.244475: +2026-02-21 16:06:56.247332: Epoch 120 +2026-02-21 16:06:56.248134: Current learning rate: 0.00891 +2026-02-21 16:08:44.168083: train_loss -0.0058 +2026-02-21 16:08:44.171311: val_loss -0.0494 +2026-02-21 16:08:44.172444: Pseudo dice [np.float32(0.9277), np.float32(0.9212), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8527), np.float32(nan), np.float32(0.9304), np.float32(nan), np.float32(0.9224), np.float32(0.0), np.float32(0.839), np.float32(nan), np.float32(0.8321), np.float32(0.0005), np.float32(0.7905), np.float32(0.0), np.float32(0.5312), np.float32(0.8661), np.float32(0.9065), np.float32(0.8859), np.float32(0.7045), np.float32(0.7313), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.797), np.float32(0.0), np.float32(0.0), np.float32(0.916), np.float32(0.0), np.float32(0.8333), np.float32(0.0), np.float32(0.282), np.float32(0.3017), np.float32(0.9459), np.float32(0.9386), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7571), np.float32(0.0166), np.float32(0.1712), np.float32(0.0496), np.float32(0.0), np.float32(0.5366), np.float32(0.6744), np.float32(0.7796), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:08:44.173337: Epoch time: 107.93 s +2026-02-21 16:08:44.174292: Yayy! New best EMA pseudo Dice: 0.4887000024318695 +2026-02-21 16:08:45.833977: +2026-02-21 16:08:45.837165: Epoch 121 +2026-02-21 16:08:45.838097: Current learning rate: 0.0089 +2026-02-21 16:10:36.486201: train_loss 0.0166 +2026-02-21 16:10:36.489507: val_loss 0.0729 +2026-02-21 16:10:36.490522: Pseudo dice [np.float32(0.8826), np.float32(0.8433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8073), np.float32(nan), np.float32(0.9188), np.float32(nan), np.float32(0.7536), np.float32(0.0), np.float32(0.7598), np.float32(0.0), np.float32(0.8364), np.float32(1e-04), np.float32(0.7204), np.float32(0.0), np.float32(0.4955), np.float32(0.8181), np.float32(0.8642), np.float32(0.8422), np.float32(0.6563), np.float32(0.6681), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6522), np.float32(0.0), np.float32(0.0), np.float32(0.7936), np.float32(0.0), np.float32(0.6992), np.float32(0.0), np.float32(0.2976), np.float32(0.2693), np.float32(0.7647), np.float32(0.7254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7072), np.float32(0.0), np.float32(0.5169), np.float32(0.0338), np.float32(0.0083), np.float32(0.5077), np.float32(0.675), np.float32(0.7906), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:10:36.491936: Epoch time: 110.65 s +2026-02-21 16:10:37.335957: +2026-02-21 16:10:37.340284: Epoch 122 +2026-02-21 16:10:37.341220: Current learning rate: 0.00889 +2026-02-21 16:12:24.334872: train_loss 0.0634 +2026-02-21 16:12:24.338623: val_loss -0.0136 +2026-02-21 16:12:24.339742: Pseudo dice [np.float32(0.9063), np.float32(0.9038), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8175), np.float32(nan), np.float32(0.9416), np.float32(nan), np.float32(0.8824), np.float32(0.0), np.float32(0.8306), np.float32(nan), np.float32(0.8572), np.float32(0.0), np.float32(0.7559), np.float32(0.0), np.float32(0.5364), np.float32(0.8098), np.float32(0.8863), np.float32(0.8575), np.float32(0.7144), np.float32(0.6925), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7892), np.float32(0.0), np.float32(0.0), np.float32(0.8788), np.float32(0.0), np.float32(0.8042), np.float32(0.0), np.float32(0.2723), np.float32(0.3227), np.float32(0.9176), np.float32(0.9127), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7207), np.float32(0.0003), np.float32(0.3757), np.float32(0.3166), np.float32(0.0), np.float32(0.6521), np.float32(0.6667), np.float32(0.7817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:12:24.340724: Epoch time: 107.0 s +2026-02-21 16:12:25.183706: +2026-02-21 16:12:25.184770: Epoch 123 +2026-02-21 16:12:25.185569: Current learning rate: 0.00889 +2026-02-21 16:14:22.426278: train_loss 0.0143 +2026-02-21 16:14:22.429280: val_loss 0.0075 +2026-02-21 16:14:22.430553: Pseudo dice [np.float32(0.9113), np.float32(0.8952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.835), np.float32(nan), np.float32(0.9288), np.float32(nan), np.float32(0.8461), np.float32(0.0), np.float32(0.8244), np.float32(nan), np.float32(0.7823), np.float32(0.0), np.float32(0.773), np.float32(0.0), np.float32(0.477), np.float32(0.8119), np.float32(0.9052), np.float32(0.879), np.float32(0.673), np.float32(0.71), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8329), np.float32(0.0), np.float32(0.0), np.float32(0.9159), np.float32(0.0), np.float32(0.8088), np.float32(0.0), np.float32(0.2305), np.float32(0.1969), np.float32(0.8651), np.float32(0.8821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5484), np.float32(0.1579), np.float32(0.4092), np.float32(0.2178), np.float32(0.6653), np.float32(0.0907), np.float32(0.6672), np.float32(0.7868), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:14:22.431562: Epoch time: 117.25 s +2026-02-21 16:14:22.432405: Yayy! New best EMA pseudo Dice: 0.48910000920295715 +2026-02-21 16:14:25.232413: +2026-02-21 16:14:25.234641: Epoch 124 +2026-02-21 16:14:25.235904: Current learning rate: 0.00888 +2026-02-21 16:16:13.045946: train_loss 0.0117 +2026-02-21 16:16:13.049549: val_loss 0.0591 +2026-02-21 16:16:13.050566: Pseudo dice [np.float32(0.9052), np.float32(0.8642), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.838), np.float32(nan), np.float32(0.8946), np.float32(nan), np.float32(0.8393), np.float32(0.0), np.float32(0.7766), np.float32(nan), np.float32(0.6031), np.float32(0.0), np.float32(0.721), np.float32(0.0), np.float32(0.4476), np.float32(0.7907), np.float32(0.8859), np.float32(0.8343), np.float32(0.6966), np.float32(0.7011), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7349), np.float32(0.0), np.float32(0.0), np.float32(0.8702), np.float32(0.0), np.float32(0.8002), np.float32(0.0), np.float32(0.3374), np.float32(0.2757), np.float32(0.7877), np.float32(0.8462), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7814), np.float32(0.0078), np.float32(0.2297), np.float32(0.0002), np.float32(0.6113), np.float32(0.1293), np.float32(0.6382), np.float32(0.7622), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:16:13.051573: Epoch time: 107.82 s +2026-02-21 16:16:13.899826: +2026-02-21 16:16:13.903254: Epoch 125 +2026-02-21 16:16:13.904058: Current learning rate: 0.00887 +2026-02-21 16:18:01.876221: train_loss -0.0214 +2026-02-21 16:18:01.879528: val_loss -0.0445 +2026-02-21 16:18:01.880788: Pseudo dice [np.float32(0.9441), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8616), np.float32(nan), np.float32(0.9411), np.float32(nan), np.float32(0.9277), np.float32(0.0), np.float32(0.8501), np.float32(nan), np.float32(0.8468), np.float32(0.0), np.float32(0.7412), np.float32(0.0), np.float32(0.5115), np.float32(0.8119), np.float32(0.9121), np.float32(0.8795), np.float32(0.7713), np.float32(0.7503), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8215), np.float32(0.0), np.float32(0.0), np.float32(0.8746), np.float32(0.0), np.float32(0.8167), np.float32(0.0), np.float32(0.3226), np.float32(0.3157), np.float32(0.9336), np.float32(0.9419), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8401), np.float32(0.0), np.float32(0.4511), np.float32(0.0), np.float32(0.3513), np.float32(0.4681), np.float32(0.7183), np.float32(0.7976), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:18:01.881713: Epoch time: 107.98 s +2026-02-21 16:18:01.882984: Yayy! New best EMA pseudo Dice: 0.49129998683929443 +2026-02-21 16:18:03.554862: +2026-02-21 16:18:03.556694: Epoch 126 +2026-02-21 16:18:03.557496: Current learning rate: 0.00886 +2026-02-21 16:19:50.939889: train_loss 0.0086 +2026-02-21 16:19:50.943974: val_loss 0.0052 +2026-02-21 16:19:50.944998: Pseudo dice [np.float32(0.9161), np.float32(0.9299), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8346), np.float32(nan), np.float32(0.9192), np.float32(nan), np.float32(0.8853), np.float32(0.0), np.float32(0.7895), np.float32(0.0), np.float32(0.7922), np.float32(0.0), np.float32(0.7187), np.float32(0.0), np.float32(0.5006), np.float32(0.8447), np.float32(0.9064), np.float32(0.8579), np.float32(0.7031), np.float32(0.7168), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7558), np.float32(0.0), np.float32(0.0), np.float32(0.8765), np.float32(0.0048), np.float32(0.7793), np.float32(0.0), np.float32(0.2231), np.float32(0.0935), np.float32(0.808), np.float32(0.7805), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6561), np.float32(0.0236), np.float32(0.1294), np.float32(0.0), np.float32(0.0), np.float32(0.7277), np.float32(0.6606), np.float32(0.764), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:19:50.946099: Epoch time: 107.39 s +2026-02-21 16:19:51.816844: +2026-02-21 16:19:51.818360: Epoch 127 +2026-02-21 16:19:51.820506: Current learning rate: 0.00885 +2026-02-21 16:21:49.329798: train_loss 0.0071 +2026-02-21 16:21:49.334053: val_loss -0.0261 +2026-02-21 16:21:49.335056: Pseudo dice [np.float32(0.9412), np.float32(0.915), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8485), np.float32(nan), np.float32(0.9595), np.float32(nan), np.float32(0.8852), np.float32(0.0), np.float32(0.8268), np.float32(nan), np.float32(0.8158), np.float32(0.0), np.float32(0.7954), np.float32(0.0), np.float32(0.6017), np.float32(0.8355), np.float32(0.864), np.float32(0.902), np.float32(0.7295), np.float32(0.7368), np.float32(0.0), np.float32(0.0065), np.float32(0.0), np.float32(0.8156), np.float32(0.0), np.float32(0.0), np.float32(0.904), np.float32(0.0), np.float32(0.8042), np.float32(0.0), np.float32(0.2183), np.float32(0.293), np.float32(0.8979), np.float32(0.9042), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.669), np.float32(0.0), np.float32(0.3047), np.float32(0.0), np.float32(0.023), np.float32(0.364), np.float32(0.7085), np.float32(0.8104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:21:49.336062: Epoch time: 117.52 s +2026-02-21 16:21:50.209561: +2026-02-21 16:21:50.210653: Epoch 128 +2026-02-21 16:21:50.211463: Current learning rate: 0.00884 +2026-02-21 16:23:48.157975: train_loss 0.0078 +2026-02-21 16:23:48.162639: val_loss -0.0241 +2026-02-21 16:23:48.163909: Pseudo dice [np.float32(0.9175), np.float32(0.9104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8413), np.float32(nan), np.float32(0.9373), np.float32(nan), np.float32(0.8721), np.float32(0.0), np.float32(0.841), np.float32(nan), np.float32(0.8275), np.float32(0.0), np.float32(0.7889), np.float32(0.0), np.float32(0.4281), np.float32(0.8543), np.float32(0.9081), np.float32(0.8837), np.float32(0.7021), np.float32(0.737), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7931), np.float32(0.0), np.float32(0.0), np.float32(0.8665), np.float32(0.0), np.float32(0.8271), np.float32(0.0), np.float32(0.3309), np.float32(0.3302), np.float32(0.9113), np.float32(0.8761), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.716), np.float32(0.0203), np.float32(0.5627), np.float32(0.0838), np.float32(0.4647), np.float32(0.4962), np.float32(0.704), np.float32(0.8147), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:23:48.164917: Epoch time: 117.95 s +2026-02-21 16:23:48.165621: Yayy! New best EMA pseudo Dice: 0.49239999055862427 +2026-02-21 16:23:49.869581: +2026-02-21 16:23:49.871035: Epoch 129 +2026-02-21 16:23:49.871996: Current learning rate: 0.00883 +2026-02-21 16:25:42.254315: train_loss -0.0002 +2026-02-21 16:25:42.257540: val_loss -0.0171 +2026-02-21 16:25:42.258813: Pseudo dice [np.float32(0.9289), np.float32(0.9023), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8143), np.float32(nan), np.float32(0.9265), np.float32(nan), np.float32(0.8169), np.float32(0.0), np.float32(0.8251), np.float32(nan), np.float32(0.8402), np.float32(0.0587), np.float32(0.7929), np.float32(0.0), np.float32(0.5039), np.float32(0.8627), np.float32(0.9031), np.float32(0.8436), np.float32(0.7193), np.float32(0.7411), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7409), np.float32(0.0), np.float32(0.0), np.float32(0.8685), np.float32(0.0), np.float32(0.6991), np.float32(0.0), np.float32(0.305), np.float32(0.2896), np.float32(0.9144), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6552), np.float32(0.0), np.float32(0.4824), np.float32(0.3296), np.float32(0.7712), np.float32(0.0), np.float32(0.7059), np.float32(0.7715), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:25:42.259821: Epoch time: 112.39 s +2026-02-21 16:25:42.260520: Yayy! New best EMA pseudo Dice: 0.4943000078201294 +2026-02-21 16:25:43.948788: +2026-02-21 16:25:43.950881: Epoch 130 +2026-02-21 16:25:43.951715: Current learning rate: 0.00882 +2026-02-21 16:27:30.565648: train_loss -0.0015 +2026-02-21 16:27:30.577259: val_loss -0.029 +2026-02-21 16:27:30.581933: Pseudo dice [np.float32(0.9275), np.float32(0.9377), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8329), np.float32(nan), np.float32(0.9332), np.float32(nan), np.float32(0.8565), np.float32(0.0), np.float32(0.8454), np.float32(nan), np.float32(0.8601), np.float32(0.0013), np.float32(0.758), np.float32(0.0035), np.float32(0.5822), np.float32(0.8621), np.float32(0.9097), np.float32(0.8779), np.float32(0.7412), np.float32(0.7363), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6788), np.float32(0.0), np.float32(0.0), np.float32(0.9195), np.float32(0.0), np.float32(0.8283), np.float32(0.0), np.float32(0.3515), np.float32(0.3077), np.float32(0.9469), np.float32(0.9585), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8231), np.float32(0.0), np.float32(0.2324), np.float32(0.0779), np.float32(0.5242), np.float32(0.0), np.float32(0.7295), np.float32(0.799), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:27:30.582923: Epoch time: 106.62 s +2026-02-21 16:27:30.583712: Yayy! New best EMA pseudo Dice: 0.4957999885082245 +2026-02-21 16:27:32.267245: +2026-02-21 16:27:32.268597: Epoch 131 +2026-02-21 16:27:32.269654: Current learning rate: 0.00881 +2026-02-21 16:29:33.526499: train_loss 0.0024 +2026-02-21 16:29:33.529837: val_loss 0.0198 +2026-02-21 16:29:33.530868: Pseudo dice [np.float32(0.9397), np.float32(0.9191), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8254), np.float32(nan), np.float32(0.8918), np.float32(nan), np.float32(0.7849), np.float32(0.0), np.float32(0.7941), np.float32(nan), np.float32(0.796), np.float32(0.0271), np.float32(0.7864), np.float32(0.0), np.float32(0.5343), np.float32(0.8022), np.float32(0.8584), np.float32(0.848), np.float32(0.7078), np.float32(0.7274), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7688), np.float32(0.0), np.float32(0.0), np.float32(0.9174), np.float32(0.0), np.float32(0.7666), np.float32(0.0), np.float32(0.2068), np.float32(0.3074), np.float32(0.8787), np.float32(0.8831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6593), np.float32(0.0105), np.float32(0.3541), np.float32(0.2025), np.float32(0.5659), np.float32(0.1625), np.float32(0.6143), np.float32(0.7248), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:29:33.531859: Epoch time: 121.26 s +2026-02-21 16:29:34.411772: +2026-02-21 16:29:34.412908: Epoch 132 +2026-02-21 16:29:34.413696: Current learning rate: 0.0088 +2026-02-21 16:31:21.654136: train_loss 0.0032 +2026-02-21 16:31:21.657483: val_loss 0.0671 +2026-02-21 16:31:21.658523: Pseudo dice [np.float32(0.8859), np.float32(0.8467), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8017), np.float32(nan), np.float32(0.8025), np.float32(nan), np.float32(0.7961), np.float32(0.0), np.float32(0.7846), np.float32(0.0), np.float32(0.7586), np.float32(0.0), np.float32(0.6825), np.float32(0.0), np.float32(0.5545), np.float32(0.8307), np.float32(0.8724), np.float32(0.8551), np.float32(0.6901), np.float32(0.6924), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6245), np.float32(0.0), np.float32(0.0), np.float32(0.9276), np.float32(0.0), np.float32(0.7252), np.float32(0.0), np.float32(0.312), np.float32(0.1831), np.float32(0.8237), np.float32(0.7605), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5009), np.float32(0.0), np.float32(0.2507), np.float32(0.0), np.float32(0.0), np.float32(0.5879), np.float32(0.6328), np.float32(0.7117), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:31:21.659677: Epoch time: 107.24 s +2026-02-21 16:31:22.533550: +2026-02-21 16:31:22.535149: Epoch 133 +2026-02-21 16:31:22.535939: Current learning rate: 0.00879 +2026-02-21 16:33:05.228571: train_loss 0.0196 +2026-02-21 16:33:05.231815: val_loss -0.0092 +2026-02-21 16:33:05.232843: Pseudo dice [np.float32(0.9309), np.float32(0.9224), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8565), np.float32(nan), np.float32(0.9386), np.float32(nan), np.float32(0.7902), np.float32(0.0), np.float32(0.8538), np.float32(nan), np.float32(0.7815), np.float32(1e-04), np.float32(0.7579), np.float32(0.0), np.float32(0.5019), np.float32(0.8779), np.float32(0.9016), np.float32(0.8928), np.float32(0.6843), np.float32(0.7269), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7866), np.float32(0.0), np.float32(0.0), np.float32(0.8098), np.float32(0.0002), np.float32(0.8376), np.float32(0.0), np.float32(0.2831), np.float32(0.2815), np.float32(0.9145), np.float32(0.8967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6845), np.float32(0.2202), np.float32(0.0442), np.float32(0.2108), np.float32(0.5981), np.float32(0.0), np.float32(0.6868), np.float32(0.8013), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:33:05.233840: Epoch time: 102.7 s +2026-02-21 16:33:06.096823: +2026-02-21 16:33:06.098382: Epoch 134 +2026-02-21 16:33:06.099185: Current learning rate: 0.00879 +2026-02-21 16:35:12.298218: train_loss 0.0355 +2026-02-21 16:35:12.301628: val_loss -0.0307 +2026-02-21 16:35:12.302660: Pseudo dice [np.float32(0.9354), np.float32(0.9445), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8391), np.float32(nan), np.float32(0.9548), np.float32(nan), np.float32(0.922), np.float32(0.0), np.float32(0.8356), np.float32(nan), np.float32(0.816), np.float32(0.0), np.float32(0.8086), np.float32(0.0), np.float32(0.4733), np.float32(0.846), np.float32(0.9231), np.float32(0.8943), np.float32(0.6781), np.float32(0.752), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8183), np.float32(0.0), np.float32(0.0), np.float32(0.866), np.float32(0.0), np.float32(0.6832), np.float32(0.0), np.float32(0.352), np.float32(0.3526), np.float32(0.8448), np.float32(0.8603), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.656), np.float32(0.0016), np.float32(0.2947), np.float32(0.0), np.float32(0.5191), np.float32(0.0027), np.float32(0.7408), np.float32(0.7792), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:35:12.303661: Epoch time: 126.2 s +2026-02-21 16:35:13.206860: +2026-02-21 16:35:13.207986: Epoch 135 +2026-02-21 16:35:13.208786: Current learning rate: 0.00878 +2026-02-21 16:37:19.823106: train_loss 0.0143 +2026-02-21 16:37:19.829904: val_loss 0.0041 +2026-02-21 16:37:19.831333: Pseudo dice [np.float32(0.9377), np.float32(0.9278), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8444), np.float32(nan), np.float32(0.8821), np.float32(nan), np.float32(0.8937), np.float32(0.0), np.float32(0.8256), np.float32(nan), np.float32(0.84), np.float32(0.0186), np.float32(0.7845), np.float32(0.0), np.float32(0.481), np.float32(0.8496), np.float32(0.8982), np.float32(0.8705), np.float32(0.6856), np.float32(0.7552), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7896), np.float32(0.0), np.float32(0.0), np.float32(0.8926), np.float32(0.0), np.float32(0.823), np.float32(0.0), np.float32(0.1862), np.float32(0.2935), np.float32(0.8786), np.float32(0.8737), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.715), np.float32(0.0017), np.float32(0.3037), np.float32(0.3665), np.float32(0.3018), np.float32(0.0), np.float32(0.667), np.float32(0.7951), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:37:19.832842: Epoch time: 126.62 s +2026-02-21 16:37:20.725509: +2026-02-21 16:37:20.726356: Epoch 136 +2026-02-21 16:37:20.727154: Current learning rate: 0.00877 +2026-02-21 16:39:31.892878: train_loss -0.0046 +2026-02-21 16:39:31.896854: val_loss -0.0082 +2026-02-21 16:39:31.898552: Pseudo dice [np.float32(0.911), np.float32(0.936), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8378), np.float32(nan), np.float32(0.9026), np.float32(nan), np.float32(0.8804), np.float32(0.0), np.float32(0.8268), np.float32(nan), np.float32(0.8343), np.float32(0.0195), np.float32(0.7555), np.float32(0.0), np.float32(0.4545), np.float32(0.8673), np.float32(0.9012), np.float32(0.8409), np.float32(0.6916), np.float32(0.7034), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8058), np.float32(0.0), np.float32(0.0), np.float32(0.8789), np.float32(0.0), np.float32(0.8348), np.float32(0.0), np.float32(0.2468), np.float32(0.2864), np.float32(0.8869), np.float32(0.8928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5923), np.float32(0.0), np.float32(0.5354), np.float32(0.0), np.float32(0.0), np.float32(0.5921), np.float32(0.6408), np.float32(0.7664), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:39:31.899378: Epoch time: 131.17 s +2026-02-21 16:39:32.775007: +2026-02-21 16:39:32.776316: Epoch 137 +2026-02-21 16:39:32.777617: Current learning rate: 0.00876 +2026-02-21 16:41:35.100399: train_loss -0.017 +2026-02-21 16:41:35.105207: val_loss 0.0437 +2026-02-21 16:41:35.106229: Pseudo dice [np.float32(0.857), np.float32(0.8254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8086), np.float32(nan), np.float32(0.8892), np.float32(nan), np.float32(0.7851), np.float32(0.0), np.float32(0.8189), np.float32(nan), np.float32(0.7971), np.float32(0.0), np.float32(0.712), np.float32(0.0), np.float32(0.4995), np.float32(0.8101), np.float32(0.8572), np.float32(0.8203), np.float32(0.6613), np.float32(0.5898), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6819), np.float32(0.0), np.float32(0.0), np.float32(0.9262), np.float32(0.0), np.float32(0.6016), np.float32(0.0), np.float32(0.2682), np.float32(0.3081), np.float32(0.8002), np.float32(0.8322), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6521), np.float32(0.031), np.float32(0.1462), np.float32(0.0), np.float32(0.0), np.float32(0.6546), np.float32(0.7066), np.float32(0.7414), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:41:35.107384: Epoch time: 122.33 s +2026-02-21 16:41:35.998937: +2026-02-21 16:41:35.999964: Epoch 138 +2026-02-21 16:41:36.000764: Current learning rate: 0.00875 +2026-02-21 16:43:35.137654: train_loss 0.0169 +2026-02-21 16:43:35.145925: val_loss 0.051 +2026-02-21 16:43:35.147453: Pseudo dice [np.float32(0.7691), np.float32(0.7899), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8133), np.float32(nan), np.float32(0.8621), np.float32(nan), np.float32(0.8648), np.float32(0.0), np.float32(0.8145), np.float32(nan), np.float32(0.7532), np.float32(0.0136), np.float32(0.7012), np.float32(0.0), np.float32(0.5226), np.float32(0.8263), np.float32(0.8365), np.float32(0.7878), np.float32(0.6839), np.float32(0.6898), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7918), np.float32(0.0), np.float32(0.0), np.float32(0.8283), np.float32(0.0), np.float32(0.7764), np.float32(0.0), np.float32(0.2894), np.float32(0.2861), np.float32(0.8413), np.float32(0.8334), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7158), np.float32(0.0), np.float32(0.5467), np.float32(0.0302), np.float32(0.4921), np.float32(0.0), np.float32(0.708), np.float32(0.7635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:43:35.148444: Epoch time: 119.14 s +2026-02-21 16:43:36.056814: +2026-02-21 16:43:36.057970: Epoch 139 +2026-02-21 16:43:36.058788: Current learning rate: 0.00874 +2026-02-21 16:45:38.302941: train_loss 0.0075 +2026-02-21 16:45:38.307042: val_loss 0.0174 +2026-02-21 16:45:38.308184: Pseudo dice [np.float32(0.9334), np.float32(0.9426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8469), np.float32(nan), np.float32(0.9307), np.float32(nan), np.float32(0.8801), np.float32(0.0), np.float32(0.7573), np.float32(nan), np.float32(0.8158), np.float32(0.0), np.float32(0.7583), np.float32(0.0), np.float32(0.5759), np.float32(0.7888), np.float32(0.9035), np.float32(0.8917), np.float32(0.7196), np.float32(0.7534), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7696), np.float32(0.0), np.float32(0.0), np.float32(0.8138), np.float32(0.0066), np.float32(0.754), np.float32(0.0), np.float32(0.3567), np.float32(0.29), np.float32(0.8591), np.float32(0.8961), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6788), np.float32(0.0), np.float32(0.0729), np.float32(0.0514), np.float32(0.5926), np.float32(0.0), np.float32(0.6945), np.float32(0.7853), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:45:38.309065: Epoch time: 122.25 s +2026-02-21 16:45:39.186683: +2026-02-21 16:45:39.188003: Epoch 140 +2026-02-21 16:45:39.188822: Current learning rate: 0.00873 +2026-02-21 16:47:40.986580: train_loss 0.008 +2026-02-21 16:47:40.990084: val_loss 0.0117 +2026-02-21 16:47:40.991271: Pseudo dice [np.float32(0.8888), np.float32(0.9093), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8421), np.float32(nan), np.float32(0.8771), np.float32(nan), np.float32(0.8632), np.float32(0.0), np.float32(0.8215), np.float32(nan), np.float32(0.7339), np.float32(0.0025), np.float32(0.7753), np.float32(0.0), np.float32(0.5568), np.float32(0.8389), np.float32(0.8958), np.float32(0.8719), np.float32(0.7212), np.float32(0.7196), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8012), np.float32(0.0), np.float32(0.0), np.float32(0.9121), np.float32(1e-04), np.float32(0.7601), np.float32(0.0), np.float32(0.2912), np.float32(0.2276), np.float32(0.8321), np.float32(0.8653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6009), np.float32(0.0053), np.float32(0.0377), np.float32(0.0), np.float32(0.4454), np.float32(0.3371), np.float32(0.6704), np.float32(0.7586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:47:40.992467: Epoch time: 121.8 s +2026-02-21 16:47:41.877499: +2026-02-21 16:47:41.878751: Epoch 141 +2026-02-21 16:47:41.879573: Current learning rate: 0.00872 +2026-02-21 16:49:48.614959: train_loss -0.0178 +2026-02-21 16:49:48.618757: val_loss -0.0212 +2026-02-21 16:49:48.619783: Pseudo dice [np.float32(0.9288), np.float32(0.9183), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8524), np.float32(nan), np.float32(0.9121), np.float32(nan), np.float32(0.862), np.float32(0.0), np.float32(0.8423), np.float32(0.0), np.float32(0.8492), np.float32(0.0), np.float32(0.759), np.float32(0.0103), np.float32(0.5316), np.float32(0.8399), np.float32(0.9207), np.float32(0.88), np.float32(0.7221), np.float32(0.7314), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7751), np.float32(0.0), np.float32(0.0), np.float32(0.9313), np.float32(0.0), np.float32(0.7102), np.float32(0.0), np.float32(0.2756), np.float32(0.31), np.float32(0.8446), np.float32(0.8337), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6863), np.float32(0.0), np.float32(0.4028), np.float32(0.0), np.float32(0.613), np.float32(1e-04), np.float32(0.6844), np.float32(0.7668), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:49:48.621021: Epoch time: 126.74 s +2026-02-21 16:49:49.516618: +2026-02-21 16:49:49.519524: Epoch 142 +2026-02-21 16:49:49.520319: Current learning rate: 0.00871 +2026-02-21 16:51:51.102874: train_loss -0.0174 +2026-02-21 16:51:51.106009: val_loss -0.0345 +2026-02-21 16:51:51.107290: Pseudo dice [np.float32(0.9365), np.float32(0.9151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.861), np.float32(nan), np.float32(0.9431), np.float32(nan), np.float32(0.9174), np.float32(0.052), np.float32(0.8106), np.float32(0.0), np.float32(0.8357), np.float32(0.0), np.float32(0.7909), np.float32(0.0014), np.float32(0.584), np.float32(0.8588), np.float32(0.9313), np.float32(0.8886), np.float32(0.7773), np.float32(0.7666), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7763), np.float32(0.0), np.float32(0.0), np.float32(0.8898), np.float32(0.0), np.float32(0.8306), np.float32(0.0), np.float32(0.3386), np.float32(0.3179), np.float32(0.8613), np.float32(0.8552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8214), np.float32(0.0), np.float32(0.2546), np.float32(0.0242), np.float32(0.5569), np.float32(0.0), np.float32(0.7085), np.float32(0.7801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:51:51.108279: Epoch time: 121.59 s +2026-02-21 16:51:52.003320: +2026-02-21 16:51:52.007785: Epoch 143 +2026-02-21 16:51:52.008831: Current learning rate: 0.0087 +2026-02-21 16:53:47.776263: train_loss 0.0198 +2026-02-21 16:53:47.780536: val_loss -0.0049 +2026-02-21 16:53:47.781656: Pseudo dice [np.float32(0.8957), np.float32(0.8841), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8548), np.float32(nan), np.float32(0.9037), np.float32(nan), np.float32(0.9137), np.float32(0.0), np.float32(0.8262), np.float32(nan), np.float32(0.813), np.float32(0.0), np.float32(0.7647), np.float32(0.0), np.float32(0.534), np.float32(0.8343), np.float32(0.897), np.float32(0.8594), np.float32(0.7376), np.float32(0.7249), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7396), np.float32(0.0), np.float32(0.0), np.float32(0.88), np.float32(0.0), np.float32(0.7825), np.float32(0.0), np.float32(0.3164), np.float32(0.2777), np.float32(0.9053), np.float32(0.9041), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6895), np.float32(1e-04), np.float32(0.6777), np.float32(0.4135), np.float32(0.5462), np.float32(0.3439), np.float32(0.6859), np.float32(0.7653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:53:47.782965: Epoch time: 115.78 s +2026-02-21 16:53:48.672937: +2026-02-21 16:53:48.673884: Epoch 144 +2026-02-21 16:53:48.674686: Current learning rate: 0.00869 +2026-02-21 16:55:55.771861: train_loss 0.0191 +2026-02-21 16:55:55.775185: val_loss -0.0037 +2026-02-21 16:55:55.776201: Pseudo dice [np.float32(0.9324), np.float32(0.9194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8745), np.float32(nan), np.float32(0.9184), np.float32(nan), np.float32(0.9133), np.float32(0.0), np.float32(0.8204), np.float32(nan), np.float32(0.831), np.float32(0.0), np.float32(0.7746), np.float32(0.0), np.float32(0.5595), np.float32(0.8146), np.float32(0.8765), np.float32(0.8514), np.float32(0.7232), np.float32(0.7612), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7935), np.float32(0.0), np.float32(0.0), np.float32(0.9331), np.float32(0.0), np.float32(0.8005), np.float32(0.0), np.float32(0.309), np.float32(0.3326), np.float32(0.9537), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6435), np.float32(0.0), np.float32(0.2717), np.float32(0.0), np.float32(0.0), np.float32(0.5054), np.float32(0.7109), np.float32(0.7839), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:55:55.777212: Epoch time: 127.1 s +2026-02-21 16:55:56.640828: +2026-02-21 16:55:56.642022: Epoch 145 +2026-02-21 16:55:56.642907: Current learning rate: 0.00868 +2026-02-21 16:57:55.268756: train_loss -0.0129 +2026-02-21 16:57:55.272622: val_loss -0.0287 +2026-02-21 16:57:55.273654: Pseudo dice [np.float32(0.9399), np.float32(0.9228), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8563), np.float32(nan), np.float32(0.9102), np.float32(nan), np.float32(0.9204), np.float32(0.0), np.float32(0.8589), np.float32(0.0), np.float32(0.852), np.float32(0.0045), np.float32(0.7979), np.float32(0.0), np.float32(0.6053), np.float32(0.8579), np.float32(0.9261), np.float32(0.8847), np.float32(0.7209), np.float32(0.7859), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.844), np.float32(0.0), np.float32(0.0), np.float32(0.8718), np.float32(0.0082), np.float32(0.8249), np.float32(0.0), np.float32(0.324), np.float32(0.3188), np.float32(0.934), np.float32(0.9364), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7016), np.float32(0.0), np.float32(0.4346), np.float32(0.3039), np.float32(0.0), np.float32(0.6239), np.float32(0.7247), np.float32(0.8015), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 16:57:55.274646: Epoch time: 118.63 s +2026-02-21 16:57:56.142959: +2026-02-21 16:57:56.144029: Epoch 146 +2026-02-21 16:57:56.144832: Current learning rate: 0.00868 +2026-02-21 17:00:02.608305: train_loss -0.0045 +2026-02-21 17:00:02.611753: val_loss 0.0351 +2026-02-21 17:00:02.612775: Pseudo dice [np.float32(0.9005), np.float32(0.9077), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8345), np.float32(nan), np.float32(0.8675), np.float32(nan), np.float32(0.8527), np.float32(0.0), np.float32(0.804), np.float32(nan), np.float32(0.8265), np.float32(0.0), np.float32(0.7563), np.float32(0.0), np.float32(0.5046), np.float32(0.8475), np.float32(0.8626), np.float32(0.8558), np.float32(0.706), np.float32(0.6689), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6902), np.float32(0.0), np.float32(0.0), np.float32(0.888), np.float32(0.0), np.float32(0.7816), np.float32(0.0), np.float32(0.1606), np.float32(0.2358), np.float32(0.8918), np.float32(0.8959), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6008), np.float32(0.0), np.float32(0.0436), np.float32(0.0423), np.float32(0.0), np.float32(0.6273), np.float32(0.6315), np.float32(0.7649), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:00:02.613792: Epoch time: 126.47 s +2026-02-21 17:00:04.658789: +2026-02-21 17:00:04.660385: Epoch 147 +2026-02-21 17:00:04.661459: Current learning rate: 0.00867 +2026-02-21 17:02:19.754699: train_loss 0.021 +2026-02-21 17:02:19.758253: val_loss 0.0278 +2026-02-21 17:02:19.759277: Pseudo dice [np.float32(0.8876), np.float32(0.8786), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8371), np.float32(nan), np.float32(0.8642), np.float32(nan), np.float32(0.8226), np.float32(0.0003), np.float32(0.7405), np.float32(nan), np.float32(0.789), np.float32(0.0), np.float32(0.7688), np.float32(0.0), np.float32(0.5746), np.float32(0.8001), np.float32(0.8935), np.float32(0.8318), np.float32(0.6455), np.float32(0.6866), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6188), np.float32(0.0), np.float32(0.0), np.float32(0.8686), np.float32(1e-04), np.float32(0.7392), np.float32(0.0), np.float32(0.242), np.float32(0.2969), np.float32(0.9243), np.float32(0.8797), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6152), np.float32(0.042), np.float32(0.1772), np.float32(0.1913), np.float32(0.5141), np.float32(0.0), np.float32(0.6502), np.float32(0.7688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:02:19.760392: Epoch time: 135.1 s +2026-02-21 17:02:20.638450: +2026-02-21 17:02:20.639618: Epoch 148 +2026-02-21 17:02:20.640417: Current learning rate: 0.00866 +2026-02-21 17:04:33.072083: train_loss -0.0019 +2026-02-21 17:04:33.080141: val_loss -0.0331 +2026-02-21 17:04:33.081222: Pseudo dice [np.float32(0.9273), np.float32(0.9218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8442), np.float32(nan), np.float32(0.9499), np.float32(nan), np.float32(0.8853), np.float32(0.0), np.float32(0.8336), np.float32(0.0), np.float32(0.8526), np.float32(0.0061), np.float32(0.7754), np.float32(0.0), np.float32(0.573), np.float32(0.8208), np.float32(0.9237), np.float32(0.8989), np.float32(0.7369), np.float32(0.7794), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8747), np.float32(0.0), np.float32(0.0), np.float32(0.9167), np.float32(0.0), np.float32(0.7991), np.float32(0.0), np.float32(0.3869), np.float32(0.2424), np.float32(0.8577), np.float32(0.891), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7232), np.float32(0.0017), np.float32(0.0488), np.float32(0.0352), np.float32(0.0), np.float32(0.5103), np.float32(0.6989), np.float32(0.8161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:04:33.082140: Epoch time: 132.44 s +2026-02-21 17:04:33.935667: +2026-02-21 17:04:33.937480: Epoch 149 +2026-02-21 17:04:33.938278: Current learning rate: 0.00865 +2026-02-21 17:06:25.834411: train_loss 0.0151 +2026-02-21 17:06:25.837771: val_loss -0.0282 +2026-02-21 17:06:25.838804: Pseudo dice [np.float32(0.9336), np.float32(0.9371), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8075), np.float32(nan), np.float32(0.935), np.float32(nan), np.float32(0.9414), np.float32(0.0), np.float32(0.8346), np.float32(nan), np.float32(0.8176), np.float32(0.0002), np.float32(0.7863), np.float32(0.0), np.float32(0.5639), np.float32(0.8497), np.float32(0.9043), np.float32(0.8892), np.float32(0.7168), np.float32(0.7696), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7191), np.float32(0.0), np.float32(0.0), np.float32(0.8806), np.float32(0.0), np.float32(0.7504), np.float32(0.0), np.float32(0.2805), np.float32(0.2829), np.float32(0.8985), np.float32(0.9228), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7006), np.float32(0.0), np.float32(0.0172), np.float32(0.0), np.float32(0.0), np.float32(0.5923), np.float32(0.6776), np.float32(0.7714), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:06:25.839793: Epoch time: 111.9 s +2026-02-21 17:06:27.494701: +2026-02-21 17:06:27.496468: Epoch 150 +2026-02-21 17:06:27.497258: Current learning rate: 0.00864 +2026-02-21 17:08:23.451586: train_loss -0.0013 +2026-02-21 17:08:23.455058: val_loss -0.003 +2026-02-21 17:08:23.456076: Pseudo dice [np.float32(0.9352), np.float32(0.9316), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8541), np.float32(nan), np.float32(0.9132), np.float32(nan), np.float32(0.9191), np.float32(0.0), np.float32(0.8166), np.float32(nan), np.float32(0.8261), np.float32(0.0868), np.float32(0.7523), np.float32(0.0), np.float32(0.5842), np.float32(0.8351), np.float32(0.9064), np.float32(0.8809), np.float32(0.742), np.float32(0.7353), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.6882), np.float32(0.0), np.float32(0.0), np.float32(0.8193), np.float32(0.0), np.float32(0.8057), np.float32(0.0), np.float32(0.2895), np.float32(0.2361), np.float32(0.9186), np.float32(0.9135), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7422), np.float32(0.0216), np.float32(0.7937), np.float32(0.4728), np.float32(0.7209), np.float32(0.0), np.float32(0.6673), np.float32(0.7706), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:08:23.457191: Epoch time: 115.96 s +2026-02-21 17:08:23.458040: Yayy! New best EMA pseudo Dice: 0.4959999918937683 +2026-02-21 17:08:25.108764: +2026-02-21 17:08:25.112013: Epoch 151 +2026-02-21 17:08:25.112807: Current learning rate: 0.00863 +2026-02-21 17:10:07.885236: train_loss -0.0076 +2026-02-21 17:10:07.889189: val_loss -0.0166 +2026-02-21 17:10:07.890376: Pseudo dice [np.float32(0.9466), np.float32(0.9492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8327), np.float32(nan), np.float32(0.9269), np.float32(nan), np.float32(0.8746), np.float32(0.0), np.float32(0.8326), np.float32(nan), np.float32(0.8435), np.float32(0.0932), np.float32(0.7745), np.float32(0.0), np.float32(0.5696), np.float32(0.8631), np.float32(0.9238), np.float32(0.8917), np.float32(0.6292), np.float32(0.635), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7794), np.float32(0.0), np.float32(0.0), np.float32(0.8656), np.float32(0.0), np.float32(0.7596), np.float32(0.0), np.float32(0.2937), np.float32(0.2261), np.float32(0.8138), np.float32(0.8648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7731), np.float32(0.0073), np.float32(1e-04), np.float32(0.0), np.float32(0.5184), np.float32(0.0), np.float32(0.7161), np.float32(0.7914), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:10:07.891196: Epoch time: 102.78 s +2026-02-21 17:10:08.761901: +2026-02-21 17:10:08.762990: Epoch 152 +2026-02-21 17:10:08.763784: Current learning rate: 0.00862 +2026-02-21 17:11:51.129009: train_loss -0.0213 +2026-02-21 17:11:51.134570: val_loss -0.0197 +2026-02-21 17:11:51.136649: Pseudo dice [np.float32(0.9138), np.float32(0.9298), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8563), np.float32(nan), np.float32(0.9005), np.float32(nan), np.float32(0.8585), np.float32(0.0), np.float32(0.8549), np.float32(nan), np.float32(0.8694), np.float32(0.0025), np.float32(0.7897), np.float32(0.0), np.float32(0.5181), np.float32(0.8551), np.float32(0.9068), np.float32(0.8707), np.float32(0.7297), np.float32(0.7341), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7078), np.float32(0.0), np.float32(0.0), np.float32(0.8731), np.float32(0.0), np.float32(0.7948), np.float32(0.0), np.float32(0.3086), np.float32(0.292), np.float32(0.8091), np.float32(0.845), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6617), np.float32(0.4279), np.float32(0.5034), np.float32(0.0501), np.float32(0.4834), np.float32(0.3751), np.float32(0.7212), np.float32(0.7819), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:11:51.137599: Epoch time: 102.37 s +2026-02-21 17:11:51.138302: Yayy! New best EMA pseudo Dice: 0.4975000023841858 +2026-02-21 17:11:52.818839: +2026-02-21 17:11:52.820415: Epoch 153 +2026-02-21 17:11:52.821221: Current learning rate: 0.00861 +2026-02-21 17:13:43.413772: train_loss -0.0317 +2026-02-21 17:13:43.417792: val_loss 0.0074 +2026-02-21 17:13:43.419318: Pseudo dice [np.float32(0.912), np.float32(0.9261), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8372), np.float32(nan), np.float32(0.9092), np.float32(nan), np.float32(0.8888), np.float32(0.0), np.float32(0.7934), np.float32(nan), np.float32(0.8268), np.float32(1e-04), np.float32(0.7675), np.float32(0.0), np.float32(0.4422), np.float32(0.8212), np.float32(0.8864), np.float32(0.8541), np.float32(0.6551), np.float32(0.7076), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7191), np.float32(0.0), np.float32(0.0), np.float32(0.879), np.float32(0.0), np.float32(0.7475), np.float32(0.0), np.float32(0.2349), np.float32(0.2799), np.float32(0.8923), np.float32(0.9203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6707), np.float32(0.0079), np.float32(0.1543), np.float32(0.0033), np.float32(0.0), np.float32(0.6611), np.float32(0.6801), np.float32(0.7616), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:13:43.420321: Epoch time: 110.6 s +2026-02-21 17:13:44.321565: +2026-02-21 17:13:44.322852: Epoch 154 +2026-02-21 17:13:44.323674: Current learning rate: 0.0086 +2026-02-21 17:15:33.631938: train_loss 0.0071 +2026-02-21 17:15:33.635822: val_loss -0.0054 +2026-02-21 17:15:33.636991: Pseudo dice [np.float32(0.8923), np.float32(0.9307), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8319), np.float32(nan), np.float32(0.9201), np.float32(nan), np.float32(0.8743), np.float32(0.0), np.float32(0.8317), np.float32(nan), np.float32(0.8371), np.float32(0.0), np.float32(0.7568), np.float32(0.0), np.float32(0.5241), np.float32(0.7984), np.float32(0.9188), np.float32(0.8713), np.float32(0.7381), np.float32(0.6586), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8383), np.float32(0.0), np.float32(0.0), np.float32(0.8838), np.float32(0.0002), np.float32(0.7686), np.float32(0.0), np.float32(0.4071), np.float32(0.2952), np.float32(0.8892), np.float32(0.9244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6662), np.float32(0.0), np.float32(0.2741), np.float32(0.1281), np.float32(0.008), np.float32(0.6172), np.float32(0.6722), np.float32(0.7946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:15:33.637994: Epoch time: 109.31 s +2026-02-21 17:15:34.543218: +2026-02-21 17:15:34.544274: Epoch 155 +2026-02-21 17:15:34.545075: Current learning rate: 0.00859 +2026-02-21 17:17:30.111581: train_loss -0.0065 +2026-02-21 17:17:30.114935: val_loss 0.0087 +2026-02-21 17:17:30.115954: Pseudo dice [np.float32(0.9398), np.float32(0.9103), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.844), np.float32(nan), np.float32(0.9067), np.float32(nan), np.float32(0.8549), np.float32(nan), np.float32(0.8242), np.float32(nan), np.float32(0.816), np.float32(0.1862), np.float32(0.7661), np.float32(0.1202), np.float32(0.5763), np.float32(0.8267), np.float32(0.8928), np.float32(0.8662), np.float32(0.7136), np.float32(0.7158), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7822), np.float32(0.0), np.float32(0.0), np.float32(0.8792), np.float32(0.0616), np.float32(0.7859), np.float32(0.0), np.float32(0.2947), np.float32(0.2196), np.float32(0.8876), np.float32(0.903), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.59), np.float32(0.0007), np.float32(0.5793), np.float32(0.3665), np.float32(0.0), np.float32(0.5066), np.float32(0.7122), np.float32(0.7794), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:17:30.116964: Epoch time: 115.57 s +2026-02-21 17:17:30.117673: Yayy! New best EMA pseudo Dice: 0.4997999966144562 +2026-02-21 17:17:31.802794: +2026-02-21 17:17:31.804228: Epoch 156 +2026-02-21 17:17:31.805046: Current learning rate: 0.00858 +2026-02-21 17:19:21.341501: train_loss -0.0083 +2026-02-21 17:19:21.370110: val_loss -0.0251 +2026-02-21 17:19:21.372033: Pseudo dice [np.float32(0.9228), np.float32(0.9161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8524), np.float32(nan), np.float32(0.937), np.float32(nan), np.float32(0.8247), np.float32(0.0), np.float32(0.8274), np.float32(nan), np.float32(0.8326), np.float32(0.0084), np.float32(0.7861), np.float32(0.0), np.float32(0.5259), np.float32(0.8522), np.float32(0.9077), np.float32(0.8441), np.float32(0.7339), np.float32(0.7305), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7777), np.float32(0.0), np.float32(0.0), np.float32(0.9168), np.float32(0.0), np.float32(0.7865), np.float32(0.0), np.float32(0.2416), np.float32(0.2053), np.float32(0.8698), np.float32(0.8801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7782), np.float32(0.0755), np.float32(0.024), np.float32(0.2187), np.float32(0.684), np.float32(0.0), np.float32(0.7429), np.float32(0.8052), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:19:21.373038: Epoch time: 109.54 s +2026-02-21 17:19:21.373878: Yayy! New best EMA pseudo Dice: 0.4999000132083893 +2026-02-21 17:19:23.107315: +2026-02-21 17:19:23.111840: Epoch 157 +2026-02-21 17:19:23.112936: Current learning rate: 0.00858 +2026-02-21 17:21:16.291147: train_loss -0.0079 +2026-02-21 17:21:16.294671: val_loss -0.0201 +2026-02-21 17:21:16.295729: Pseudo dice [np.float32(0.9387), np.float32(0.9295), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8638), np.float32(nan), np.float32(0.931), np.float32(nan), np.float32(0.8585), np.float32(0.0), np.float32(0.8494), np.float32(nan), np.float32(0.8823), np.float32(0.1835), np.float32(0.8033), np.float32(0.0), np.float32(0.6168), np.float32(0.8507), np.float32(0.9032), np.float32(0.8636), np.float32(0.7003), np.float32(0.7295), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.852), np.float32(0.0), np.float32(0.0), np.float32(0.8614), np.float32(0.0), np.float32(0.733), np.float32(0.0), np.float32(0.2895), np.float32(0.2546), np.float32(0.9441), np.float32(0.944), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5685), np.float32(0.0043), np.float32(0.0302), np.float32(0.0), np.float32(0.6708), np.float32(0.0), np.float32(0.7121), np.float32(0.7963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:21:16.297358: Epoch time: 113.19 s +2026-02-21 17:21:16.298162: Yayy! New best EMA pseudo Dice: 0.5 +2026-02-21 17:21:17.989906: +2026-02-21 17:21:17.991064: Epoch 158 +2026-02-21 17:21:17.991877: Current learning rate: 0.00857 +2026-02-21 17:23:03.636369: train_loss -0.0069 +2026-02-21 17:23:03.646043: val_loss -0.0279 +2026-02-21 17:23:03.647061: Pseudo dice [np.float32(0.9199), np.float32(0.9218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.85), np.float32(nan), np.float32(0.9217), np.float32(nan), np.float32(0.8939), np.float32(0.0), np.float32(0.8716), np.float32(0.0), np.float32(0.8748), np.float32(0.0), np.float32(0.7626), np.float32(0.0), np.float32(0.5898), np.float32(0.8341), np.float32(0.9185), np.float32(0.8696), np.float32(0.7186), np.float32(0.7401), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7156), np.float32(0.0), np.float32(0.0), np.float32(0.9005), np.float32(0.0), np.float32(0.772), np.float32(0.0), np.float32(0.2564), np.float32(0.265), np.float32(0.8038), np.float32(0.9062), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.3579), np.float32(0.0008), np.float32(0.1879), np.float32(0.0002), np.float32(0.5223), np.float32(0.0), np.float32(0.6987), np.float32(0.7729), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:23:03.647816: Epoch time: 105.65 s +2026-02-21 17:23:04.521706: +2026-02-21 17:23:04.522854: Epoch 159 +2026-02-21 17:23:04.523684: Current learning rate: 0.00856 +2026-02-21 17:24:58.035253: train_loss -0.0214 +2026-02-21 17:24:58.039166: val_loss -0.0303 +2026-02-21 17:24:58.040431: Pseudo dice [np.float32(0.9499), np.float32(0.9079), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.857), np.float32(nan), np.float32(0.9217), np.float32(nan), np.float32(0.8661), np.float32(0.0), np.float32(0.8162), np.float32(0.0), np.float32(0.8212), np.float32(0.1008), np.float32(0.7695), np.float32(0.083), np.float32(0.52), np.float32(0.8529), np.float32(0.9081), np.float32(0.8906), np.float32(0.7221), np.float32(0.7225), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.74), np.float32(0.0), np.float32(0.0), np.float32(0.9103), np.float32(0.0), np.float32(0.7839), np.float32(0.0), np.float32(0.2418), np.float32(0.2948), np.float32(0.9297), np.float32(0.9389), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.734), np.float32(0.0682), np.float32(0.3745), np.float32(0.3024), np.float32(0.5804), np.float32(0.0), np.float32(0.6982), np.float32(0.758), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:24:58.041414: Epoch time: 113.52 s +2026-02-21 17:24:58.910669: +2026-02-21 17:24:58.913396: Epoch 160 +2026-02-21 17:24:58.914193: Current learning rate: 0.00855 +2026-02-21 17:26:52.487355: train_loss -0.0099 +2026-02-21 17:26:52.491785: val_loss -0.0125 +2026-02-21 17:26:52.493908: Pseudo dice [np.float32(0.8917), np.float32(0.9121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8275), np.float32(nan), np.float32(0.9063), np.float32(nan), np.float32(0.9451), np.float32(0.0), np.float32(0.8487), np.float32(0.0), np.float32(0.8712), np.float32(0.0338), np.float32(0.7683), np.float32(0.003), np.float32(0.5432), np.float32(0.8094), np.float32(0.9158), np.float32(0.872), np.float32(0.748), np.float32(0.7711), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8119), np.float32(0.0), np.float32(0.0), np.float32(0.8217), np.float32(0.0172), np.float32(0.7032), np.float32(0.0), np.float32(0.377), np.float32(0.3262), np.float32(0.9433), np.float32(0.9376), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7335), np.float32(0.0516), np.float32(0.1896), np.float32(0.0), np.float32(0.56), np.float32(0.0), np.float32(0.7015), np.float32(0.8003), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:26:52.494853: Epoch time: 113.58 s +2026-02-21 17:26:53.368972: +2026-02-21 17:26:53.371228: Epoch 161 +2026-02-21 17:26:53.372960: Current learning rate: 0.00854 +2026-02-21 17:28:56.455577: train_loss -0.0121 +2026-02-21 17:28:56.459742: val_loss -0.0171 +2026-02-21 17:28:56.461015: Pseudo dice [np.float32(0.9525), np.float32(0.8875), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8321), np.float32(nan), np.float32(0.9359), np.float32(nan), np.float32(0.8755), np.float32(0.0), np.float32(0.8409), np.float32(nan), np.float32(0.8598), np.float32(0.0), np.float32(0.7781), np.float32(0.0), np.float32(0.5628), np.float32(0.8226), np.float32(0.9008), np.float32(0.8804), np.float32(0.7217), np.float32(0.6997), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7099), np.float32(0.0), np.float32(0.0), np.float32(0.9343), np.float32(0.0), np.float32(0.7178), np.float32(0.0), np.float32(0.3232), np.float32(0.2691), np.float32(0.9064), np.float32(0.9283), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6654), np.float32(0.1539), np.float32(0.6675), np.float32(0.1162), np.float32(0.6294), np.float32(0.0565), np.float32(0.7304), np.float32(0.793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:28:56.462044: Epoch time: 123.09 s +2026-02-21 17:28:57.334525: +2026-02-21 17:28:57.335755: Epoch 162 +2026-02-21 17:28:57.336563: Current learning rate: 0.00853 +2026-02-21 17:30:43.325073: train_loss -0.023 +2026-02-21 17:30:43.328722: val_loss -0.0381 +2026-02-21 17:30:43.329823: Pseudo dice [np.float32(0.9352), np.float32(0.9494), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8476), np.float32(nan), np.float32(0.9281), np.float32(nan), np.float32(0.8523), np.float32(0.0), np.float32(0.8538), np.float32(nan), np.float32(0.8562), np.float32(0.0171), np.float32(0.8065), np.float32(0.0), np.float32(0.586), np.float32(0.8773), np.float32(0.9201), np.float32(0.9002), np.float32(0.7952), np.float32(0.7556), np.float32(0.0), np.float32(0.0), np.float32(nan), np.float32(0.8502), np.float32(0.0), np.float32(0.0), np.float32(0.8537), np.float32(0.0054), np.float32(0.8168), np.float32(0.0), np.float32(0.3487), np.float32(0.3246), np.float32(0.9007), np.float32(0.9332), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7754), np.float32(0.0003), np.float32(0.3158), np.float32(0.0), np.float32(0.0), np.float32(0.4339), np.float32(0.7382), np.float32(0.7738), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:30:43.330738: Epoch time: 105.99 s +2026-02-21 17:30:43.332075: Yayy! New best EMA pseudo Dice: 0.5015000104904175 +2026-02-21 17:30:44.967773: +2026-02-21 17:30:44.969015: Epoch 163 +2026-02-21 17:30:44.969805: Current learning rate: 0.00852 +2026-02-21 17:32:46.631646: train_loss -0.0101 +2026-02-21 17:32:46.635977: val_loss -0.0 +2026-02-21 17:32:46.640919: Pseudo dice [np.float32(0.9144), np.float32(0.9069), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8614), np.float32(nan), np.float32(0.8823), np.float32(nan), np.float32(0.862), np.float32(0.0242), np.float32(0.844), np.float32(nan), np.float32(0.8487), np.float32(0.1173), np.float32(0.7521), np.float32(0.0), np.float32(0.59), np.float32(0.8311), np.float32(0.9035), np.float32(0.874), np.float32(0.7299), np.float32(0.7779), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7587), np.float32(0.0), np.float32(0.0), np.float32(0.9159), np.float32(0.0005), np.float32(0.8099), np.float32(0.0), np.float32(0.3383), np.float32(0.3246), np.float32(0.9239), np.float32(0.8605), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6621), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6318), np.float32(0.7024), np.float32(0.7686), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:32:46.642053: Epoch time: 121.67 s +2026-02-21 17:32:47.507907: +2026-02-21 17:32:47.511159: Epoch 164 +2026-02-21 17:32:47.512191: Current learning rate: 0.00851 +2026-02-21 17:34:29.697600: train_loss -0.0272 +2026-02-21 17:34:29.700666: val_loss -0.0263 +2026-02-21 17:34:29.701690: Pseudo dice [np.float32(0.9299), np.float32(0.9187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8427), np.float32(nan), np.float32(0.9148), np.float32(nan), np.float32(0.857), np.float32(0.0), np.float32(0.8249), np.float32(nan), np.float32(0.8492), np.float32(0.1525), np.float32(0.775), np.float32(0.0), np.float32(0.5433), np.float32(0.8549), np.float32(0.9123), np.float32(0.87), np.float32(0.7639), np.float32(0.756), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.787), np.float32(0.0), np.float32(0.0), np.float32(0.8966), np.float32(0.0003), np.float32(0.7766), np.float32(0.0), np.float32(0.3244), np.float32(0.3464), np.float32(0.9442), np.float32(0.9634), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7266), np.float32(0.1199), np.float32(0.1433), np.float32(0.0017), np.float32(0.0007), np.float32(0.4943), np.float32(0.7491), np.float32(0.8017), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:34:29.702691: Epoch time: 102.19 s +2026-02-21 17:34:29.703899: Yayy! New best EMA pseudo Dice: 0.5019000172615051 +2026-02-21 17:34:31.397944: +2026-02-21 17:34:31.399256: Epoch 165 +2026-02-21 17:34:31.400062: Current learning rate: 0.0085 +2026-02-21 17:36:32.981075: train_loss -0.0107 +2026-02-21 17:36:32.985039: val_loss -0.0182 +2026-02-21 17:36:32.986062: Pseudo dice [np.float32(0.9199), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8347), np.float32(nan), np.float32(0.8993), np.float32(nan), np.float32(0.89), np.float32(0.0), np.float32(0.83), np.float32(nan), np.float32(0.8405), np.float32(0.0094), np.float32(0.7599), np.float32(0.0947), np.float32(0.5866), np.float32(0.8346), np.float32(0.9139), np.float32(0.8758), np.float32(0.7365), np.float32(0.741), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.663), np.float32(0.0), np.float32(0.0), np.float32(0.9324), np.float32(1e-04), np.float32(0.7606), np.float32(0.0), np.float32(0.3048), np.float32(0.277), np.float32(0.9249), np.float32(0.8658), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8506), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7036), np.float32(0.0402), np.float32(0.7236), np.float32(0.7774), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:36:32.987067: Epoch time: 121.59 s +2026-02-21 17:36:33.850924: +2026-02-21 17:36:33.852554: Epoch 166 +2026-02-21 17:36:33.853382: Current learning rate: 0.00849 +2026-02-21 17:38:23.612976: train_loss 0.0064 +2026-02-21 17:38:23.617393: val_loss 0.0105 +2026-02-21 17:38:23.618413: Pseudo dice [np.float32(0.9), np.float32(0.8366), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8534), np.float32(nan), np.float32(0.9191), np.float32(nan), np.float32(0.7696), np.float32(0.0), np.float32(0.8198), np.float32(nan), np.float32(0.8258), np.float32(0.0727), np.float32(0.7955), np.float32(0.0152), np.float32(0.5728), np.float32(0.8256), np.float32(0.8975), np.float32(0.8561), np.float32(0.7257), np.float32(0.7517), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8062), np.float32(0.0), np.float32(0.0), np.float32(0.861), np.float32(0.0), np.float32(0.7891), np.float32(0.0), np.float32(0.3007), np.float32(0.2866), np.float32(0.791), np.float32(0.8331), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7544), np.float32(0.0), np.float32(0.1362), np.float32(0.0), np.float32(0.7346), np.float32(0.0), np.float32(0.6768), np.float32(0.7564), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:38:23.619420: Epoch time: 109.76 s +2026-02-21 17:38:25.821047: +2026-02-21 17:38:25.822869: Epoch 167 +2026-02-21 17:38:25.823673: Current learning rate: 0.00848 +2026-02-21 17:40:13.879692: train_loss -0.0032 +2026-02-21 17:40:13.884785: val_loss -0.0411 +2026-02-21 17:40:13.885814: Pseudo dice [np.float32(0.9402), np.float32(0.944), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8692), np.float32(nan), np.float32(0.93), np.float32(nan), np.float32(0.9077), np.float32(0.0), np.float32(0.8149), np.float32(nan), np.float32(0.8058), np.float32(0.0159), np.float32(0.8253), np.float32(0.0029), np.float32(0.5041), np.float32(0.8672), np.float32(0.9248), np.float32(0.8885), np.float32(0.7517), np.float32(0.7451), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7923), np.float32(0.0), np.float32(0.0), np.float32(0.9184), np.float32(0.0), np.float32(0.8433), np.float32(0.0), np.float32(0.2904), np.float32(0.3313), np.float32(0.9076), np.float32(0.9162), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6702), np.float32(0.2694), np.float32(0.2489), np.float32(0.0), np.float32(0.8099), np.float32(0.0), np.float32(0.6956), np.float32(0.7954), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:40:13.886810: Epoch time: 108.06 s +2026-02-21 17:40:13.888263: Yayy! New best EMA pseudo Dice: 0.5026000142097473 +2026-02-21 17:40:15.562201: +2026-02-21 17:40:15.563478: Epoch 168 +2026-02-21 17:40:15.564274: Current learning rate: 0.00847 +2026-02-21 17:42:04.880929: train_loss -0.0184 +2026-02-21 17:42:04.886560: val_loss 0.0174 +2026-02-21 17:42:04.887828: Pseudo dice [np.float32(0.845), np.float32(0.8669), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.868), np.float32(nan), np.float32(0.8633), np.float32(nan), np.float32(0.8485), np.float32(0.0), np.float32(0.8365), np.float32(nan), np.float32(0.7917), np.float32(0.059), np.float32(0.7194), np.float32(0.0051), np.float32(0.5178), np.float32(0.8509), np.float32(0.8857), np.float32(0.8547), np.float32(0.7324), np.float32(0.695), np.float32(0.0), np.float32(1e-04), np.float32(0.0), np.float32(0.706), np.float32(1e-04), np.float32(0.0), np.float32(0.8647), np.float32(0.0), np.float32(0.8239), np.float32(0.0), np.float32(0.2405), np.float32(0.2813), np.float32(0.9341), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6004), np.float32(0.3276), np.float32(0.2279), np.float32(0.184), np.float32(0.7312), np.float32(0.0), np.float32(0.7163), np.float32(0.7682), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:42:04.888864: Epoch time: 109.32 s +2026-02-21 17:42:05.762491: +2026-02-21 17:42:05.765562: Epoch 169 +2026-02-21 17:42:05.767686: Current learning rate: 0.00847 +2026-02-21 17:43:56.112043: train_loss -0.0232 +2026-02-21 17:43:56.115815: val_loss -0.0217 +2026-02-21 17:43:56.116856: Pseudo dice [np.float32(0.9369), np.float32(0.9359), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8663), np.float32(nan), np.float32(0.9061), np.float32(nan), np.float32(0.8423), np.float32(0.0), np.float32(0.7966), np.float32(nan), np.float32(0.8728), np.float32(0.2871), np.float32(0.8106), np.float32(0.0489), np.float32(0.567), np.float32(0.8303), np.float32(0.9087), np.float32(0.8949), np.float32(0.7575), np.float32(0.7485), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.806), np.float32(0.0), np.float32(0.0), np.float32(0.8395), np.float32(0.0542), np.float32(0.7875), np.float32(0.0), np.float32(0.3424), np.float32(0.3165), np.float32(0.7996), np.float32(0.8365), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6749), np.float32(0.0309), np.float32(0.3305), np.float32(0.3391), np.float32(0.0), np.float32(0.455), np.float32(0.7494), np.float32(0.7941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:43:56.117856: Epoch time: 110.35 s +2026-02-21 17:43:56.118805: Yayy! New best EMA pseudo Dice: 0.5040000081062317 +2026-02-21 17:43:57.827391: +2026-02-21 17:43:57.828706: Epoch 170 +2026-02-21 17:43:57.829532: Current learning rate: 0.00846 +2026-02-21 17:46:01.424798: train_loss -0.0258 +2026-02-21 17:46:01.429477: val_loss -0.0469 +2026-02-21 17:46:01.430524: Pseudo dice [np.float32(0.9592), np.float32(0.9663), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8436), np.float32(nan), np.float32(0.9442), np.float32(nan), np.float32(0.9503), np.float32(0.0), np.float32(0.8515), np.float32(nan), np.float32(0.8687), np.float32(0.0623), np.float32(0.8047), np.float32(0.0032), np.float32(0.5921), np.float32(0.8421), np.float32(0.9234), np.float32(0.8576), np.float32(0.6979), np.float32(0.7313), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7905), np.float32(0.0), np.float32(0.0), np.float32(0.8983), np.float32(0.0), np.float32(0.8047), np.float32(0.0), np.float32(0.3783), np.float32(0.2603), np.float32(0.8606), np.float32(0.8981), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6261), np.float32(0.0), np.float32(0.5074), np.float32(1e-04), np.float32(0.5096), np.float32(0.551), np.float32(0.726), np.float32(0.7954), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:46:01.431734: Epoch time: 123.6 s +2026-02-21 17:46:01.432461: Yayy! New best EMA pseudo Dice: 0.5062000155448914 +2026-02-21 17:46:03.137584: +2026-02-21 17:46:03.139022: Epoch 171 +2026-02-21 17:46:03.139835: Current learning rate: 0.00845 +2026-02-21 17:48:06.894832: train_loss -0.0103 +2026-02-21 17:48:06.898227: val_loss -0.0226 +2026-02-21 17:48:06.899636: Pseudo dice [np.float32(0.9256), np.float32(0.8944), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8571), np.float32(nan), np.float32(0.9202), np.float32(nan), np.float32(0.8293), np.float32(0.0), np.float32(0.8349), np.float32(nan), np.float32(0.8602), np.float32(0.0503), np.float32(0.7949), np.float32(0.0003), np.float32(0.5014), np.float32(0.8497), np.float32(0.907), np.float32(0.8541), np.float32(0.7454), np.float32(0.7114), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7032), np.float32(0.0), np.float32(0.0), np.float32(0.9225), np.float32(0.1429), np.float32(0.7573), np.float32(0.0), np.float32(0.2703), np.float32(0.3255), np.float32(0.9059), np.float32(0.9123), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6352), np.float32(0.1434), np.float32(0.5102), np.float32(0.1862), np.float32(0.5418), np.float32(0.0008), np.float32(0.7227), np.float32(0.7859), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:48:06.900620: Epoch time: 123.76 s +2026-02-21 17:48:06.901324: Yayy! New best EMA pseudo Dice: 0.5069000124931335 +2026-02-21 17:48:08.648048: +2026-02-21 17:48:08.649177: Epoch 172 +2026-02-21 17:48:08.650004: Current learning rate: 0.00844 +2026-02-21 17:50:03.660431: train_loss -0.0087 +2026-02-21 17:50:03.664118: val_loss -0.0288 +2026-02-21 17:50:03.665156: Pseudo dice [np.float32(0.9195), np.float32(0.9394), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8593), np.float32(nan), np.float32(0.9087), np.float32(nan), np.float32(0.9197), np.float32(0.0), np.float32(0.8351), np.float32(nan), np.float32(0.8711), np.float32(0.038), np.float32(0.7719), np.float32(0.2969), np.float32(0.6009), np.float32(0.87), np.float32(0.9234), np.float32(0.8863), np.float32(0.784), np.float32(0.7831), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7899), np.float32(0.0), np.float32(0.0), np.float32(0.9289), np.float32(0.0133), np.float32(0.8085), np.float32(0.0), np.float32(0.2643), np.float32(0.3275), np.float32(0.8946), np.float32(0.8509), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6851), np.float32(0.0536), np.float32(0.0952), np.float32(0.0), np.float32(0.0), np.float32(0.7463), np.float32(0.7047), np.float32(0.7973), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:50:03.666151: Epoch time: 115.01 s +2026-02-21 17:50:03.666878: Yayy! New best EMA pseudo Dice: 0.5078999996185303 +2026-02-21 17:50:05.399101: +2026-02-21 17:50:05.400862: Epoch 173 +2026-02-21 17:50:05.401682: Current learning rate: 0.00843 +2026-02-21 17:51:59.868144: train_loss -0.0171 +2026-02-21 17:51:59.871938: val_loss -0.0417 +2026-02-21 17:51:59.873466: Pseudo dice [np.float32(0.9289), np.float32(0.9177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8688), np.float32(nan), np.float32(0.9294), np.float32(nan), np.float32(0.8574), np.float32(0.0), np.float32(0.8407), np.float32(nan), np.float32(0.8927), np.float32(0.2309), np.float32(0.7973), np.float32(0.1052), np.float32(0.6057), np.float32(0.8659), np.float32(0.9036), np.float32(0.8875), np.float32(0.7289), np.float32(0.7628), np.float32(0.0), np.float32(0.0004), np.float32(0.0), np.float32(0.8279), np.float32(0.0), np.float32(0.0), np.float32(0.9015), np.float32(0.0208), np.float32(0.7874), np.float32(0.0), np.float32(0.3118), np.float32(0.3505), np.float32(0.9264), np.float32(0.8927), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7491), np.float32(0.0), np.float32(0.2482), np.float32(0.0627), np.float32(0.0), np.float32(0.7749), np.float32(0.7142), np.float32(0.7872), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:51:59.874472: Epoch time: 114.47 s +2026-02-21 17:51:59.876428: Yayy! New best EMA pseudo Dice: 0.5095999836921692 +2026-02-21 17:52:01.601887: +2026-02-21 17:52:01.603245: Epoch 174 +2026-02-21 17:52:01.604052: Current learning rate: 0.00842 +2026-02-21 17:53:49.304327: train_loss -0.03 +2026-02-21 17:53:49.310935: val_loss -0.0186 +2026-02-21 17:53:49.312220: Pseudo dice [np.float32(0.9353), np.float32(0.9517), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8773), np.float32(nan), np.float32(0.9192), np.float32(nan), np.float32(0.8629), np.float32(0.0), np.float32(0.8205), np.float32(0.0), np.float32(0.857), np.float32(0.0), np.float32(0.7922), np.float32(0.0), np.float32(0.6103), np.float32(0.8635), np.float32(0.9162), np.float32(0.8744), np.float32(0.7584), np.float32(0.757), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.769), np.float32(0.0), np.float32(0.0), np.float32(0.8982), np.float32(0.0), np.float32(0.8399), np.float32(0.0), np.float32(0.4261), np.float32(0.34), np.float32(0.8818), np.float32(0.858), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.699), np.float32(0.0), np.float32(0.0071), np.float32(0.0), np.float32(0.5823), np.float32(0.0), np.float32(0.7213), np.float32(0.7935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:53:49.313345: Epoch time: 107.7 s +2026-02-21 17:53:50.198724: +2026-02-21 17:53:50.200048: Epoch 175 +2026-02-21 17:53:50.200861: Current learning rate: 0.00841 +2026-02-21 17:55:55.729265: train_loss -0.0249 +2026-02-21 17:55:55.733236: val_loss -0.0296 +2026-02-21 17:55:55.734262: Pseudo dice [np.float32(0.9118), np.float32(0.8999), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8456), np.float32(nan), np.float32(0.9263), np.float32(nan), np.float32(0.9341), np.float32(0.0), np.float32(0.8424), np.float32(nan), np.float32(0.8423), np.float32(0.2681), np.float32(0.8161), np.float32(0.0), np.float32(0.6018), np.float32(0.8741), np.float32(0.8766), np.float32(0.872), np.float32(0.7591), np.float32(0.7709), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8059), np.float32(0.0), np.float32(0.0), np.float32(0.8308), np.float32(0.3665), np.float32(0.8229), np.float32(0.0), np.float32(0.3435), np.float32(0.348), np.float32(0.9567), np.float32(0.9494), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6862), np.float32(0.0039), np.float32(0.182), np.float32(0.3259), np.float32(0.5461), np.float32(0.4722), np.float32(0.7307), np.float32(0.7858), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:55:55.735254: Epoch time: 125.53 s +2026-02-21 17:55:55.735967: Yayy! New best EMA pseudo Dice: 0.5113000273704529 +2026-02-21 17:55:57.470287: +2026-02-21 17:55:57.472327: Epoch 176 +2026-02-21 17:55:57.473129: Current learning rate: 0.0084 +2026-02-21 17:57:54.721121: train_loss -0.0222 +2026-02-21 17:57:54.727179: val_loss -0.0004 +2026-02-21 17:57:54.729343: Pseudo dice [np.float32(0.952), np.float32(0.9048), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.851), np.float32(nan), np.float32(0.9107), np.float32(nan), np.float32(0.9035), np.float32(0.0), np.float32(0.8512), np.float32(0.0), np.float32(0.7777), np.float32(0.3809), np.float32(0.8224), np.float32(0.0003), np.float32(0.5741), np.float32(0.8383), np.float32(0.8945), np.float32(0.8658), np.float32(0.7555), np.float32(0.7086), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7101), np.float32(0.0), np.float32(0.0), np.float32(0.8579), np.float32(1e-04), np.float32(0.8266), np.float32(0.0), np.float32(0.3295), np.float32(0.3074), np.float32(0.917), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7531), np.float32(0.0749), np.float32(0.0023), np.float32(0.0), np.float32(0.0234), np.float32(0.6132), np.float32(0.721), np.float32(0.7946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:57:54.731675: Epoch time: 117.25 s +2026-02-21 17:57:55.598855: +2026-02-21 17:57:55.600693: Epoch 177 +2026-02-21 17:57:55.601834: Current learning rate: 0.00839 +2026-02-21 17:59:46.633918: train_loss 0.0017 +2026-02-21 17:59:46.638705: val_loss -0.0441 +2026-02-21 17:59:46.639797: Pseudo dice [np.float32(0.9141), np.float32(0.9359), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8573), np.float32(nan), np.float32(0.9345), np.float32(nan), np.float32(0.91), np.float32(0.0), np.float32(0.7852), np.float32(nan), np.float32(0.873), np.float32(0.3484), np.float32(0.8184), np.float32(0.2127), np.float32(0.6187), np.float32(0.8471), np.float32(0.8918), np.float32(0.885), np.float32(0.7419), np.float32(0.7524), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8649), np.float32(0.0), np.float32(0.0), np.float32(0.9282), np.float32(0.0), np.float32(0.7967), np.float32(0.0), np.float32(0.3379), np.float32(0.3115), np.float32(0.931), np.float32(0.9179), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5346), np.float32(0.13), np.float32(0.4386), np.float32(0.1891), np.float32(0.5479), np.float32(0.0052), np.float32(0.7313), np.float32(0.8026), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 17:59:46.640801: Epoch time: 111.04 s +2026-02-21 17:59:46.641507: Yayy! New best EMA pseudo Dice: 0.5120999813079834 +2026-02-21 17:59:48.391098: +2026-02-21 17:59:48.398549: Epoch 178 +2026-02-21 17:59:48.399474: Current learning rate: 0.00838 +2026-02-21 18:01:34.531647: train_loss 0.0122 +2026-02-21 18:01:34.535222: val_loss 0.0304 +2026-02-21 18:01:34.536246: Pseudo dice [np.float32(0.8936), np.float32(0.934), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8383), np.float32(nan), np.float32(0.8793), np.float32(nan), np.float32(0.8993), np.float32(0.0297), np.float32(0.8432), np.float32(nan), np.float32(0.8549), np.float32(0.0425), np.float32(0.7718), np.float32(0.0435), np.float32(0.5319), np.float32(0.8639), np.float32(0.8926), np.float32(0.8449), np.float32(0.7247), np.float32(0.6678), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7903), np.float32(0.0), np.float32(0.0), np.float32(0.906), np.float32(0.0), np.float32(0.8515), np.float32(0.0), np.float32(0.256), np.float32(0.2109), np.float32(0.9446), np.float32(0.9226), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7317), np.float32(0.5441), np.float32(0.1326), np.float32(0.5568), np.float32(0.6968), np.float32(0.0), np.float32(0.6677), np.float32(0.7915), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:01:34.537260: Epoch time: 106.14 s +2026-02-21 18:01:34.538373: Yayy! New best EMA pseudo Dice: 0.5135999917984009 +2026-02-21 18:01:36.288640: +2026-02-21 18:01:36.290213: Epoch 179 +2026-02-21 18:01:36.291023: Current learning rate: 0.00837 +2026-02-21 18:03:14.890928: train_loss -0.0097 +2026-02-21 18:03:14.894223: val_loss 0.0101 +2026-02-21 18:03:14.895246: Pseudo dice [np.float32(0.8779), np.float32(0.895), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8496), np.float32(nan), np.float32(0.8853), np.float32(nan), np.float32(0.9032), np.float32(0.0), np.float32(0.808), np.float32(nan), np.float32(0.818), np.float32(0.534), np.float32(0.7957), np.float32(0.0624), np.float32(0.6403), np.float32(0.8207), np.float32(0.8733), np.float32(0.8599), np.float32(0.6967), np.float32(0.6916), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7262), np.float32(0.0), np.float32(0.0), np.float32(0.7985), np.float32(0.0), np.float32(0.7797), np.float32(0.0), np.float32(0.3386), np.float32(0.3372), np.float32(0.8829), np.float32(0.8244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.714), np.float32(0.0879), np.float32(0.353), np.float32(0.4799), np.float32(0.0069), np.float32(0.6088), np.float32(0.7149), np.float32(0.755), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:03:14.896242: Epoch time: 98.6 s +2026-02-21 18:03:14.896950: Yayy! New best EMA pseudo Dice: 0.5145999789237976 +2026-02-21 18:03:16.639277: +2026-02-21 18:03:16.640461: Epoch 180 +2026-02-21 18:03:16.641539: Current learning rate: 0.00836 +2026-02-21 18:05:15.698719: train_loss -0.0018 +2026-02-21 18:05:15.702041: val_loss -0.0277 +2026-02-21 18:05:15.703066: Pseudo dice [np.float32(0.947), np.float32(0.908), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8209), np.float32(nan), np.float32(0.9293), np.float32(nan), np.float32(0.8978), np.float32(0.0), np.float32(0.8509), np.float32(nan), np.float32(0.8174), np.float32(0.3676), np.float32(0.7749), np.float32(0.0859), np.float32(0.5975), np.float32(0.8459), np.float32(0.8924), np.float32(0.8774), np.float32(0.7007), np.float32(0.7558), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8051), np.float32(0.0), np.float32(0.0), np.float32(0.9172), np.float32(0.0), np.float32(0.7742), np.float32(0.0), np.float32(0.2056), np.float32(0.3193), np.float32(0.9486), np.float32(0.9529), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5851), np.float32(0.0666), np.float32(0.4497), np.float32(0.1396), np.float32(0.7746), np.float32(0.0), np.float32(0.6937), np.float32(0.7817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:05:15.704069: Epoch time: 119.06 s +2026-02-21 18:05:15.704775: Yayy! New best EMA pseudo Dice: 0.5156999826431274 +2026-02-21 18:05:17.434967: +2026-02-21 18:05:17.436436: Epoch 181 +2026-02-21 18:05:17.437259: Current learning rate: 0.00836 +2026-02-21 18:07:09.065351: train_loss 0.0235 +2026-02-21 18:07:09.068953: val_loss -0.0276 +2026-02-21 18:07:09.069983: Pseudo dice [np.float32(0.9321), np.float32(0.922), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8205), np.float32(nan), np.float32(0.9418), np.float32(nan), np.float32(0.8104), np.float32(0.0), np.float32(0.8422), np.float32(0.0), np.float32(0.8291), np.float32(0.0443), np.float32(0.7817), np.float32(0.0495), np.float32(0.5791), np.float32(0.8268), np.float32(0.92), np.float32(0.875), np.float32(0.727), np.float32(0.7562), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8509), np.float32(0.0), np.float32(0.0), np.float32(0.9013), np.float32(0.0), np.float32(0.7646), np.float32(0.0), np.float32(0.3517), np.float32(0.3259), np.float32(0.8913), np.float32(0.9228), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5292), np.float32(0.0985), np.float32(0.5928), np.float32(0.4252), np.float32(0.0), np.float32(0.6039), np.float32(0.7287), np.float32(0.7852), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:07:09.071240: Epoch time: 111.63 s +2026-02-21 18:07:09.939921: +2026-02-21 18:07:09.941113: Epoch 182 +2026-02-21 18:07:09.941933: Current learning rate: 0.00835 +2026-02-21 18:09:11.146138: train_loss -0.0071 +2026-02-21 18:09:11.149747: val_loss -0.0116 +2026-02-21 18:09:11.150779: Pseudo dice [np.float32(0.9116), np.float32(0.921), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8536), np.float32(nan), np.float32(0.8952), np.float32(nan), np.float32(0.9063), np.float32(0.0), np.float32(0.8486), np.float32(nan), np.float32(0.8592), np.float32(0.1732), np.float32(0.7797), np.float32(0.0463), np.float32(0.5524), np.float32(0.8505), np.float32(0.9263), np.float32(0.8673), np.float32(0.7677), np.float32(0.741), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6873), np.float32(0.0), np.float32(0.0), np.float32(0.9008), np.float32(0.0059), np.float32(0.8255), np.float32(0.0), np.float32(0.3475), np.float32(0.325), np.float32(0.8801), np.float32(0.8877), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7132), np.float32(0.0091), np.float32(0.4776), np.float32(0.355), np.float32(0.7918), np.float32(0.0), np.float32(0.7275), np.float32(0.7939), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:09:11.151770: Epoch time: 121.21 s +2026-02-21 18:09:11.152723: Yayy! New best EMA pseudo Dice: 0.5166000127792358 +2026-02-21 18:09:12.833717: +2026-02-21 18:09:12.835235: Epoch 183 +2026-02-21 18:09:12.836040: Current learning rate: 0.00834 +2026-02-21 18:10:56.120750: train_loss -0.0157 +2026-02-21 18:10:56.124241: val_loss -0.015 +2026-02-21 18:10:56.125305: Pseudo dice [np.float32(0.9301), np.float32(0.9143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8456), np.float32(nan), np.float32(0.9022), np.float32(nan), np.float32(0.9032), np.float32(0.0), np.float32(0.8261), np.float32(nan), np.float32(0.8026), np.float32(0.1799), np.float32(0.7796), np.float32(0.0035), np.float32(0.5742), np.float32(0.8077), np.float32(0.8856), np.float32(0.8643), np.float32(0.7089), np.float32(0.7087), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7262), np.float32(0.0), np.float32(0.0), np.float32(0.9457), np.float32(0.0), np.float32(0.8088), np.float32(0.0), np.float32(0.2414), np.float32(0.3083), np.float32(0.8449), np.float32(0.9), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7795), np.float32(0.0), np.float32(0.5828), np.float32(0.0741), np.float32(0.0), np.float32(0.7131), np.float32(0.7255), np.float32(0.7838), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:10:56.126271: Epoch time: 103.29 s +2026-02-21 18:10:56.986627: +2026-02-21 18:10:56.987657: Epoch 184 +2026-02-21 18:10:56.988452: Current learning rate: 0.00833 +2026-02-21 18:12:54.980010: train_loss -0.0373 +2026-02-21 18:12:54.983409: val_loss -0.0224 +2026-02-21 18:12:54.984699: Pseudo dice [np.float32(0.9427), np.float32(0.942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8714), np.float32(nan), np.float32(0.9299), np.float32(nan), np.float32(0.9364), np.float32(0.0), np.float32(0.815), np.float32(nan), np.float32(0.8312), np.float32(0.1165), np.float32(0.8127), np.float32(0.0006), np.float32(0.5858), np.float32(0.8435), np.float32(0.8926), np.float32(0.8974), np.float32(0.7498), np.float32(0.7464), np.float32(0.0), np.float32(0.0009), np.float32(0.0), np.float32(0.8004), np.float32(0.0), np.float32(0.0), np.float32(0.8534), np.float32(0.0), np.float32(0.8301), np.float32(0.0), np.float32(0.3921), np.float32(0.3433), np.float32(0.9006), np.float32(0.905), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6936), np.float32(0.0358), np.float32(0.3062), np.float32(0.2043), np.float32(0.0), np.float32(0.4644), np.float32(0.7487), np.float32(0.8025), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:12:54.985693: Epoch time: 118.0 s +2026-02-21 18:12:55.860319: +2026-02-21 18:12:55.861573: Epoch 185 +2026-02-21 18:12:55.862900: Current learning rate: 0.00832 +2026-02-21 18:14:42.421484: train_loss -0.0157 +2026-02-21 18:14:42.425431: val_loss -0.0298 +2026-02-21 18:14:42.426451: Pseudo dice [np.float32(0.9272), np.float32(0.9322), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8318), np.float32(nan), np.float32(0.9507), np.float32(nan), np.float32(0.9316), np.float32(0.0), np.float32(0.8294), np.float32(nan), np.float32(0.8789), np.float32(0.0), np.float32(0.7862), np.float32(0.0945), np.float32(0.5144), np.float32(0.8429), np.float32(0.9045), np.float32(0.8678), np.float32(0.7291), np.float32(0.6416), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.806), np.float32(0.0), np.float32(0.0), np.float32(0.8888), np.float32(0.0741), np.float32(0.8297), np.float32(0.0), np.float32(0.3096), np.float32(0.2683), np.float32(0.8974), np.float32(0.8814), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6501), np.float32(0.4246), np.float32(0.2144), np.float32(0.1925), np.float32(0.6569), np.float32(0.5429), np.float32(0.6989), np.float32(0.7699), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:14:42.427452: Epoch time: 106.56 s +2026-02-21 18:14:42.428166: Yayy! New best EMA pseudo Dice: 0.5181000232696533 +2026-02-21 18:14:45.746718: +2026-02-21 18:14:45.749834: Epoch 186 +2026-02-21 18:14:45.750888: Current learning rate: 0.00831 +2026-02-21 18:16:41.130361: train_loss -0.0229 +2026-02-21 18:16:41.136935: val_loss -0.0067 +2026-02-21 18:16:41.138876: Pseudo dice [np.float32(0.9092), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.847), np.float32(nan), np.float32(0.9123), np.float32(nan), np.float32(0.8954), np.float32(0.0), np.float32(0.811), np.float32(nan), np.float32(0.823), np.float32(0.2602), np.float32(0.7901), np.float32(0.606), np.float32(0.5117), np.float32(0.838), np.float32(0.9038), np.float32(0.8673), np.float32(0.6559), np.float32(0.6779), np.float32(0.0), np.float32(0.0545), np.float32(0.0), np.float32(0.7985), np.float32(0.0), np.float32(0.0), np.float32(0.8464), np.float32(0.0), np.float32(0.7626), np.float32(0.0002), np.float32(0.2782), np.float32(0.2465), np.float32(0.9394), np.float32(0.9078), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7286), np.float32(0.0045), np.float32(0.645), np.float32(0.1717), np.float32(0.5829), np.float32(0.0004), np.float32(0.6233), np.float32(0.7618), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:16:41.139894: Epoch time: 115.39 s +2026-02-21 18:16:41.140588: Yayy! New best EMA pseudo Dice: 0.51910001039505 +2026-02-21 18:16:42.884446: +2026-02-21 18:16:42.889049: Epoch 187 +2026-02-21 18:16:42.889872: Current learning rate: 0.0083 +2026-02-21 18:18:40.329223: train_loss -0.0408 +2026-02-21 18:18:40.332476: val_loss 0.0034 +2026-02-21 18:18:40.333503: Pseudo dice [np.float32(0.9122), np.float32(0.8714), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8567), np.float32(nan), np.float32(0.9137), np.float32(nan), np.float32(0.8034), np.float32(0.0), np.float32(0.8571), np.float32(nan), np.float32(0.7567), np.float32(0.0078), np.float32(0.7935), np.float32(0.254), np.float32(0.5857), np.float32(0.8492), np.float32(0.8742), np.float32(0.8788), np.float32(0.7054), np.float32(0.7249), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8126), np.float32(0.0), np.float32(0.0), np.float32(0.8589), np.float32(0.1661), np.float32(0.8006), np.float32(0.0), np.float32(0.3373), np.float32(0.2536), np.float32(0.816), np.float32(0.867), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6862), np.float32(0.0071), np.float32(0.4879), np.float32(0.4046), np.float32(0.631), np.float32(0.0), np.float32(0.7341), np.float32(0.7843), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:18:40.334501: Epoch time: 117.45 s +2026-02-21 18:18:40.335208: Yayy! New best EMA pseudo Dice: 0.5192000269889832 +2026-02-21 18:18:42.082235: +2026-02-21 18:18:42.083770: Epoch 188 +2026-02-21 18:18:42.084573: Current learning rate: 0.00829 +2026-02-21 18:20:33.318465: train_loss -0.0111 +2026-02-21 18:20:33.324303: val_loss -0.0508 +2026-02-21 18:20:33.325324: Pseudo dice [np.float32(0.9492), np.float32(0.966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8743), np.float32(nan), np.float32(0.9485), np.float32(nan), np.float32(0.8923), np.float32(0.0), np.float32(0.8047), np.float32(nan), np.float32(0.8621), np.float32(0.0607), np.float32(0.7729), np.float32(0.1), np.float32(0.6236), np.float32(0.8051), np.float32(0.9176), np.float32(0.8889), np.float32(0.7478), np.float32(0.7503), np.float32(0.0), np.float32(0.0039), np.float32(0.0), np.float32(0.7307), np.float32(0.0), np.float32(0.0), np.float32(0.9238), np.float32(0.0096), np.float32(0.8176), np.float32(0.0005), np.float32(0.3987), np.float32(0.3588), np.float32(0.8966), np.float32(0.9013), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6251), np.float32(0.0619), np.float32(0.4083), np.float32(0.224), np.float32(0.0183), np.float32(0.625), np.float32(0.7358), np.float32(0.8029), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:20:33.326332: Epoch time: 111.24 s +2026-02-21 18:20:33.327040: Yayy! New best EMA pseudo Dice: 0.5199000239372253 +2026-02-21 18:20:35.062761: +2026-02-21 18:20:35.064100: Epoch 189 +2026-02-21 18:20:35.064909: Current learning rate: 0.00828 +2026-02-21 18:22:36.164948: train_loss -0.0194 +2026-02-21 18:22:36.168385: val_loss -0.0161 +2026-02-21 18:22:36.169409: Pseudo dice [np.float32(0.9011), np.float32(0.9252), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8568), np.float32(nan), np.float32(0.9083), np.float32(nan), np.float32(0.8081), np.float32(0.0216), np.float32(0.8473), np.float32(nan), np.float32(0.8742), np.float32(0.1342), np.float32(0.7744), np.float32(0.3112), np.float32(0.527), np.float32(0.8561), np.float32(0.8813), np.float32(0.8651), np.float32(0.6712), np.float32(0.7527), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8551), np.float32(0.0), np.float32(0.0), np.float32(0.9329), np.float32(0.0328), np.float32(0.7225), np.float32(0.0051), np.float32(0.3387), np.float32(0.3154), np.float32(0.9249), np.float32(0.9169), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8029), np.float32(0.0), np.float32(0.3829), np.float32(0.3215), np.float32(0.6298), np.float32(0.0), np.float32(0.7249), np.float32(0.7724), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:22:36.170410: Epoch time: 121.1 s +2026-02-21 18:22:36.171377: Yayy! New best EMA pseudo Dice: 0.5206999778747559 +2026-02-21 18:22:37.895332: +2026-02-21 18:22:37.898205: Epoch 190 +2026-02-21 18:22:37.899073: Current learning rate: 0.00827 +2026-02-21 18:24:29.641435: train_loss 0.0081 +2026-02-21 18:24:29.644655: val_loss 0.0087 +2026-02-21 18:24:29.645681: Pseudo dice [np.float32(0.9444), np.float32(0.9497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8182), np.float32(nan), np.float32(0.8798), np.float32(nan), np.float32(0.8566), np.float32(0.0), np.float32(0.8116), np.float32(nan), np.float32(0.8267), np.float32(0.2154), np.float32(0.7693), np.float32(0.0999), np.float32(0.5445), np.float32(0.8527), np.float32(0.9076), np.float32(0.8277), np.float32(0.7393), np.float32(0.7787), np.float32(0.0), np.float32(0.0112), np.float32(0.0), np.float32(0.7569), np.float32(0.0), np.float32(0.0), np.float32(0.9011), np.float32(0.0012), np.float32(0.8129), np.float32(0.0), np.float32(0.2919), np.float32(0.25), np.float32(0.8873), np.float32(0.8977), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7325), np.float32(0.0185), np.float32(0.7611), np.float32(0.4513), np.float32(0.5724), np.float32(0.0), np.float32(0.6878), np.float32(0.7837), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:24:29.646680: Epoch time: 111.75 s +2026-02-21 18:24:29.647390: Yayy! New best EMA pseudo Dice: 0.5216000080108643 +2026-02-21 18:24:31.376829: +2026-02-21 18:24:31.378644: Epoch 191 +2026-02-21 18:24:31.379456: Current learning rate: 0.00826 +2026-02-21 18:26:26.602504: train_loss 0.0274 +2026-02-21 18:26:26.606309: val_loss -0.0324 +2026-02-21 18:26:26.607291: Pseudo dice [np.float32(0.9459), np.float32(0.9443), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8556), np.float32(nan), np.float32(0.95), np.float32(nan), np.float32(0.9274), np.float32(0.0), np.float32(0.863), np.float32(nan), np.float32(0.8699), np.float32(0.0008), np.float32(0.8197), np.float32(0.0), np.float32(0.5458), np.float32(0.8714), np.float32(0.9119), np.float32(0.8576), np.float32(0.7518), np.float32(0.7354), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8038), np.float32(0.0), np.float32(0.0), np.float32(0.8685), np.float32(0.0126), np.float32(0.7762), np.float32(0.0018), np.float32(0.3372), np.float32(0.2777), np.float32(0.8837), np.float32(0.9067), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7431), np.float32(0.0), np.float32(0.0386), np.float32(0.0), np.float32(0.0), np.float32(0.5176), np.float32(0.6933), np.float32(0.799), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:26:26.608459: Epoch time: 115.23 s +2026-02-21 18:26:27.509356: +2026-02-21 18:26:27.510286: Epoch 192 +2026-02-21 18:26:27.511110: Current learning rate: 0.00825 +2026-02-21 18:28:21.646527: train_loss -0.033 +2026-02-21 18:28:21.650716: val_loss -0.0191 +2026-02-21 18:28:21.651749: Pseudo dice [np.float32(0.9328), np.float32(0.9192), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8634), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.8759), np.float32(0.0), np.float32(0.8014), np.float32(nan), np.float32(0.8457), np.float32(0.4381), np.float32(0.8151), np.float32(0.4911), np.float32(0.5515), np.float32(0.8669), np.float32(0.9004), np.float32(0.8505), np.float32(0.7139), np.float32(0.7224), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8098), np.float32(0.0), np.float32(0.0), np.float32(0.8934), np.float32(0.0), np.float32(0.7827), np.float32(0.0), np.float32(0.297), np.float32(0.3171), np.float32(0.9208), np.float32(0.912), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6877), np.float32(0.0), np.float32(0.172), np.float32(0.5013), np.float32(0.0), np.float32(0.6533), np.float32(0.7589), np.float32(0.7653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:28:21.652743: Epoch time: 114.14 s +2026-02-21 18:28:22.525180: +2026-02-21 18:28:22.526705: Epoch 193 +2026-02-21 18:28:22.527658: Current learning rate: 0.00824 +2026-02-21 18:30:23.006827: train_loss -0.0139 +2026-02-21 18:30:23.010134: val_loss -0.0131 +2026-02-21 18:30:23.011162: Pseudo dice [np.float32(0.9195), np.float32(0.9237), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8613), np.float32(nan), np.float32(0.904), np.float32(nan), np.float32(0.864), np.float32(0.0), np.float32(0.7868), np.float32(0.0), np.float32(0.8405), np.float32(0.4169), np.float32(0.8022), np.float32(0.149), np.float32(0.5659), np.float32(0.8661), np.float32(0.9202), np.float32(0.8803), np.float32(0.734), np.float32(0.7361), np.float32(0.0), np.float32(0.0039), np.float32(0.0), np.float32(0.7539), np.float32(0.0), np.float32(0.0), np.float32(0.926), np.float32(0.0), np.float32(0.8079), np.float32(0.0), np.float32(0.3968), np.float32(0.3087), np.float32(0.91), np.float32(0.8757), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8335), np.float32(0.0003), np.float32(0.1763), np.float32(0.0), np.float32(0.0), np.float32(0.4494), np.float32(0.7086), np.float32(0.7776), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:30:23.011914: Epoch time: 120.48 s +2026-02-21 18:30:23.892105: +2026-02-21 18:30:23.893047: Epoch 194 +2026-02-21 18:30:23.893867: Current learning rate: 0.00824 +2026-02-21 18:32:14.620634: train_loss -0.0205 +2026-02-21 18:32:14.624092: val_loss -0.0171 +2026-02-21 18:32:14.625110: Pseudo dice [np.float32(0.9146), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8631), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.8357), np.float32(0.0), np.float32(0.8402), np.float32(nan), np.float32(0.7345), np.float32(0.2593), np.float32(0.8096), np.float32(0.0), np.float32(0.6438), np.float32(0.8328), np.float32(0.9029), np.float32(0.8927), np.float32(0.6974), np.float32(0.7749), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8047), np.float32(0.0), np.float32(0.0), np.float32(0.9309), np.float32(0.055), np.float32(0.7755), np.float32(0.0), np.float32(0.362), np.float32(0.2957), np.float32(0.8892), np.float32(0.925), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7603), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6442), np.float32(0.7225), np.float32(0.8082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:32:14.626126: Epoch time: 110.73 s +2026-02-21 18:32:15.501477: +2026-02-21 18:32:15.506390: Epoch 195 +2026-02-21 18:32:15.508070: Current learning rate: 0.00823 +2026-02-21 18:34:07.355108: train_loss -0.0227 +2026-02-21 18:34:07.358843: val_loss -0.0467 +2026-02-21 18:34:07.359865: Pseudo dice [np.float32(0.9535), np.float32(0.952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8664), np.float32(nan), np.float32(0.9456), np.float32(nan), np.float32(0.9374), np.float32(0.0), np.float32(0.8568), np.float32(nan), np.float32(0.8435), np.float32(0.1237), np.float32(0.8264), np.float32(0.0), np.float32(0.6075), np.float32(0.8779), np.float32(0.9235), np.float32(0.9053), np.float32(0.7901), np.float32(0.7764), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7667), np.float32(0.0), np.float32(0.0), np.float32(0.9102), np.float32(0.3416), np.float32(0.7796), np.float32(0.0), np.float32(0.4361), np.float32(0.3719), np.float32(0.7693), np.float32(0.8536), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7362), np.float32(0.0694), np.float32(0.1446), np.float32(0.0189), np.float32(0.7382), np.float32(0.0), np.float32(0.7585), np.float32(0.8076), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:34:07.360865: Epoch time: 111.86 s +2026-02-21 18:34:08.243110: +2026-02-21 18:34:08.244756: Epoch 196 +2026-02-21 18:34:08.245566: Current learning rate: 0.00822 +2026-02-21 18:35:58.438983: train_loss -0.0305 +2026-02-21 18:35:58.442604: val_loss -0.016 +2026-02-21 18:35:58.443626: Pseudo dice [np.float32(0.9311), np.float32(0.9417), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8822), np.float32(nan), np.float32(0.9154), np.float32(nan), np.float32(0.9091), np.float32(0.0), np.float32(0.7736), np.float32(nan), np.float32(0.8107), np.float32(0.0132), np.float32(0.8171), np.float32(0.0), np.float32(0.6321), np.float32(0.8564), np.float32(0.9197), np.float32(0.899), np.float32(0.7706), np.float32(0.7542), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7759), np.float32(0.0), np.float32(0.0), np.float32(0.8538), np.float32(0.0243), np.float32(0.8022), np.float32(0.0), np.float32(0.3741), np.float32(0.3105), np.float32(0.9254), np.float32(0.9082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5496), np.float32(0.2576), np.float32(0.4759), np.float32(1e-04), np.float32(0.8145), np.float32(0.0108), np.float32(0.7535), np.float32(0.812), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:35:58.444622: Epoch time: 110.2 s +2026-02-21 18:35:59.315810: +2026-02-21 18:35:59.317051: Epoch 197 +2026-02-21 18:35:59.317857: Current learning rate: 0.00821 +2026-02-21 18:37:55.667674: train_loss -0.0315 +2026-02-21 18:37:55.677457: val_loss -0.0358 +2026-02-21 18:37:55.681857: Pseudo dice [np.float32(0.9478), np.float32(0.9314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.87), np.float32(nan), np.float32(0.9204), np.float32(nan), np.float32(0.9288), np.float32(0.0068), np.float32(0.8182), np.float32(nan), np.float32(0.8326), np.float32(0.0503), np.float32(0.8237), np.float32(0.2801), np.float32(0.5977), np.float32(0.8301), np.float32(0.9261), np.float32(0.8855), np.float32(0.7577), np.float32(0.7657), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.836), np.float32(0.0), np.float32(0.0), np.float32(0.7736), np.float32(0.0), np.float32(0.7787), np.float32(0.0), np.float32(0.3579), np.float32(0.3056), np.float32(0.8736), np.float32(0.9235), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6975), np.float32(0.0123), np.float32(0.4794), np.float32(0.1175), np.float32(0.4815), np.float32(0.5656), np.float32(0.7749), np.float32(0.8127), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:37:55.683151: Epoch time: 116.35 s +2026-02-21 18:37:55.684083: Yayy! New best EMA pseudo Dice: 0.5217000246047974 +2026-02-21 18:37:57.416854: +2026-02-21 18:37:57.418934: Epoch 198 +2026-02-21 18:37:57.419738: Current learning rate: 0.0082 +2026-02-21 18:39:57.849421: train_loss -0.018 +2026-02-21 18:39:57.852779: val_loss -0.0482 +2026-02-21 18:39:57.853781: Pseudo dice [np.float32(0.9533), np.float32(0.9231), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8677), np.float32(nan), np.float32(0.9516), np.float32(nan), np.float32(0.8406), np.float32(0.0), np.float32(0.8194), np.float32(nan), np.float32(0.8361), np.float32(0.0356), np.float32(0.8067), np.float32(0.0036), np.float32(0.5651), np.float32(0.8444), np.float32(0.9315), np.float32(0.913), np.float32(0.7005), np.float32(0.7648), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8251), np.float32(0.0), np.float32(0.0), np.float32(0.895), np.float32(0.0137), np.float32(0.8801), np.float32(0.0), np.float32(0.3485), np.float32(0.3533), np.float32(0.9555), np.float32(0.9543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6748), np.float32(0.0), np.float32(0.0006), np.float32(0.0), np.float32(0.0), np.float32(0.6159), np.float32(0.7409), np.float32(0.816), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:39:57.855029: Epoch time: 120.44 s +2026-02-21 18:39:58.727864: +2026-02-21 18:39:58.728977: Epoch 199 +2026-02-21 18:39:58.729778: Current learning rate: 0.00819 +2026-02-21 18:41:59.337679: train_loss -0.0281 +2026-02-21 18:41:59.340791: val_loss -0.0301 +2026-02-21 18:41:59.341830: Pseudo dice [np.float32(0.9258), np.float32(0.8724), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8424), np.float32(nan), np.float32(0.9239), np.float32(nan), np.float32(0.8339), np.float32(0.0), np.float32(0.8444), np.float32(nan), np.float32(0.8119), np.float32(0.0798), np.float32(0.813), np.float32(0.0079), np.float32(0.5738), np.float32(0.8438), np.float32(0.891), np.float32(0.8909), np.float32(0.7141), np.float32(0.8004), np.float32(0.0), np.float32(0.0085), np.float32(0.0), np.float32(0.7783), np.float32(0.0), np.float32(0.0), np.float32(0.9024), np.float32(0.0022), np.float32(0.8693), np.float32(0.0), np.float32(0.3474), np.float32(0.3542), np.float32(0.9401), np.float32(0.9286), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6866), np.float32(0.0), np.float32(0.4283), np.float32(0.0455), np.float32(0.3976), np.float32(0.0), np.float32(0.7019), np.float32(0.7997), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:41:59.342815: Epoch time: 120.61 s +2026-02-21 18:42:01.031071: +2026-02-21 18:42:01.034884: Epoch 200 +2026-02-21 18:42:01.036936: Current learning rate: 0.00818 +2026-02-21 18:43:53.073474: train_loss -0.0352 +2026-02-21 18:43:53.082440: val_loss -0.0019 +2026-02-21 18:43:53.083467: Pseudo dice [np.float32(0.9219), np.float32(0.9327), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8432), np.float32(nan), np.float32(0.8744), np.float32(nan), np.float32(0.9286), np.float32(0.0), np.float32(0.8008), np.float32(0.0), np.float32(0.8661), np.float32(0.0083), np.float32(0.7877), np.float32(0.0), np.float32(0.554), np.float32(0.8447), np.float32(0.8802), np.float32(0.8559), np.float32(0.7089), np.float32(0.7648), np.float32(1e-04), np.float32(0.0809), np.float32(nan), np.float32(0.6828), np.float32(0.0), np.float32(0.0), np.float32(0.9407), np.float32(0.001), np.float32(0.7624), np.float32(0.039), np.float32(0.3256), np.float32(0.2677), np.float32(0.9312), np.float32(0.9229), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6444), np.float32(0.0), np.float32(0.4826), np.float32(0.0085), np.float32(0.6777), np.float32(0.0), np.float32(0.7174), np.float32(0.7823), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:43:53.084460: Epoch time: 112.04 s +2026-02-21 18:43:53.955998: +2026-02-21 18:43:53.957511: Epoch 201 +2026-02-21 18:43:53.958308: Current learning rate: 0.00817 +2026-02-21 18:45:41.008737: train_loss -0.0411 +2026-02-21 18:45:41.013153: val_loss -0.0362 +2026-02-21 18:45:41.015427: Pseudo dice [np.float32(0.9284), np.float32(0.9163), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8658), np.float32(nan), np.float32(0.9343), np.float32(nan), np.float32(0.8639), np.float32(0.0), np.float32(0.8731), np.float32(nan), np.float32(0.8456), np.float32(0.2706), np.float32(0.8217), np.float32(0.4622), np.float32(0.6273), np.float32(0.8555), np.float32(0.9166), np.float32(0.885), np.float32(0.7382), np.float32(0.6862), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8513), np.float32(0.0), np.float32(0.0), np.float32(0.9256), np.float32(0.0845), np.float32(0.8559), np.float32(0.0026), np.float32(0.4114), np.float32(0.2492), np.float32(0.8947), np.float32(0.8793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7839), np.float32(1e-04), np.float32(0.0011), np.float32(0.0), np.float32(0.5595), np.float32(0.4351), np.float32(0.7596), np.float32(0.7947), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:45:41.017727: Epoch time: 107.06 s +2026-02-21 18:45:41.905199: +2026-02-21 18:45:41.906256: Epoch 202 +2026-02-21 18:45:41.907525: Current learning rate: 0.00816 +2026-02-21 18:47:44.486319: train_loss -0.0287 +2026-02-21 18:47:44.490174: val_loss 0.0326 +2026-02-21 18:47:44.491427: Pseudo dice [np.float32(0.8711), np.float32(0.9056), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8495), np.float32(nan), np.float32(0.8351), np.float32(nan), np.float32(0.8017), np.float32(0.0), np.float32(0.7887), np.float32(nan), np.float32(0.7629), np.float32(0.0428), np.float32(0.741), np.float32(0.1482), np.float32(0.5646), np.float32(0.8049), np.float32(0.8798), np.float32(0.8473), np.float32(0.6907), np.float32(0.7294), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8039), np.float32(0.0), np.float32(0.0), np.float32(0.9347), np.float32(0.1847), np.float32(0.7531), np.float32(0.0011), np.float32(0.3058), np.float32(0.2955), np.float32(0.85), np.float32(0.8295), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6788), np.float32(0.007), np.float32(0.4452), np.float32(0.3531), np.float32(0.1509), np.float32(0.5403), np.float32(0.6677), np.float32(0.7543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:47:44.497649: Epoch time: 122.58 s +2026-02-21 18:47:45.811318: +2026-02-21 18:47:45.814872: Epoch 203 +2026-02-21 18:47:45.815809: Current learning rate: 0.00815 +2026-02-21 18:49:41.241995: train_loss -0.0224 +2026-02-21 18:49:41.245607: val_loss -0.0288 +2026-02-21 18:49:41.246642: Pseudo dice [np.float32(0.9021), np.float32(0.9293), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.871), np.float32(nan), np.float32(0.9173), np.float32(nan), np.float32(0.9103), np.float32(0.0015), np.float32(0.8316), np.float32(nan), np.float32(0.8292), np.float32(0.11), np.float32(0.7962), np.float32(0.0028), np.float32(0.5388), np.float32(0.8599), np.float32(0.892), np.float32(0.8483), np.float32(0.7343), np.float32(0.7742), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8107), np.float32(0.0), np.float32(0.0), np.float32(0.9333), np.float32(0.0047), np.float32(0.8442), np.float32(0.0), np.float32(0.4513), np.float32(0.3631), np.float32(0.9617), np.float32(0.9342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7283), np.float32(0.0867), np.float32(0.4508), np.float32(0.0382), np.float32(0.0), np.float32(0.6947), np.float32(0.6952), np.float32(0.7644), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:49:41.247663: Epoch time: 115.43 s +2026-02-21 18:49:42.114633: +2026-02-21 18:49:42.115931: Epoch 204 +2026-02-21 18:49:42.116987: Current learning rate: 0.00814 +2026-02-21 18:51:41.624838: train_loss 0.0025 +2026-02-21 18:51:41.628676: val_loss -0.0394 +2026-02-21 18:51:41.629711: Pseudo dice [np.float32(0.9088), np.float32(0.9379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8749), np.float32(nan), np.float32(0.9381), np.float32(nan), np.float32(0.9083), np.float32(0.0249), np.float32(0.8493), np.float32(nan), np.float32(0.8874), np.float32(0.2627), np.float32(0.7899), np.float32(0.3486), np.float32(0.5879), np.float32(0.8641), np.float32(0.9156), np.float32(0.8943), np.float32(0.7038), np.float32(0.755), np.float32(0.0), np.float32(0.0044), np.float32(0.0), np.float32(0.7618), np.float32(0.0), np.float32(0.0), np.float32(0.9571), np.float32(0.0), np.float32(0.805), np.float32(0.0002), np.float32(0.267), np.float32(0.3025), np.float32(0.8337), np.float32(0.8614), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7513), np.float32(0.0), np.float32(0.6127), np.float32(0.1912), np.float32(0.0065), np.float32(0.4853), np.float32(0.7704), np.float32(0.8052), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:51:41.630700: Epoch time: 119.51 s +2026-02-21 18:51:42.508224: +2026-02-21 18:51:42.509438: Epoch 205 +2026-02-21 18:51:42.510263: Current learning rate: 0.00813 +2026-02-21 18:53:31.011964: train_loss -0.0027 +2026-02-21 18:53:31.015220: val_loss -0.0159 +2026-02-21 18:53:31.016246: Pseudo dice [np.float32(0.9161), np.float32(0.9318), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8613), np.float32(nan), np.float32(0.8778), np.float32(nan), np.float32(0.8842), np.float32(0.0), np.float32(0.8558), np.float32(nan), np.float32(0.7769), np.float32(0.3707), np.float32(0.8119), np.float32(0.5758), np.float32(0.607), np.float32(0.858), np.float32(0.8995), np.float32(0.8651), np.float32(0.6981), np.float32(0.7173), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8318), np.float32(0.0), np.float32(0.0), np.float32(0.9271), np.float32(0.0), np.float32(0.768), np.float32(0.0), np.float32(0.3456), np.float32(0.2823), np.float32(0.8601), np.float32(0.8827), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7545), np.float32(0.0), np.float32(0.078), np.float32(0.0006), np.float32(0.0105), np.float32(0.71), np.float32(0.7331), np.float32(0.7919), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:53:31.017252: Epoch time: 108.51 s +2026-02-21 18:53:31.862087: +2026-02-21 18:53:31.864488: Epoch 206 +2026-02-21 18:53:31.865312: Current learning rate: 0.00813 +2026-02-21 18:55:27.729311: train_loss -0.0019 +2026-02-21 18:55:27.732990: val_loss -0.0371 +2026-02-21 18:55:27.734010: Pseudo dice [np.float32(0.9441), np.float32(0.9261), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8225), np.float32(nan), np.float32(0.9522), np.float32(nan), np.float32(0.8871), np.float32(nan), np.float32(0.8582), np.float32(nan), np.float32(0.7707), np.float32(0.2757), np.float32(0.768), np.float32(0.1144), np.float32(0.5033), np.float32(0.8295), np.float32(0.8868), np.float32(0.8608), np.float32(0.7031), np.float32(0.7272), np.float32(0.0), np.float32(0.006), np.float32(0.0), np.float32(0.7413), np.float32(0.0), np.float32(0.0), np.float32(0.9171), np.float32(0.0305), np.float32(0.789), np.float32(0.0), np.float32(0.412), np.float32(0.2931), np.float32(0.9078), np.float32(0.9131), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6941), np.float32(0.0164), np.float32(0.2098), np.float32(0.095), np.float32(0.0172), np.float32(0.6101), np.float32(0.7216), np.float32(0.7773), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:55:27.735012: Epoch time: 115.87 s +2026-02-21 18:55:27.735721: Yayy! New best EMA pseudo Dice: 0.5220000147819519 +2026-02-21 18:55:30.665426: +2026-02-21 18:55:30.667001: Epoch 207 +2026-02-21 18:55:30.667804: Current learning rate: 0.00812 +2026-02-21 18:57:20.699981: train_loss -0.0102 +2026-02-21 18:57:20.703804: val_loss -0.0179 +2026-02-21 18:57:20.704858: Pseudo dice [np.float32(0.9527), np.float32(0.9213), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8463), np.float32(nan), np.float32(0.9282), np.float32(nan), np.float32(0.9109), np.float32(0.0), np.float32(0.8408), np.float32(nan), np.float32(0.8317), np.float32(0.0177), np.float32(0.7675), np.float32(0.718), np.float32(0.5361), np.float32(0.8497), np.float32(0.8903), np.float32(0.8712), np.float32(0.7147), np.float32(0.7084), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6656), np.float32(0.0), np.float32(0.0), np.float32(0.8848), np.float32(0.013), np.float32(0.8102), np.float32(0.0), np.float32(0.3758), np.float32(0.2759), np.float32(0.8857), np.float32(0.9383), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6818), np.float32(0.0), np.float32(0.3734), np.float32(0.4065), np.float32(0.3177), np.float32(0.0), np.float32(0.702), np.float32(0.7843), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:57:20.705831: Epoch time: 110.04 s +2026-02-21 18:57:20.706797: Yayy! New best EMA pseudo Dice: 0.5221999883651733 +2026-02-21 18:57:22.946578: +2026-02-21 18:57:22.948701: Epoch 208 +2026-02-21 18:57:22.949758: Current learning rate: 0.00811 +2026-02-21 18:59:19.865316: train_loss -0.0179 +2026-02-21 18:59:19.868867: val_loss -0.0387 +2026-02-21 18:59:19.869888: Pseudo dice [np.float32(0.8997), np.float32(0.9092), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8545), np.float32(nan), np.float32(0.9463), np.float32(nan), np.float32(0.9196), np.float32(0.0), np.float32(0.8588), np.float32(nan), np.float32(0.8421), np.float32(0.1815), np.float32(0.7767), np.float32(0.5091), np.float32(0.5881), np.float32(0.8122), np.float32(0.909), np.float32(0.8853), np.float32(0.7413), np.float32(0.7435), np.float32(0.0), np.float32(0.0671), np.float32(0.0), np.float32(0.8182), np.float32(0.0), np.float32(0.0), np.float32(0.9035), np.float32(0.0036), np.float32(0.7581), np.float32(0.0), np.float32(0.3356), np.float32(0.3317), np.float32(0.9281), np.float32(0.9373), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6691), np.float32(0.0036), np.float32(0.2559), np.float32(0.2771), np.float32(0.6345), np.float32(0.0538), np.float32(0.7254), np.float32(0.7861), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 18:59:19.870899: Epoch time: 116.92 s +2026-02-21 18:59:19.871600: Yayy! New best EMA pseudo Dice: 0.5235000252723694 +2026-02-21 18:59:21.548573: +2026-02-21 18:59:21.549810: Epoch 209 +2026-02-21 18:59:21.550639: Current learning rate: 0.0081 +2026-02-21 19:01:13.857246: train_loss -0.0308 +2026-02-21 19:01:13.860554: val_loss -0.0109 +2026-02-21 19:01:13.861569: Pseudo dice [np.float32(0.9311), np.float32(0.9436), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8542), np.float32(nan), np.float32(0.9237), np.float32(nan), np.float32(0.9339), np.float32(0.0), np.float32(0.7898), np.float32(nan), np.float32(0.836), np.float32(0.0025), np.float32(0.7885), np.float32(0.4174), np.float32(0.5877), np.float32(0.8403), np.float32(0.9316), np.float32(0.8729), np.float32(0.7808), np.float32(0.7775), np.float32(0.0), np.float32(0.1343), np.float32(0.0), np.float32(0.767), np.float32(0.0), np.float32(0.0), np.float32(0.866), np.float32(0.0093), np.float32(0.8261), np.float32(0.0), np.float32(0.3972), np.float32(0.3169), np.float32(0.8965), np.float32(0.9121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7979), np.float32(0.0), np.float32(0.7659), np.float32(0.0076), np.float32(0.6051), np.float32(0.0), np.float32(0.7063), np.float32(0.7803), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:01:13.862596: Epoch time: 112.31 s +2026-02-21 19:01:13.863293: Yayy! New best EMA pseudo Dice: 0.5249999761581421 +2026-02-21 19:01:15.588350: +2026-02-21 19:01:15.589947: Epoch 210 +2026-02-21 19:01:15.590777: Current learning rate: 0.00809 +2026-02-21 19:03:06.999482: train_loss -0.0325 +2026-02-21 19:03:07.005859: val_loss -0.0555 +2026-02-21 19:03:07.008137: Pseudo dice [np.float32(0.9203), np.float32(0.8816), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9312), np.float32(nan), np.float32(0.9082), np.float32(0.0), np.float32(0.8597), np.float32(nan), np.float32(0.8634), np.float32(0.3674), np.float32(0.8065), np.float32(0.2946), np.float32(0.6191), np.float32(0.8687), np.float32(0.9098), np.float32(0.8976), np.float32(0.6924), np.float32(0.7896), np.float32(0.0), np.float32(0.1519), np.float32(0.0), np.float32(0.8272), np.float32(0.0), np.float32(0.0), np.float32(0.9155), np.float32(0.0735), np.float32(0.8287), np.float32(0.0), np.float32(0.4319), np.float32(0.3713), np.float32(0.9402), np.float32(0.9535), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8172), np.float32(0.0075), np.float32(0.6612), np.float32(0.5429), np.float32(0.4238), np.float32(0.6641), np.float32(0.7817), np.float32(0.7967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:03:07.009220: Epoch time: 111.41 s +2026-02-21 19:03:07.011301: Yayy! New best EMA pseudo Dice: 0.5306000113487244 +2026-02-21 19:03:08.764515: +2026-02-21 19:03:08.766610: Epoch 211 +2026-02-21 19:03:08.767673: Current learning rate: 0.00808 +2026-02-21 19:04:55.656204: train_loss -0.0244 +2026-02-21 19:04:55.659681: val_loss -0.0118 +2026-02-21 19:04:55.660741: Pseudo dice [np.float32(0.9163), np.float32(0.9174), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8267), np.float32(nan), np.float32(0.9071), np.float32(nan), np.float32(0.9403), np.float32(0.0), np.float32(0.8124), np.float32(0.0), np.float32(0.8064), np.float32(0.2262), np.float32(0.7723), np.float32(0.1234), np.float32(0.5451), np.float32(0.7878), np.float32(0.891), np.float32(0.8588), np.float32(0.7773), np.float32(0.7719), np.float32(0.0), np.float32(0.26), np.float32(0.0), np.float32(0.7382), np.float32(0.0), np.float32(0.0), np.float32(0.8464), np.float32(0.0002), np.float32(0.7947), np.float32(0.0), np.float32(0.3564), np.float32(0.2103), np.float32(0.9275), np.float32(0.9426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4782), np.float32(0.095), np.float32(0.0061), np.float32(0.0109), np.float32(0.621), np.float32(0.0), np.float32(0.7137), np.float32(0.809), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:04:55.661710: Epoch time: 106.89 s +2026-02-21 19:04:56.530597: +2026-02-21 19:04:56.531946: Epoch 212 +2026-02-21 19:04:56.532940: Current learning rate: 0.00807 +2026-02-21 19:06:54.266574: train_loss -0.0192 +2026-02-21 19:06:54.270205: val_loss -0.0106 +2026-02-21 19:06:54.271241: Pseudo dice [np.float32(0.9156), np.float32(0.933), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8713), np.float32(nan), np.float32(0.8637), np.float32(nan), np.float32(0.9343), np.float32(0.1542), np.float32(0.8254), np.float32(nan), np.float32(0.842), np.float32(0.3003), np.float32(0.7907), np.float32(0.4585), np.float32(0.5639), np.float32(0.8415), np.float32(0.8869), np.float32(0.8625), np.float32(0.7091), np.float32(0.7683), np.float32(0.0008), np.float32(0.009), np.float32(0.0), np.float32(0.6259), np.float32(0.0), np.float32(0.0), np.float32(0.8915), np.float32(0.0008), np.float32(0.8168), np.float32(0.0027), np.float32(0.3911), np.float32(0.3836), np.float32(0.8632), np.float32(0.9241), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6882), np.float32(0.0007), np.float32(0.1077), np.float32(0.0884), np.float32(0.5299), np.float32(0.0), np.float32(0.7228), np.float32(0.7833), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:06:54.272237: Epoch time: 117.74 s +2026-02-21 19:06:55.131006: +2026-02-21 19:06:55.132225: Epoch 213 +2026-02-21 19:06:55.133043: Current learning rate: 0.00806 +2026-02-21 19:08:53.979455: train_loss -0.0345 +2026-02-21 19:08:53.984404: val_loss -0.0329 +2026-02-21 19:08:53.985554: Pseudo dice [np.float32(0.9185), np.float32(0.9384), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8607), np.float32(nan), np.float32(0.9364), np.float32(nan), np.float32(0.8793), np.float32(0.0), np.float32(0.8345), np.float32(nan), np.float32(0.8462), np.float32(0.3406), np.float32(0.775), np.float32(0.0), np.float32(0.5326), np.float32(0.8556), np.float32(0.9359), np.float32(0.88), np.float32(0.5997), np.float32(0.7401), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7127), np.float32(0.0), np.float32(0.0), np.float32(0.9101), np.float32(1e-04), np.float32(0.7695), np.float32(0.0), np.float32(0.4023), np.float32(0.2643), np.float32(0.8458), np.float32(0.9155), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8073), np.float32(0.0019), np.float32(0.3646), np.float32(0.3783), np.float32(0.7697), np.float32(0.0), np.float32(0.7379), np.float32(0.7775), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:08:53.986371: Epoch time: 118.85 s +2026-02-21 19:08:54.860083: +2026-02-21 19:08:54.861812: Epoch 214 +2026-02-21 19:08:54.862716: Current learning rate: 0.00805 +2026-02-21 19:10:56.805560: train_loss 0.0074 +2026-02-21 19:10:56.812172: val_loss -0.0301 +2026-02-21 19:10:56.814082: Pseudo dice [np.float32(0.9312), np.float32(0.9291), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8562), np.float32(nan), np.float32(0.9475), np.float32(nan), np.float32(0.9083), np.float32(0.0), np.float32(0.8484), np.float32(nan), np.float32(0.8298), np.float32(0.2055), np.float32(0.7862), np.float32(0.7933), np.float32(0.4732), np.float32(0.8696), np.float32(0.9135), np.float32(0.879), np.float32(0.7609), np.float32(0.7469), np.float32(0.0), np.float32(0.009), np.float32(0.0), np.float32(0.7247), np.float32(0.0), np.float32(0.0), np.float32(0.8906), np.float32(0.0), np.float32(0.8499), np.float32(0.0), np.float32(0.2206), np.float32(0.2895), np.float32(0.8736), np.float32(0.8462), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5565), np.float32(0.0002), np.float32(0.4011), np.float32(0.1286), np.float32(0.6419), np.float32(0.0), np.float32(0.731), np.float32(0.7904), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:10:56.817375: Epoch time: 121.95 s +2026-02-21 19:10:57.676801: +2026-02-21 19:10:57.678620: Epoch 215 +2026-02-21 19:10:57.680712: Current learning rate: 0.00804 +2026-02-21 19:12:46.976430: train_loss -0.0088 +2026-02-21 19:12:46.980244: val_loss -0.0365 +2026-02-21 19:12:46.981266: Pseudo dice [np.float32(0.9152), np.float32(0.9384), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8664), np.float32(nan), np.float32(0.9393), np.float32(nan), np.float32(0.8528), np.float32(0.0), np.float32(0.8557), np.float32(nan), np.float32(0.8538), np.float32(0.3077), np.float32(0.7891), np.float32(0.1768), np.float32(0.6206), np.float32(0.8498), np.float32(0.9172), np.float32(0.8838), np.float32(0.7434), np.float32(0.746), np.float32(0.0), np.float32(0.0002), np.float32(0.0), np.float32(0.8476), np.float32(0.0), np.float32(0.0), np.float32(0.8869), np.float32(0.0049), np.float32(0.8155), np.float32(0.0023), np.float32(0.2529), np.float32(0.3046), np.float32(0.9192), np.float32(0.8704), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5498), np.float32(0.1409), np.float32(0.3841), np.float32(0.0099), np.float32(0.0012), np.float32(0.6657), np.float32(0.7505), np.float32(0.7894), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:12:46.982018: Epoch time: 109.3 s +2026-02-21 19:12:47.835572: +2026-02-21 19:12:47.836889: Epoch 216 +2026-02-21 19:12:47.837663: Current learning rate: 0.00803 +2026-02-21 19:14:39.059656: train_loss -0.0087 +2026-02-21 19:14:39.062892: val_loss -0.0464 +2026-02-21 19:14:39.063898: Pseudo dice [np.float32(0.957), np.float32(0.952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8725), np.float32(nan), np.float32(0.9426), np.float32(nan), np.float32(0.9193), np.float32(0.008), np.float32(0.8641), np.float32(nan), np.float32(0.8266), np.float32(0.2612), np.float32(0.8274), np.float32(0.4568), np.float32(0.609), np.float32(0.8846), np.float32(0.9095), np.float32(0.8813), np.float32(0.7794), np.float32(0.7815), np.float32(0.0), np.float32(0.0292), np.float32(0.0), np.float32(0.7978), np.float32(0.0), np.float32(0.0), np.float32(0.8526), np.float32(0.0), np.float32(0.7643), np.float32(0.0104), np.float32(0.3181), np.float32(0.3684), np.float32(0.8841), np.float32(0.8803), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6144), np.float32(0.0027), np.float32(0.8096), np.float32(0.426), np.float32(0.0), np.float32(0.6912), np.float32(0.7857), np.float32(0.8131), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:14:39.064927: Epoch time: 111.23 s +2026-02-21 19:14:39.922521: +2026-02-21 19:14:39.923644: Epoch 217 +2026-02-21 19:14:39.924446: Current learning rate: 0.00802 +2026-02-21 19:16:34.013016: train_loss -0.0073 +2026-02-21 19:16:34.016588: val_loss 0.0247 +2026-02-21 19:16:34.017611: Pseudo dice [np.float32(0.8212), np.float32(0.847), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8425), np.float32(nan), np.float32(0.9234), np.float32(nan), np.float32(0.7457), np.float32(0.0002), np.float32(0.8055), np.float32(nan), np.float32(0.796), np.float32(0.12), np.float32(0.7424), np.float32(0.2147), np.float32(0.5647), np.float32(0.8416), np.float32(0.8709), np.float32(0.8269), np.float32(0.6934), np.float32(0.7343), np.float32(0.019), np.float32(0.0), np.float32(0.0), np.float32(0.7723), np.float32(0.0), np.float32(0.0), np.float32(0.9388), np.float32(0.0603), np.float32(0.7762), np.float32(0.0), np.float32(0.277), np.float32(0.2886), np.float32(0.8228), np.float32(0.7744), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6381), np.float32(0.0002), np.float32(0.5592), np.float32(0.3288), np.float32(0.4362), np.float32(0.0), np.float32(0.6195), np.float32(0.7791), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:16:34.019329: Epoch time: 114.09 s +2026-02-21 19:16:34.873268: +2026-02-21 19:16:34.874697: Epoch 218 +2026-02-21 19:16:34.875499: Current learning rate: 0.00801 +2026-02-21 19:18:16.794436: train_loss -0.0051 +2026-02-21 19:18:16.797775: val_loss -0.0276 +2026-02-21 19:18:16.799316: Pseudo dice [np.float32(0.9177), np.float32(0.9383), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8635), np.float32(nan), np.float32(0.9136), np.float32(nan), np.float32(0.8745), np.float32(0.0), np.float32(0.8535), np.float32(nan), np.float32(0.8606), np.float32(0.4211), np.float32(0.7984), np.float32(0.5433), np.float32(0.5718), np.float32(0.8538), np.float32(0.9089), np.float32(0.8699), np.float32(0.7351), np.float32(0.7345), np.float32(0.0), np.float32(0.1289), np.float32(0.0), np.float32(0.724), np.float32(0.0002), np.float32(0.0), np.float32(0.8216), np.float32(0.059), np.float32(0.8498), np.float32(0.0), np.float32(0.2869), np.float32(0.3372), np.float32(0.9443), np.float32(0.9658), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6203), np.float32(0.0), np.float32(0.1592), np.float32(0.0539), np.float32(0.5699), np.float32(0.0036), np.float32(0.7278), np.float32(0.766), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:18:16.800621: Epoch time: 101.92 s +2026-02-21 19:18:17.660774: +2026-02-21 19:18:17.662568: Epoch 219 +2026-02-21 19:18:17.663950: Current learning rate: 0.00801 +2026-02-21 19:20:12.169274: train_loss -0.0011 +2026-02-21 19:20:12.172700: val_loss -0.0518 +2026-02-21 19:20:12.173723: Pseudo dice [np.float32(0.9424), np.float32(0.9466), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8427), np.float32(nan), np.float32(0.9622), np.float32(nan), np.float32(0.8799), np.float32(0.0532), np.float32(0.855), np.float32(nan), np.float32(0.8578), np.float32(0.3818), np.float32(0.8007), np.float32(0.1029), np.float32(0.5953), np.float32(0.8714), np.float32(0.8836), np.float32(0.8738), np.float32(0.7777), np.float32(0.739), np.float32(0.0), np.float32(0.1657), np.float32(0.0), np.float32(0.8519), np.float32(0.0002), np.float32(0.0), np.float32(0.8837), np.float32(0.0179), np.float32(0.7638), np.float32(1e-04), np.float32(0.3437), np.float32(0.3001), np.float32(0.9321), np.float32(0.9448), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7897), np.float32(0.0), np.float32(0.2387), np.float32(0.0024), np.float32(0.6409), np.float32(0.0), np.float32(0.7568), np.float32(0.8073), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:20:12.174736: Epoch time: 114.51 s +2026-02-21 19:20:13.032835: +2026-02-21 19:20:13.034369: Epoch 220 +2026-02-21 19:20:13.035205: Current learning rate: 0.008 +2026-02-21 19:22:06.094727: train_loss -0.0184 +2026-02-21 19:22:06.101050: val_loss -0.0343 +2026-02-21 19:22:06.102726: Pseudo dice [np.float32(0.9387), np.float32(0.9135), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8612), np.float32(nan), np.float32(0.9345), np.float32(nan), np.float32(0.9043), np.float32(0.0892), np.float32(0.8096), np.float32(nan), np.float32(0.834), np.float32(0.3554), np.float32(0.8155), np.float32(0.5213), np.float32(0.6057), np.float32(0.8553), np.float32(0.892), np.float32(0.8884), np.float32(0.7632), np.float32(0.7725), np.float32(0.0), np.float32(0.0192), np.float32(0.0), np.float32(0.8273), np.float32(0.0), np.float32(0.0), np.float32(0.916), np.float32(0.2019), np.float32(0.8408), np.float32(0.0), np.float32(0.3764), np.float32(0.3765), np.float32(0.8844), np.float32(0.9072), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7543), np.float32(0.0), np.float32(0.4359), np.float32(0.3616), np.float32(0.7481), np.float32(0.2458), np.float32(0.7444), np.float32(0.7929), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:22:06.103651: Epoch time: 113.06 s +2026-02-21 19:22:06.104553: Yayy! New best EMA pseudo Dice: 0.5317000150680542 +2026-02-21 19:22:07.789654: +2026-02-21 19:22:07.791200: Epoch 221 +2026-02-21 19:22:07.792485: Current learning rate: 0.00799 +2026-02-21 19:23:58.114126: train_loss -0.0355 +2026-02-21 19:23:58.117806: val_loss -0.0701 +2026-02-21 19:23:58.119750: Pseudo dice [np.float32(0.9375), np.float32(0.9321), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8803), np.float32(nan), np.float32(0.9605), np.float32(nan), np.float32(0.9357), np.float32(0.0), np.float32(0.8373), np.float32(0.0), np.float32(0.8673), np.float32(0.2986), np.float32(0.8498), np.float32(0.0), np.float32(0.5963), np.float32(0.8641), np.float32(0.9234), np.float32(0.9143), np.float32(0.7555), np.float32(0.7718), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.8418), np.float32(0.0), np.float32(0.0), np.float32(0.9373), np.float32(0.2816), np.float32(0.7739), np.float32(0.0), np.float32(0.3942), np.float32(0.3486), np.float32(0.9534), np.float32(0.9659), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7582), np.float32(0.0), np.float32(0.6746), np.float32(0.046), np.float32(0.0), np.float32(0.8607), np.float32(0.7511), np.float32(0.8168), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:23:58.120499: Epoch time: 110.33 s +2026-02-21 19:23:58.121218: Yayy! New best EMA pseudo Dice: 0.5328999757766724 +2026-02-21 19:23:59.821259: +2026-02-21 19:23:59.822728: Epoch 222 +2026-02-21 19:23:59.823602: Current learning rate: 0.00798 +2026-02-21 19:25:56.237689: train_loss -0.0289 +2026-02-21 19:25:56.243677: val_loss -0.0303 +2026-02-21 19:25:56.244951: Pseudo dice [np.float32(0.912), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8543), np.float32(nan), np.float32(0.9163), np.float32(nan), np.float32(0.9281), np.float32(0.0), np.float32(0.8282), np.float32(nan), np.float32(0.8716), np.float32(0.0221), np.float32(0.8111), np.float32(0.0), np.float32(0.5757), np.float32(0.8425), np.float32(0.9032), np.float32(0.8653), np.float32(0.7215), np.float32(0.7272), np.float32(0.1708), np.float32(0.3446), np.float32(0.0), np.float32(0.7577), np.float32(0.0), np.float32(0.0), np.float32(0.8747), np.float32(0.0919), np.float32(0.8333), np.float32(0.0017), np.float32(0.3125), np.float32(0.3245), np.float32(0.853), np.float32(0.8566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6123), np.float32(0.0004), np.float32(0.0), np.float32(0.0226), np.float32(0.0), np.float32(0.515), np.float32(0.721), np.float32(0.7639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:25:56.246200: Epoch time: 116.42 s +2026-02-21 19:25:57.102867: +2026-02-21 19:25:57.104984: Epoch 223 +2026-02-21 19:25:57.107382: Current learning rate: 0.00797 +2026-02-21 19:27:48.772962: train_loss -0.0285 +2026-02-21 19:27:48.776674: val_loss -0.0391 +2026-02-21 19:27:48.777704: Pseudo dice [np.float32(0.9542), np.float32(0.9029), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8328), np.float32(nan), np.float32(0.9232), np.float32(nan), np.float32(0.9027), np.float32(0.0), np.float32(0.8744), np.float32(nan), np.float32(0.914), np.float32(0.0003), np.float32(0.7857), np.float32(0.5906), np.float32(0.6379), np.float32(0.8572), np.float32(0.9126), np.float32(0.8618), np.float32(0.7609), np.float32(0.7803), np.float32(0.0912), np.float32(0.014), np.float32(0.0), np.float32(0.7836), np.float32(0.0), np.float32(0.0), np.float32(0.9056), np.float32(0.0425), np.float32(0.8176), np.float32(0.1637), np.float32(0.3478), np.float32(0.3272), np.float32(0.9478), np.float32(0.9405), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6361), np.float32(0.0), np.float32(0.5751), np.float32(0.201), np.float32(0.0018), np.float32(0.368), np.float32(0.7674), np.float32(0.7887), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:27:48.778473: Epoch time: 111.67 s +2026-02-21 19:27:49.628879: +2026-02-21 19:27:49.629930: Epoch 224 +2026-02-21 19:27:49.630768: Current learning rate: 0.00796 +2026-02-21 19:29:41.543850: train_loss -0.021 +2026-02-21 19:29:41.557009: val_loss -0.074 +2026-02-21 19:29:41.558021: Pseudo dice [np.float32(0.9307), np.float32(0.9532), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8556), np.float32(nan), np.float32(0.9577), np.float32(nan), np.float32(0.935), np.float32(0.1997), np.float32(0.8582), np.float32(nan), np.float32(0.8614), np.float32(0.1387), np.float32(0.8198), np.float32(0.0079), np.float32(0.6138), np.float32(0.8845), np.float32(0.8914), np.float32(0.8932), np.float32(0.7018), np.float32(0.7616), np.float32(0.0), np.float32(0.0518), np.float32(0.0), np.float32(0.7507), np.float32(0.0), np.float32(0.0), np.float32(0.8105), np.float32(0.0044), np.float32(0.7688), np.float32(0.0006), np.float32(0.3825), np.float32(0.3607), np.float32(0.955), np.float32(0.9528), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5561), np.float32(0.0), np.float32(0.4206), np.float32(0.4004), np.float32(0.0015), np.float32(0.8249), np.float32(0.7585), np.float32(0.7938), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:29:41.559072: Epoch time: 111.92 s +2026-02-21 19:29:42.433919: +2026-02-21 19:29:42.435734: Epoch 225 +2026-02-21 19:29:42.439049: Current learning rate: 0.00795 +2026-02-21 19:31:41.567208: train_loss -0.032 +2026-02-21 19:31:41.571592: val_loss -0.0263 +2026-02-21 19:31:41.572749: Pseudo dice [np.float32(0.92), np.float32(0.9482), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8623), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9397), np.float32(0.0), np.float32(0.8282), np.float32(0.0), np.float32(0.8044), np.float32(0.2217), np.float32(0.7939), np.float32(0.0486), np.float32(0.5833), np.float32(0.8622), np.float32(0.895), np.float32(0.8646), np.float32(0.7207), np.float32(0.7112), np.float32(0.0), np.float32(0.1606), np.float32(0.0), np.float32(0.742), np.float32(1e-04), np.float32(0.0), np.float32(0.9078), np.float32(0.0584), np.float32(0.8184), np.float32(0.0009), np.float32(0.3064), np.float32(0.3274), np.float32(0.9135), np.float32(0.8845), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7423), np.float32(0.0063), np.float32(0.5106), np.float32(0.1291), np.float32(0.0049), np.float32(0.7643), np.float32(0.7483), np.float32(0.7908), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:31:41.574752: Epoch time: 119.14 s +2026-02-21 19:31:42.420812: +2026-02-21 19:31:42.422844: Epoch 226 +2026-02-21 19:31:42.424781: Current learning rate: 0.00794 +2026-02-21 19:33:31.831157: train_loss -0.0174 +2026-02-21 19:33:31.839049: val_loss -0.0237 +2026-02-21 19:33:31.840105: Pseudo dice [np.float32(0.9448), np.float32(0.9379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8514), np.float32(nan), np.float32(0.9175), np.float32(nan), np.float32(0.8262), np.float32(0.0), np.float32(0.829), np.float32(nan), np.float32(0.851), np.float32(0.0552), np.float32(0.793), np.float32(0.6498), np.float32(0.5982), np.float32(0.8467), np.float32(0.9268), np.float32(0.8772), np.float32(0.7444), np.float32(0.7633), np.float32(0.0), np.float32(0.3818), np.float32(0.0), np.float32(0.8121), np.float32(0.0), np.float32(0.0), np.float32(0.8933), np.float32(0.0), np.float32(0.8447), np.float32(0.0), np.float32(0.3898), np.float32(0.3488), np.float32(0.895), np.float32(0.9445), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6761), np.float32(0.0032), np.float32(0.0171), np.float32(0.0), np.float32(0.4005), np.float32(0.5458), np.float32(0.7482), np.float32(0.7963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:33:31.841079: Epoch time: 109.41 s +2026-02-21 19:33:32.682107: +2026-02-21 19:33:32.683364: Epoch 227 +2026-02-21 19:33:32.684149: Current learning rate: 0.00793 +2026-02-21 19:35:29.163806: train_loss -0.0072 +2026-02-21 19:35:29.167400: val_loss -0.007 +2026-02-21 19:35:29.168396: Pseudo dice [np.float32(0.9046), np.float32(0.9018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8586), np.float32(nan), np.float32(0.9133), np.float32(nan), np.float32(0.8997), np.float32(0.0), np.float32(0.8299), np.float32(nan), np.float32(0.8239), np.float32(0.3045), np.float32(0.7938), np.float32(0.004), np.float32(0.5983), np.float32(0.8422), np.float32(0.886), np.float32(0.8486), np.float32(0.7147), np.float32(0.7393), np.float32(0.0), np.float32(0.5272), np.float32(0.0), np.float32(0.8201), np.float32(0.0), np.float32(0.0), np.float32(0.8539), np.float32(0.0002), np.float32(0.754), np.float32(0.0464), np.float32(0.2175), np.float32(0.2839), np.float32(0.8697), np.float32(0.9165), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6134), np.float32(nan), np.float32(0.0), np.float32(0.0), np.float32(0.563), np.float32(0.0), np.float32(0.6948), np.float32(0.755), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:35:29.169413: Epoch time: 116.48 s +2026-02-21 19:35:30.010345: +2026-02-21 19:35:30.011692: Epoch 228 +2026-02-21 19:35:30.012492: Current learning rate: 0.00792 +2026-02-21 19:37:20.435478: train_loss -0.026 +2026-02-21 19:37:20.439828: val_loss -0.0359 +2026-02-21 19:37:20.440849: Pseudo dice [np.float32(0.9223), np.float32(0.943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8715), np.float32(nan), np.float32(0.9235), np.float32(nan), np.float32(0.8627), np.float32(0.0), np.float32(0.8385), np.float32(nan), np.float32(0.8632), np.float32(0.0164), np.float32(0.8071), np.float32(0.0), np.float32(0.6363), np.float32(0.8559), np.float32(0.9216), np.float32(0.8867), np.float32(0.76), np.float32(0.7859), np.float32(0.0), np.float32(0.0542), np.float32(0.0), np.float32(0.7481), np.float32(0.0), np.float32(0.0), np.float32(0.9324), np.float32(0.0399), np.float32(0.824), np.float32(0.0), np.float32(0.3836), np.float32(0.3334), np.float32(0.9493), np.float32(0.9613), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7058), np.float32(0.2828), np.float32(0.0151), np.float32(0.0), np.float32(0.5488), np.float32(0.0), np.float32(0.7245), np.float32(0.7924), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:37:20.441852: Epoch time: 110.43 s +2026-02-21 19:37:22.985637: +2026-02-21 19:37:22.991761: Epoch 229 +2026-02-21 19:37:23.001300: Current learning rate: 0.00791 +2026-02-21 19:39:16.266449: train_loss -0.0212 +2026-02-21 19:39:16.269876: val_loss -0.0446 +2026-02-21 19:39:16.270912: Pseudo dice [np.float32(0.9381), np.float32(0.9322), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8648), np.float32(nan), np.float32(0.9372), np.float32(nan), np.float32(0.915), np.float32(0.0), np.float32(0.87), np.float32(0.0), np.float32(0.8626), np.float32(0.2378), np.float32(0.8142), np.float32(0.0302), np.float32(0.6386), np.float32(0.8801), np.float32(0.8862), np.float32(0.8942), np.float32(0.7167), np.float32(0.785), np.float32(0.0), np.float32(0.0867), np.float32(0.0), np.float32(0.8568), np.float32(0.0), np.float32(0.0), np.float32(0.7769), np.float32(0.0201), np.float32(0.7203), np.float32(0.0005), np.float32(0.3512), np.float32(0.3676), np.float32(0.938), np.float32(0.9284), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7287), np.float32(0.0), np.float32(0.272), np.float32(0.0), np.float32(0.6082), np.float32(0.0), np.float32(0.7411), np.float32(0.8089), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:39:16.271915: Epoch time: 113.28 s +2026-02-21 19:39:17.106715: +2026-02-21 19:39:17.107792: Epoch 230 +2026-02-21 19:39:17.108590: Current learning rate: 0.0079 +2026-02-21 19:41:05.652979: train_loss -0.0152 +2026-02-21 19:41:05.657787: val_loss -0.0524 +2026-02-21 19:41:05.658894: Pseudo dice [np.float32(0.9276), np.float32(0.9602), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8487), np.float32(nan), np.float32(0.9378), np.float32(nan), np.float32(0.9082), np.float32(0.14), np.float32(0.8721), np.float32(0.0), np.float32(0.8718), np.float32(0.4832), np.float32(0.7878), np.float32(0.5959), np.float32(0.642), np.float32(0.8351), np.float32(0.9194), np.float32(0.8965), np.float32(0.7857), np.float32(0.7898), np.float32(0.0), np.float32(0.2349), np.float32(0.0), np.float32(0.7348), np.float32(0.0), np.float32(0.0), np.float32(0.8887), np.float32(0.025), np.float32(0.8206), np.float32(0.1298), np.float32(0.3782), np.float32(0.2886), np.float32(0.8938), np.float32(0.8968), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6565), np.float32(0.0431), np.float32(0.6345), np.float32(0.2219), np.float32(0.5047), np.float32(0.4225), np.float32(0.756), np.float32(0.8209), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:41:05.659811: Epoch time: 108.55 s +2026-02-21 19:41:06.558842: +2026-02-21 19:41:06.559902: Epoch 231 +2026-02-21 19:41:06.561204: Current learning rate: 0.00789 +2026-02-21 19:43:07.641835: train_loss -0.0271 +2026-02-21 19:43:07.646147: val_loss -0.0551 +2026-02-21 19:43:07.648124: Pseudo dice [np.float32(0.9416), np.float32(0.9402), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8591), np.float32(nan), np.float32(0.9223), np.float32(nan), np.float32(0.9179), np.float32(0.0), np.float32(0.8729), np.float32(nan), np.float32(0.8618), np.float32(0.1284), np.float32(0.8239), np.float32(0.2494), np.float32(0.6079), np.float32(0.8625), np.float32(0.9359), np.float32(0.8935), np.float32(0.7768), np.float32(0.7627), np.float32(0.0), np.float32(0.2961), np.float32(0.0), np.float32(0.7093), np.float32(0.0), np.float32(0.0), np.float32(0.9293), np.float32(0.0111), np.float32(0.8162), np.float32(0.0007), np.float32(0.3344), np.float32(0.3415), np.float32(0.9268), np.float32(0.9013), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7377), np.float32(0.0042), np.float32(0.2957), np.float32(0.4671), np.float32(0.612), np.float32(0.0), np.float32(0.769), np.float32(0.8091), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:43:07.649024: Epoch time: 121.09 s +2026-02-21 19:43:08.490746: +2026-02-21 19:43:08.492059: Epoch 232 +2026-02-21 19:43:08.494180: Current learning rate: 0.00789 +2026-02-21 19:44:47.512418: train_loss -0.0143 +2026-02-21 19:44:47.516685: val_loss 0.0131 +2026-02-21 19:44:47.517719: Pseudo dice [np.float32(0.9224), np.float32(0.9462), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8349), np.float32(nan), np.float32(0.9034), np.float32(nan), np.float32(0.8978), np.float32(0.0), np.float32(0.8274), np.float32(nan), np.float32(0.7342), np.float32(0.1118), np.float32(0.7576), np.float32(0.6721), np.float32(0.5871), np.float32(0.8037), np.float32(0.9116), np.float32(0.8563), np.float32(0.7201), np.float32(0.7396), np.float32(0.0), np.float32(0.4048), np.float32(0.0), np.float32(0.754), np.float32(0.0), np.float32(0.0), np.float32(0.8732), np.float32(0.0), np.float32(0.7779), np.float32(0.0), np.float32(0.3569), np.float32(0.2376), np.float32(0.8492), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6247), np.float32(nan), np.float32(0.0836), np.float32(0.0), np.float32(0.7187), np.float32(0.128), np.float32(0.6868), np.float32(0.7795), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:44:47.518952: Epoch time: 99.02 s +2026-02-21 19:44:47.519661: Yayy! New best EMA pseudo Dice: 0.5332000255584717 +2026-02-21 19:44:49.238030: +2026-02-21 19:44:49.239218: Epoch 233 +2026-02-21 19:44:49.240045: Current learning rate: 0.00788 +2026-02-21 19:46:43.612978: train_loss -0.0254 +2026-02-21 19:46:43.616582: val_loss -0.0502 +2026-02-21 19:46:43.617867: Pseudo dice [np.float32(0.8975), np.float32(0.9117), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.866), np.float32(nan), np.float32(0.9104), np.float32(nan), np.float32(0.9384), np.float32(0.0157), np.float32(0.8629), np.float32(nan), np.float32(0.8739), np.float32(0.3005), np.float32(0.8072), np.float32(0.5374), np.float32(0.6086), np.float32(0.8619), np.float32(0.8762), np.float32(0.8527), np.float32(0.7079), np.float32(0.735), np.float32(0.0), np.float32(0.0316), np.float32(0.0), np.float32(0.7866), np.float32(0.0), np.float32(0.0), np.float32(0.9364), np.float32(0.2325), np.float32(0.8117), np.float32(0.0), np.float32(0.2971), np.float32(0.2905), np.float32(0.9144), np.float32(0.8758), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7443), np.float32(0.0), np.float32(0.1244), np.float32(0.0266), np.float32(0.3789), np.float32(0.4389), np.float32(0.7343), np.float32(0.8027), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:46:43.618855: Epoch time: 114.38 s +2026-02-21 19:46:43.619571: Yayy! New best EMA pseudo Dice: 0.5336999893188477 +2026-02-21 19:46:45.346106: +2026-02-21 19:46:45.347423: Epoch 234 +2026-02-21 19:46:45.348218: Current learning rate: 0.00787 +2026-02-21 19:48:46.904233: train_loss -0.0295 +2026-02-21 19:48:46.907625: val_loss -0.0339 +2026-02-21 19:48:46.908647: Pseudo dice [np.float32(0.9243), np.float32(0.929), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8497), np.float32(nan), np.float32(0.9261), np.float32(nan), np.float32(0.9247), np.float32(0.0035), np.float32(0.8205), np.float32(nan), np.float32(0.8377), np.float32(0.3469), np.float32(0.826), np.float32(0.4178), np.float32(0.6163), np.float32(0.8249), np.float32(0.9099), np.float32(0.8889), np.float32(0.7484), np.float32(0.7879), np.float32(0.0), np.float32(0.0679), np.float32(nan), np.float32(0.7749), np.float32(0.0715), np.float32(0.0), np.float32(0.8872), np.float32(0.0326), np.float32(0.7639), np.float32(0.0386), np.float32(0.3723), np.float32(0.3579), np.float32(0.9294), np.float32(0.9244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6922), np.float32(0.0), np.float32(0.6146), np.float32(0.2567), np.float32(0.5772), np.float32(0.1716), np.float32(0.7606), np.float32(0.809), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:48:46.909789: Epoch time: 121.56 s +2026-02-21 19:48:46.910614: Yayy! New best EMA pseudo Dice: 0.5374000072479248 +2026-02-21 19:48:48.613936: +2026-02-21 19:48:48.615350: Epoch 235 +2026-02-21 19:48:48.616176: Current learning rate: 0.00786 +2026-02-21 19:50:43.562309: train_loss -0.0477 +2026-02-21 19:50:43.573330: val_loss -0.0299 +2026-02-21 19:50:43.576601: Pseudo dice [np.float32(0.9318), np.float32(0.9313), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8879), np.float32(nan), np.float32(0.8845), np.float32(nan), np.float32(0.9267), np.float32(0.0017), np.float32(0.8373), np.float32(nan), np.float32(0.8687), np.float32(0.2262), np.float32(0.8409), np.float32(0.0), np.float32(0.6137), np.float32(0.8703), np.float32(0.8785), np.float32(0.8603), np.float32(0.7417), np.float32(0.7396), np.float32(0.0), np.float32(0.2974), np.float32(0.0), np.float32(0.8232), np.float32(0.0), np.float32(0.0), np.float32(0.8744), np.float32(0.0564), np.float32(0.8088), np.float32(0.0), np.float32(0.3913), np.float32(0.3596), np.float32(0.9361), np.float32(0.9254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6811), np.float32(0.0126), np.float32(0.4948), np.float32(0.4249), np.float32(0.6626), np.float32(0.0022), np.float32(0.7682), np.float32(0.7983), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:50:43.577599: Epoch time: 114.95 s +2026-02-21 19:50:43.578540: Yayy! New best EMA pseudo Dice: 0.5383999943733215 +2026-02-21 19:50:45.303576: +2026-02-21 19:50:45.305901: Epoch 236 +2026-02-21 19:50:45.306715: Current learning rate: 0.00785 +2026-02-21 19:52:30.849208: train_loss -0.0371 +2026-02-21 19:52:30.853491: val_loss -0.0491 +2026-02-21 19:52:30.855000: Pseudo dice [np.float32(0.9343), np.float32(0.8996), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.873), np.float32(nan), np.float32(0.9439), np.float32(nan), np.float32(0.7925), np.float32(0.3889), np.float32(0.8633), np.float32(0.0), np.float32(0.8764), np.float32(0.3784), np.float32(0.8112), np.float32(0.1305), np.float32(0.6753), np.float32(0.8731), np.float32(0.8983), np.float32(0.8864), np.float32(0.7373), np.float32(0.7753), np.float32(0.0), np.float32(0.0722), np.float32(0.0), np.float32(0.8309), np.float32(0.0), np.float32(0.0), np.float32(0.9136), np.float32(0.0214), np.float32(0.8344), np.float32(0.0043), np.float32(0.3716), np.float32(0.3527), np.float32(0.8739), np.float32(0.9085), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6833), np.float32(0.0383), np.float32(0.1568), np.float32(0.1921), np.float32(0.3255), np.float32(0.4084), np.float32(0.7519), np.float32(0.7996), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:52:30.855755: Epoch time: 105.55 s +2026-02-21 19:52:31.708610: +2026-02-21 19:52:31.710457: Epoch 237 +2026-02-21 19:52:31.713027: Current learning rate: 0.00784 +2026-02-21 19:54:15.994027: train_loss -0.0411 +2026-02-21 19:54:15.997886: val_loss -0.0276 +2026-02-21 19:54:15.998923: Pseudo dice [np.float32(0.9225), np.float32(0.9415), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8738), np.float32(nan), np.float32(0.8868), np.float32(nan), np.float32(0.932), np.float32(0.3627), np.float32(0.8475), np.float32(nan), np.float32(0.8394), np.float32(0.3637), np.float32(0.8277), np.float32(0.0), np.float32(0.6429), np.float32(0.8634), np.float32(0.9007), np.float32(0.8592), np.float32(0.7705), np.float32(0.742), np.float32(0.001), np.float32(0.5192), np.float32(0.0), np.float32(0.8053), np.float32(0.0), np.float32(0.0), np.float32(0.9115), np.float32(0.0), np.float32(0.7768), np.float32(0.1036), np.float32(0.4341), np.float32(0.3366), np.float32(0.8997), np.float32(0.8976), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7144), np.float32(0.0613), np.float32(0.6969), np.float32(0.3517), np.float32(0.5005), np.float32(0.0013), np.float32(0.7598), np.float32(0.812), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:54:15.999915: Epoch time: 104.29 s +2026-02-21 19:54:16.000618: Yayy! New best EMA pseudo Dice: 0.5407999753952026 +2026-02-21 19:54:17.743339: +2026-02-21 19:54:17.744524: Epoch 238 +2026-02-21 19:54:17.745353: Current learning rate: 0.00783 +2026-02-21 19:56:06.731715: train_loss -0.0199 +2026-02-21 19:56:06.735783: val_loss -0.0242 +2026-02-21 19:56:06.736976: Pseudo dice [np.float32(0.9253), np.float32(0.9369), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8512), np.float32(nan), np.float32(0.9118), np.float32(nan), np.float32(0.8573), np.float32(0.0), np.float32(0.8324), np.float32(nan), np.float32(0.8632), np.float32(0.1701), np.float32(0.8087), np.float32(0.6843), np.float32(0.6183), np.float32(0.8503), np.float32(0.8806), np.float32(0.8668), np.float32(0.7294), np.float32(0.7523), np.float32(0.0394), np.float32(0.3457), np.float32(0.0), np.float32(0.7452), np.float32(0.0003), np.float32(0.0), np.float32(0.9241), np.float32(0.146), np.float32(0.8011), np.float32(0.3093), np.float32(0.2345), np.float32(0.2986), np.float32(0.8313), np.float32(0.8555), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.755), np.float32(0.0644), np.float32(0.5432), np.float32(0.2873), np.float32(0.636), np.float32(0.0026), np.float32(0.7312), np.float32(0.7627), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:56:06.737926: Epoch time: 108.99 s +2026-02-21 19:56:06.738639: Yayy! New best EMA pseudo Dice: 0.5428000092506409 +2026-02-21 19:56:08.466883: +2026-02-21 19:56:08.469343: Epoch 239 +2026-02-21 19:56:08.470919: Current learning rate: 0.00782 +2026-02-21 19:57:57.133785: train_loss -0.0247 +2026-02-21 19:57:57.141333: val_loss 0.0104 +2026-02-21 19:57:57.142864: Pseudo dice [np.float32(0.928), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8455), np.float32(nan), np.float32(0.8913), np.float32(nan), np.float32(0.8328), np.float32(0.0006), np.float32(0.8236), np.float32(0.0), np.float32(0.749), np.float32(0.004), np.float32(0.7836), np.float32(0.3122), np.float32(0.5515), np.float32(0.8287), np.float32(0.8834), np.float32(0.8662), np.float32(0.7505), np.float32(0.7709), np.float32(0.56), np.float32(0.4336), np.float32(0.0), np.float32(0.7185), np.float32(0.0366), np.float32(0.0008), np.float32(0.9098), np.float32(0.0), np.float32(0.8235), np.float32(0.0), np.float32(0.3542), np.float32(0.2754), np.float32(0.8441), np.float32(0.8531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5061), np.float32(0.0), np.float32(0.0314), np.float32(0.0), np.float32(0.0033), np.float32(0.6851), np.float32(0.7208), np.float32(0.7823), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:57:57.146352: Epoch time: 108.67 s +2026-02-21 19:57:57.995308: +2026-02-21 19:57:57.996350: Epoch 240 +2026-02-21 19:57:57.997153: Current learning rate: 0.00781 +2026-02-21 19:59:52.193506: train_loss -0.0489 +2026-02-21 19:59:52.197019: val_loss -0.0767 +2026-02-21 19:59:52.198029: Pseudo dice [np.float32(0.9664), np.float32(0.9689), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9619), np.float32(nan), np.float32(0.949), np.float32(0.0008), np.float32(0.873), np.float32(0.0), np.float32(0.906), np.float32(0.2003), np.float32(0.8183), np.float32(0.0724), np.float32(0.6731), np.float32(0.8928), np.float32(0.9453), np.float32(0.9205), np.float32(0.8217), np.float32(0.8042), np.float32(0.0), np.float32(0.6052), np.float32(0.0), np.float32(0.7872), np.float32(0.0), np.float32(0.0), np.float32(0.8674), np.float32(0.0321), np.float32(0.8075), np.float32(0.0015), np.float32(0.3291), np.float32(0.3641), np.float32(0.8307), np.float32(0.8608), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7431), np.float32(0.0), np.float32(0.2486), np.float32(0.0593), np.float32(0.0), np.float32(0.6187), np.float32(0.7958), np.float32(0.8256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 19:59:52.199027: Epoch time: 114.2 s +2026-02-21 19:59:53.046049: +2026-02-21 19:59:53.047292: Epoch 241 +2026-02-21 19:59:53.048133: Current learning rate: 0.0078 +2026-02-21 20:01:56.454496: train_loss -0.0363 +2026-02-21 20:01:56.457965: val_loss -0.0359 +2026-02-21 20:01:56.459005: Pseudo dice [np.float32(0.9414), np.float32(0.9446), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8747), np.float32(nan), np.float32(0.9209), np.float32(nan), np.float32(0.9117), np.float32(0.0276), np.float32(0.8551), np.float32(0.0), np.float32(0.8381), np.float32(0.1883), np.float32(0.8099), np.float32(0.4581), np.float32(0.5924), np.float32(0.8582), np.float32(0.903), np.float32(0.9079), np.float32(0.7839), np.float32(0.7676), np.float32(0.0), np.float32(0.2877), np.float32(0.0), np.float32(0.8139), np.float32(0.0), np.float32(0.0), np.float32(0.8979), np.float32(0.2275), np.float32(0.7946), np.float32(0.0235), np.float32(0.3616), np.float32(0.3405), np.float32(0.9001), np.float32(0.864), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6213), np.float32(0.0259), np.float32(0.5146), np.float32(0.4421), np.float32(0.014), np.float32(0.5923), np.float32(0.7033), np.float32(0.7753), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:01:56.460007: Epoch time: 123.41 s +2026-02-21 20:01:57.320833: +2026-02-21 20:01:57.322835: Epoch 242 +2026-02-21 20:01:57.323635: Current learning rate: 0.00779 +2026-02-21 20:03:54.973508: train_loss -0.0368 +2026-02-21 20:03:54.978176: val_loss -0.0577 +2026-02-21 20:03:54.979713: Pseudo dice [np.float32(0.9243), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8818), np.float32(nan), np.float32(0.9298), np.float32(nan), np.float32(0.9179), np.float32(0.0), np.float32(0.8589), np.float32(nan), np.float32(0.8761), np.float32(0.3459), np.float32(0.8092), np.float32(0.6707), np.float32(0.6305), np.float32(0.8624), np.float32(0.9224), np.float32(0.9045), np.float32(0.7857), np.float32(0.8165), np.float32(0.0), np.float32(0.553), np.float32(0.0), np.float32(0.8203), np.float32(0.0), np.float32(0.0), np.float32(0.8938), np.float32(0.0), np.float32(0.8215), np.float32(0.0), np.float32(0.311), np.float32(0.3378), np.float32(0.8904), np.float32(0.8904), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6487), np.float32(0.1528), np.float32(0.6866), np.float32(0.0073), np.float32(0.3618), np.float32(0.0304), np.float32(0.7695), np.float32(0.8265), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:03:54.980705: Epoch time: 117.66 s +2026-02-21 20:03:55.830517: +2026-02-21 20:03:55.831992: Epoch 243 +2026-02-21 20:03:55.832802: Current learning rate: 0.00778 +2026-02-21 20:05:48.959641: train_loss -0.029 +2026-02-21 20:05:48.962806: val_loss -0.0353 +2026-02-21 20:05:48.963816: Pseudo dice [np.float32(0.9454), np.float32(0.8632), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8595), np.float32(nan), np.float32(0.9215), np.float32(nan), np.float32(0.8639), np.float32(0.0334), np.float32(0.8745), np.float32(nan), np.float32(0.8697), np.float32(0.2585), np.float32(0.7929), np.float32(0.3983), np.float32(0.5723), np.float32(0.8735), np.float32(0.8966), np.float32(0.8909), np.float32(0.6812), np.float32(0.7753), np.float32(0.0), np.float32(0.1597), np.float32(0.0), np.float32(0.8243), np.float32(0.0), np.float32(0.0), np.float32(0.8958), np.float32(0.0), np.float32(0.877), np.float32(0.1556), np.float32(0.3761), np.float32(0.2925), np.float32(0.8714), np.float32(0.899), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5109), np.float32(0.0), np.float32(0.4663), np.float32(0.0), np.float32(0.6517), np.float32(0.0), np.float32(0.7513), np.float32(0.7762), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:05:48.964831: Epoch time: 113.13 s +2026-02-21 20:05:49.819564: +2026-02-21 20:05:49.820972: Epoch 244 +2026-02-21 20:05:49.821793: Current learning rate: 0.00777 +2026-02-21 20:07:40.797118: train_loss -0.0257 +2026-02-21 20:07:40.801277: val_loss -0.0694 +2026-02-21 20:07:40.802305: Pseudo dice [np.float32(0.9473), np.float32(0.9364), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8829), np.float32(nan), np.float32(0.9393), np.float32(nan), np.float32(0.9118), np.float32(0.0595), np.float32(0.8658), np.float32(nan), np.float32(0.8929), np.float32(0.1515), np.float32(0.8326), np.float32(0.5264), np.float32(0.6583), np.float32(0.8813), np.float32(0.9283), np.float32(0.8909), np.float32(0.7764), np.float32(0.7469), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7814), np.float32(0.0112), np.float32(0.0), np.float32(0.9418), np.float32(0.002), np.float32(0.8119), np.float32(0.0382), np.float32(0.4154), np.float32(0.3344), np.float32(0.9468), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7943), np.float32(0.0014), np.float32(0.5726), np.float32(0.6487), np.float32(0.6645), np.float32(0.0047), np.float32(0.7923), np.float32(0.8412), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:07:40.803298: Epoch time: 110.98 s +2026-02-21 20:07:40.804260: Yayy! New best EMA pseudo Dice: 0.5446000099182129 +2026-02-21 20:07:42.473424: +2026-02-21 20:07:42.474622: Epoch 245 +2026-02-21 20:07:42.475415: Current learning rate: 0.00777 +2026-02-21 20:09:25.480725: train_loss -0.0336 +2026-02-21 20:09:25.484377: val_loss -0.0458 +2026-02-21 20:09:25.485396: Pseudo dice [np.float32(0.8847), np.float32(0.9196), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.882), np.float32(nan), np.float32(0.9076), np.float32(nan), np.float32(0.8956), np.float32(0.0005), np.float32(0.8571), np.float32(nan), np.float32(0.8686), np.float32(0.3751), np.float32(0.7915), np.float32(0.7163), np.float32(0.5983), np.float32(0.8619), np.float32(0.8985), np.float32(0.8793), np.float32(0.7663), np.float32(0.7425), np.float32(0.3628), np.float32(0.4003), np.float32(0.0), np.float32(0.7869), np.float32(0.0), np.float32(0.0), np.float32(0.9241), np.float32(0.0), np.float32(0.8162), np.float32(0.0512), np.float32(0.4205), np.float32(0.3841), np.float32(0.9568), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7345), np.float32(0.0397), np.float32(0.6045), np.float32(0.417), np.float32(0.734), np.float32(0.0), np.float32(0.7178), np.float32(0.8029), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:09:25.486406: Epoch time: 103.01 s +2026-02-21 20:09:25.487106: Yayy! New best EMA pseudo Dice: 0.5490000247955322 +2026-02-21 20:09:27.221768: +2026-02-21 20:09:27.222909: Epoch 246 +2026-02-21 20:09:27.223713: Current learning rate: 0.00776 +2026-02-21 20:11:24.541105: train_loss 0.0059 +2026-02-21 20:11:24.549067: val_loss -0.0427 +2026-02-21 20:11:24.550081: Pseudo dice [np.float32(0.9556), np.float32(0.9431), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8572), np.float32(nan), np.float32(0.9444), np.float32(nan), np.float32(0.8901), np.float32(0.0), np.float32(0.8416), np.float32(nan), np.float32(0.8587), np.float32(0.0783), np.float32(0.8185), np.float32(0.6618), np.float32(0.6177), np.float32(0.8535), np.float32(0.9289), np.float32(0.8936), np.float32(0.7689), np.float32(0.786), np.float32(0.0), np.float32(0.0006), np.float32(0.0), np.float32(0.8262), np.float32(0.002), np.float32(0.0008), np.float32(0.8262), np.float32(0.0548), np.float32(0.7849), np.float32(0.0109), np.float32(0.3546), np.float32(0.3556), np.float32(0.8581), np.float32(0.8014), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7067), np.float32(0.5127), np.float32(0.2538), np.float32(0.0), np.float32(0.6411), np.float32(0.0), np.float32(0.7505), np.float32(0.8091), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:11:24.551830: Epoch time: 117.32 s +2026-02-21 20:11:25.412576: +2026-02-21 20:11:25.413617: Epoch 247 +2026-02-21 20:11:25.414425: Current learning rate: 0.00775 +2026-02-21 20:13:19.190597: train_loss -0.0245 +2026-02-21 20:13:19.194613: val_loss -0.0128 +2026-02-21 20:13:19.195782: Pseudo dice [np.float32(0.9132), np.float32(0.9398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.867), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9312), np.float32(0.0008), np.float32(0.8166), np.float32(nan), np.float32(0.8292), np.float32(0.5305), np.float32(0.8034), np.float32(0.56), np.float32(0.5672), np.float32(0.8563), np.float32(0.9079), np.float32(0.8563), np.float32(0.7101), np.float32(0.7367), np.float32(0.5253), np.float32(0.0206), np.float32(0.0), np.float32(0.7127), np.float32(0.0002), np.float32(0.0), np.float32(0.9069), np.float32(0.0711), np.float32(0.7885), np.float32(0.0143), np.float32(0.3123), np.float32(0.3103), np.float32(0.8238), np.float32(0.9063), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5991), np.float32(0.0207), np.float32(0.6087), np.float32(0.4089), np.float32(0.0), np.float32(0.6375), np.float32(0.7337), np.float32(0.8065), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:13:19.196620: Epoch time: 113.78 s +2026-02-21 20:13:19.197328: Yayy! New best EMA pseudo Dice: 0.5498999953269958 +2026-02-21 20:13:20.888236: +2026-02-21 20:13:20.890936: Epoch 248 +2026-02-21 20:13:20.891734: Current learning rate: 0.00774 +2026-02-21 20:15:20.206664: train_loss -0.0431 +2026-02-21 20:15:20.210260: val_loss -0.0497 +2026-02-21 20:15:20.211284: Pseudo dice [np.float32(0.9396), np.float32(0.9553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.87), np.float32(nan), np.float32(0.9344), np.float32(nan), np.float32(0.8142), np.float32(0.0), np.float32(0.8455), np.float32(0.0), np.float32(0.8369), np.float32(0.4362), np.float32(0.7954), np.float32(0.0004), np.float32(0.6155), np.float32(0.8741), np.float32(0.9198), np.float32(0.8867), np.float32(0.7705), np.float32(0.7472), np.float32(0.0), np.float32(0.3673), np.float32(0.0), np.float32(0.809), np.float32(0.0003), np.float32(0.0), np.float32(0.9189), np.float32(0.254), np.float32(0.8506), np.float32(0.0154), np.float32(0.3597), np.float32(0.384), np.float32(0.9278), np.float32(0.9354), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6926), np.float32(0.0409), np.float32(0.7231), np.float32(0.0315), np.float32(0.6338), np.float32(0.0), np.float32(0.7426), np.float32(0.8054), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:15:20.212292: Epoch time: 119.32 s +2026-02-21 20:15:21.057402: +2026-02-21 20:15:21.058485: Epoch 249 +2026-02-21 20:15:21.059298: Current learning rate: 0.00773 +2026-02-21 20:17:09.748791: train_loss -0.0282 +2026-02-21 20:17:09.752038: val_loss -0.0414 +2026-02-21 20:17:09.753321: Pseudo dice [np.float32(0.9395), np.float32(0.9361), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8684), np.float32(nan), np.float32(0.9209), np.float32(nan), np.float32(0.93), np.float32(0.3258), np.float32(0.8278), np.float32(0.0), np.float32(0.8471), np.float32(0.1729), np.float32(0.7869), np.float32(0.2485), np.float32(0.6511), np.float32(0.8684), np.float32(0.9266), np.float32(0.894), np.float32(0.7517), np.float32(0.7296), np.float32(0.0015), np.float32(0.5258), np.float32(0.0), np.float32(0.8195), np.float32(0.0), np.float32(0.0), np.float32(0.9135), np.float32(0.0039), np.float32(0.8466), np.float32(0.0), np.float32(0.2966), np.float32(0.3484), np.float32(0.8769), np.float32(0.8893), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.822), np.float32(0.0), np.float32(0.1145), np.float32(0.1258), np.float32(0.4656), np.float32(0.4153), np.float32(0.7421), np.float32(0.8014), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:17:09.754301: Epoch time: 108.69 s +2026-02-21 20:17:11.411769: +2026-02-21 20:17:11.413116: Epoch 250 +2026-02-21 20:17:11.413945: Current learning rate: 0.00772 +2026-02-21 20:19:12.911701: train_loss -0.0123 +2026-02-21 20:19:12.915294: val_loss -0.0219 +2026-02-21 20:19:12.916308: Pseudo dice [np.float32(0.923), np.float32(0.9425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.8832), np.float32(nan), np.float32(0.9277), np.float32(0.0), np.float32(0.8355), np.float32(0.0), np.float32(0.8305), np.float32(0.0088), np.float32(0.7933), np.float32(0.5108), np.float32(0.5945), np.float32(0.8529), np.float32(0.9034), np.float32(0.8537), np.float32(0.7616), np.float32(0.7398), np.float32(0.2053), np.float32(0.5365), np.float32(0.0), np.float32(0.752), np.float32(0.0004), np.float32(0.0), np.float32(0.9097), np.float32(0.1784), np.float32(0.7543), np.float32(0.1021), np.float32(0.3389), np.float32(0.2681), np.float32(0.9065), np.float32(0.8998), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7733), np.float32(0.0), np.float32(0.5149), np.float32(0.1649), np.float32(0.5798), np.float32(0.0009), np.float32(0.7431), np.float32(0.7755), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:19:12.917314: Epoch time: 121.5 s +2026-02-21 20:19:13.772343: +2026-02-21 20:19:13.773600: Epoch 251 +2026-02-21 20:19:13.774390: Current learning rate: 0.00771 +2026-02-21 20:20:59.107632: train_loss -0.0154 +2026-02-21 20:20:59.141877: val_loss -0.0056 +2026-02-21 20:20:59.148314: Pseudo dice [np.float32(0.9064), np.float32(0.8885), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8562), np.float32(nan), np.float32(0.9148), np.float32(nan), np.float32(0.8728), np.float32(0.0003), np.float32(0.81), np.float32(0.0), np.float32(0.8037), np.float32(0.2187), np.float32(0.804), np.float32(0.0796), np.float32(0.6344), np.float32(0.8077), np.float32(0.9005), np.float32(0.8662), np.float32(0.721), np.float32(0.7738), np.float32(0.0), np.float32(0.4377), np.float32(0.0), np.float32(0.7857), np.float32(0.0), np.float32(0.0), np.float32(0.9084), np.float32(0.0377), np.float32(0.813), np.float32(0.0916), np.float32(0.2594), np.float32(0.3617), np.float32(0.883), np.float32(0.8731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8533), np.float32(0.0004), np.float32(0.4616), np.float32(0.0), np.float32(0.5149), np.float32(0.0), np.float32(0.7858), np.float32(0.7671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:20:59.153449: Epoch time: 105.34 s +2026-02-21 20:21:00.040621: +2026-02-21 20:21:00.044915: Epoch 252 +2026-02-21 20:21:00.049329: Current learning rate: 0.0077 +2026-02-21 20:23:00.796768: train_loss -0.0182 +2026-02-21 20:23:00.803885: val_loss -0.0337 +2026-02-21 20:23:00.804904: Pseudo dice [np.float32(0.9117), np.float32(0.9101), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8537), np.float32(nan), np.float32(0.9359), np.float32(nan), np.float32(0.8032), np.float32(0.1513), np.float32(0.8446), np.float32(nan), np.float32(0.8617), np.float32(0.2878), np.float32(0.8323), np.float32(0.3732), np.float32(0.5755), np.float32(0.8668), np.float32(0.9084), np.float32(0.8973), np.float32(0.7347), np.float32(0.7316), np.float32(0.0), np.float32(0.337), np.float32(0.0), np.float32(0.8343), np.float32(0.0), np.float32(0.0), np.float32(0.871), np.float32(0.043), np.float32(0.8255), np.float32(0.0), np.float32(0.4351), np.float32(0.3361), np.float32(0.9446), np.float32(0.9522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5899), np.float32(0.0), np.float32(0.1339), np.float32(0.072), np.float32(0.5744), np.float32(0.0), np.float32(0.7367), np.float32(0.785), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:23:00.805660: Epoch time: 120.76 s +2026-02-21 20:23:01.662234: +2026-02-21 20:23:01.663649: Epoch 253 +2026-02-21 20:23:01.664455: Current learning rate: 0.00769 +2026-02-21 20:24:57.293129: train_loss -0.0302 +2026-02-21 20:24:57.297078: val_loss -0.0376 +2026-02-21 20:24:57.298098: Pseudo dice [np.float32(0.9435), np.float32(0.8963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8481), np.float32(nan), np.float32(0.9463), np.float32(nan), np.float32(0.8528), np.float32(0.0), np.float32(0.8558), np.float32(0.0), np.float32(0.8423), np.float32(0.1212), np.float32(0.7558), np.float32(0.6231), np.float32(0.6196), np.float32(0.837), np.float32(0.9219), np.float32(0.88), np.float32(0.7176), np.float32(0.76), np.float32(0.0846), np.float32(0.1512), np.float32(0.0), np.float32(0.797), np.float32(0.0), np.float32(0.0), np.float32(0.9425), np.float32(0.1695), np.float32(0.7992), np.float32(0.0), np.float32(0.3374), np.float32(0.2431), np.float32(0.9011), np.float32(0.9052), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7853), np.float32(0.4567), np.float32(0.1782), np.float32(0.5707), np.float32(0.0), np.float32(0.5802), np.float32(0.7283), np.float32(0.8099), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:24:57.298861: Epoch time: 115.63 s +2026-02-21 20:24:58.163522: +2026-02-21 20:24:58.164588: Epoch 254 +2026-02-21 20:24:58.165402: Current learning rate: 0.00768 +2026-02-21 20:26:51.312667: train_loss -0.0266 +2026-02-21 20:26:51.316325: val_loss -0.0007 +2026-02-21 20:26:51.317354: Pseudo dice [np.float32(0.8799), np.float32(0.8942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8505), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.8362), np.float32(0.0), np.float32(0.8551), np.float32(nan), np.float32(0.8471), np.float32(0.219), np.float32(0.8064), np.float32(0.3457), np.float32(0.5526), np.float32(0.8398), np.float32(0.8878), np.float32(0.8636), np.float32(0.7285), np.float32(0.7659), np.float32(0.0), np.float32(0.0217), np.float32(0.0), np.float32(0.712), np.float32(0.0004), np.float32(0.0), np.float32(0.8286), np.float32(0.0003), np.float32(0.7687), np.float32(0.0543), np.float32(0.288), np.float32(0.3023), np.float32(0.8482), np.float32(0.8236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7568), np.float32(0.0), np.float32(0.4037), np.float32(0.0409), np.float32(0.0), np.float32(0.6628), np.float32(0.7222), np.float32(0.8037), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:26:51.318357: Epoch time: 113.15 s +2026-02-21 20:26:52.174643: +2026-02-21 20:26:52.175756: Epoch 255 +2026-02-21 20:26:52.176504: Current learning rate: 0.00767 +2026-02-21 20:28:42.564365: train_loss -0.0282 +2026-02-21 20:28:42.567713: val_loss -0.0254 +2026-02-21 20:28:42.568741: Pseudo dice [np.float32(0.9235), np.float32(0.9362), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8605), np.float32(nan), np.float32(0.9034), np.float32(nan), np.float32(0.9248), np.float32(0.0), np.float32(0.8201), np.float32(0.0), np.float32(0.8888), np.float32(0.4071), np.float32(0.7948), np.float32(0.1008), np.float32(0.6077), np.float32(0.8452), np.float32(0.9084), np.float32(0.8799), np.float32(0.7573), np.float32(0.7422), np.float32(0.0), np.float32(0.4927), np.float32(0.0), np.float32(0.8095), np.float32(0.0), np.float32(0.0), np.float32(0.9106), np.float32(0.0416), np.float32(0.7869), np.float32(0.012), np.float32(0.4534), np.float32(0.3574), np.float32(0.8779), np.float32(0.8466), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6141), np.float32(0.1947), np.float32(0.3685), np.float32(0.4582), np.float32(0.0), np.float32(0.4405), np.float32(0.7591), np.float32(0.8118), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:28:42.569990: Epoch time: 110.39 s +2026-02-21 20:28:43.431695: +2026-02-21 20:28:43.433026: Epoch 256 +2026-02-21 20:28:43.433853: Current learning rate: 0.00766 +2026-02-21 20:30:41.108263: train_loss -0.0192 +2026-02-21 20:30:41.111895: val_loss -0.0332 +2026-02-21 20:30:41.112925: Pseudo dice [np.float32(0.9509), np.float32(0.9352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8848), np.float32(nan), np.float32(0.9383), np.float32(nan), np.float32(0.8891), np.float32(0.1567), np.float32(0.8542), np.float32(0.0), np.float32(0.8406), np.float32(0.4142), np.float32(0.8041), np.float32(0.0191), np.float32(0.6431), np.float32(0.8631), np.float32(0.9244), np.float32(0.8953), np.float32(0.7544), np.float32(0.777), np.float32(0.0), np.float32(0.4634), np.float32(0.0), np.float32(0.7142), np.float32(0.0), np.float32(0.0), np.float32(0.7995), np.float32(0.0384), np.float32(0.822), np.float32(0.0), np.float32(0.4096), np.float32(0.2129), np.float32(0.7952), np.float32(0.8946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7615), np.float32(0.1119), np.float32(0.1594), np.float32(0.0029), np.float32(0.2126), np.float32(0.7004), np.float32(0.7786), np.float32(0.8147), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:30:41.113924: Epoch time: 117.68 s +2026-02-21 20:30:41.976441: +2026-02-21 20:30:41.977806: Epoch 257 +2026-02-21 20:30:41.978635: Current learning rate: 0.00765 +2026-02-21 20:32:36.861651: train_loss -0.0037 +2026-02-21 20:32:36.870037: val_loss -0.0291 +2026-02-21 20:32:36.873114: Pseudo dice [np.float32(0.9213), np.float32(0.9134), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8601), np.float32(nan), np.float32(0.9159), np.float32(nan), np.float32(0.8908), np.float32(0.0), np.float32(0.828), np.float32(0.0), np.float32(0.826), np.float32(0.2738), np.float32(0.7827), np.float32(0.3699), np.float32(0.5583), np.float32(0.8796), np.float32(0.9157), np.float32(0.8819), np.float32(0.7192), np.float32(0.7554), np.float32(0.0), np.float32(0.1173), np.float32(0.0), np.float32(0.7922), np.float32(0.0), np.float32(0.0), np.float32(0.8896), np.float32(0.1151), np.float32(0.747), np.float32(0.0), np.float32(0.2716), np.float32(0.3005), np.float32(0.8465), np.float32(0.8825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7719), np.float32(0.3513), np.float32(0.3894), np.float32(0.0034), np.float32(0.0), np.float32(0.5728), np.float32(0.7445), np.float32(0.801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:32:36.874517: Epoch time: 114.89 s +2026-02-21 20:32:37.743602: +2026-02-21 20:32:37.744947: Epoch 258 +2026-02-21 20:32:37.745748: Current learning rate: 0.00764 +2026-02-21 20:34:25.778984: train_loss -0.0216 +2026-02-21 20:34:25.789374: val_loss -0.0214 +2026-02-21 20:34:25.790667: Pseudo dice [np.float32(0.9209), np.float32(0.9068), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8682), np.float32(nan), np.float32(0.8798), np.float32(nan), np.float32(0.8807), np.float32(0.0), np.float32(0.8169), np.float32(nan), np.float32(0.794), np.float32(0.2468), np.float32(0.7889), np.float32(0.4656), np.float32(0.5915), np.float32(0.8617), np.float32(0.8991), np.float32(0.8673), np.float32(0.7541), np.float32(0.7528), np.float32(0.0), np.float32(0.2953), np.float32(0.0), np.float32(0.7897), np.float32(0.0), np.float32(0.0), np.float32(0.9332), np.float32(0.0908), np.float32(0.7985), np.float32(1e-04), np.float32(0.2707), np.float32(0.3143), np.float32(0.9305), np.float32(0.9353), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.793), np.float32(0.0052), np.float32(0.0172), np.float32(0.224), np.float32(0.0), np.float32(0.5515), np.float32(0.7551), np.float32(0.7964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:34:25.791682: Epoch time: 108.04 s +2026-02-21 20:34:26.645549: +2026-02-21 20:34:26.646856: Epoch 259 +2026-02-21 20:34:26.647752: Current learning rate: 0.00764 +2026-02-21 20:36:15.739318: train_loss -0.0277 +2026-02-21 20:36:15.743439: val_loss -0.0399 +2026-02-21 20:36:15.744464: Pseudo dice [np.float32(0.9081), np.float32(0.9068), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8812), np.float32(nan), np.float32(0.9145), np.float32(nan), np.float32(0.9056), np.float32(0.0), np.float32(0.8522), np.float32(nan), np.float32(0.85), np.float32(0.3679), np.float32(0.8065), np.float32(0.0261), np.float32(0.6434), np.float32(0.8765), np.float32(0.8838), np.float32(0.862), np.float32(0.7002), np.float32(0.7319), np.float32(0.0), np.float32(0.0193), np.float32(0.0), np.float32(0.6969), np.float32(0.0), np.float32(0.0), np.float32(0.861), np.float32(0.2653), np.float32(0.8029), np.float32(0.0003), np.float32(0.3684), np.float32(0.3298), np.float32(0.8899), np.float32(0.8873), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6763), np.float32(0.0813), np.float32(0.6993), np.float32(0.4638), np.float32(0.6124), np.float32(0.0), np.float32(0.7163), np.float32(0.7832), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:36:15.745464: Epoch time: 109.1 s +2026-02-21 20:36:16.601297: +2026-02-21 20:36:16.603509: Epoch 260 +2026-02-21 20:36:16.604791: Current learning rate: 0.00763 +2026-02-21 20:38:23.503218: train_loss -0.0341 +2026-02-21 20:38:23.506948: val_loss 0.0006 +2026-02-21 20:38:23.508204: Pseudo dice [np.float32(0.9223), np.float32(0.9416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8541), np.float32(nan), np.float32(0.8999), np.float32(nan), np.float32(0.8911), np.float32(0.0767), np.float32(0.8099), np.float32(nan), np.float32(0.8413), np.float32(0.15), np.float32(0.778), np.float32(0.3304), np.float32(0.589), np.float32(0.8572), np.float32(0.9055), np.float32(0.87), np.float32(0.7404), np.float32(0.6958), np.float32(1e-04), np.float32(0.5363), np.float32(0.0), np.float32(0.6245), np.float32(0.0), np.float32(0.0), np.float32(0.9198), np.float32(0.3565), np.float32(0.7346), np.float32(0.1314), np.float32(0.3077), np.float32(0.3421), np.float32(0.8641), np.float32(0.8484), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8384), np.float32(0.0), np.float32(0.4683), np.float32(0.1817), np.float32(0.5998), np.float32(0.0457), np.float32(0.7483), np.float32(0.7878), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:38:23.509208: Epoch time: 126.9 s +2026-02-21 20:38:24.362827: +2026-02-21 20:38:24.365247: Epoch 261 +2026-02-21 20:38:24.366046: Current learning rate: 0.00762 +2026-02-21 20:40:27.314909: train_loss -0.0234 +2026-02-21 20:40:27.318084: val_loss -0.0471 +2026-02-21 20:40:27.319103: Pseudo dice [np.float32(0.9422), np.float32(0.9538), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8568), np.float32(nan), np.float32(0.914), np.float32(nan), np.float32(0.9254), np.float32(0.0), np.float32(0.859), np.float32(nan), np.float32(0.8508), np.float32(0.3671), np.float32(0.8166), np.float32(0.0098), np.float32(0.6777), np.float32(0.8754), np.float32(0.9268), np.float32(0.9109), np.float32(0.7619), np.float32(0.8028), np.float32(0.4791), np.float32(0.4886), np.float32(0.0), np.float32(0.817), np.float32(0.0), np.float32(0.0), np.float32(0.8686), np.float32(0.0), np.float32(0.8071), np.float32(0.0049), np.float32(0.3114), np.float32(0.3354), np.float32(0.911), np.float32(0.8954), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7581), np.float32(0.0086), np.float32(0.3173), np.float32(0.0068), np.float32(0.2726), np.float32(0.4376), np.float32(0.7703), np.float32(0.8115), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:40:27.319873: Epoch time: 122.95 s +2026-02-21 20:40:28.175977: +2026-02-21 20:40:28.177299: Epoch 262 +2026-02-21 20:40:28.178432: Current learning rate: 0.00761 +2026-02-21 20:42:26.933901: train_loss -0.0535 +2026-02-21 20:42:26.937472: val_loss -0.0348 +2026-02-21 20:42:26.938510: Pseudo dice [np.float32(0.9213), np.float32(0.934), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8655), np.float32(nan), np.float32(0.9124), np.float32(nan), np.float32(0.9227), np.float32(0.2193), np.float32(0.8564), np.float32(0.0), np.float32(0.8617), np.float32(0.3335), np.float32(0.8032), np.float32(0.4206), np.float32(0.6175), np.float32(0.8696), np.float32(0.9348), np.float32(0.8716), np.float32(0.7825), np.float32(0.734), np.float32(0.1061), np.float32(0.6108), np.float32(0.0), np.float32(0.8286), np.float32(0.0), np.float32(0.0), np.float32(0.8811), np.float32(0.1468), np.float32(0.8092), np.float32(0.1371), np.float32(0.4158), np.float32(0.3272), np.float32(0.9006), np.float32(0.8977), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8026), np.float32(0.0), np.float32(0.4666), np.float32(0.0917), np.float32(0.6733), np.float32(0.0), np.float32(0.7311), np.float32(0.7831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:42:26.939512: Epoch time: 118.76 s +2026-02-21 20:42:27.813734: +2026-02-21 20:42:27.814690: Epoch 263 +2026-02-21 20:42:27.815646: Current learning rate: 0.0076 +2026-02-21 20:44:28.672266: train_loss -0.0556 +2026-02-21 20:44:28.682050: val_loss -0.0507 +2026-02-21 20:44:28.683940: Pseudo dice [np.float32(0.9229), np.float32(0.9075), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8687), np.float32(nan), np.float32(0.9431), np.float32(nan), np.float32(0.9065), np.float32(0.3044), np.float32(0.8262), np.float32(nan), np.float32(0.8692), np.float32(0.4968), np.float32(0.8154), np.float32(0.0), np.float32(0.6471), np.float32(0.8767), np.float32(0.9056), np.float32(0.8896), np.float32(0.73), np.float32(0.7773), np.float32(0.0), np.float32(0.6495), np.float32(0.0), np.float32(0.8391), np.float32(0.0043), np.float32(0.0), np.float32(0.9114), np.float32(0.109), np.float32(0.8013), np.float32(0.0), np.float32(0.4054), np.float32(0.378), np.float32(0.9621), np.float32(0.9562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.777), np.float32(0.1816), np.float32(0.0607), np.float32(0.4975), np.float32(0.5722), np.float32(0.0), np.float32(0.7407), np.float32(0.7893), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:44:28.689515: Epoch time: 120.86 s +2026-02-21 20:44:29.546853: +2026-02-21 20:44:29.548043: Epoch 264 +2026-02-21 20:44:29.549031: Current learning rate: 0.00759 +2026-02-21 20:46:24.469320: train_loss -0.0194 +2026-02-21 20:46:24.472177: val_loss -0.0256 +2026-02-21 20:46:24.473454: Pseudo dice [np.float32(0.9037), np.float32(0.9099), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8433), np.float32(nan), np.float32(0.8887), np.float32(nan), np.float32(0.921), np.float32(0.0), np.float32(0.8348), np.float32(nan), np.float32(0.8464), np.float32(0.0), np.float32(0.8148), np.float32(0.013), np.float32(0.5471), np.float32(0.86), np.float32(0.9229), np.float32(0.861), np.float32(0.7861), np.float32(0.7487), np.float32(0.0), np.float32(0.0309), np.float32(0.0), np.float32(0.7626), np.float32(0.0009), np.float32(0.0), np.float32(0.888), np.float32(0.0035), np.float32(0.7701), np.float32(0.0027), np.float32(0.3621), np.float32(0.3619), np.float32(0.8858), np.float32(0.887), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6913), np.float32(0.0), np.float32(0.2064), np.float32(0.228), np.float32(0.5607), np.float32(0.1464), np.float32(0.7472), np.float32(0.7808), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:46:24.474212: Epoch time: 114.92 s +2026-02-21 20:46:25.323028: +2026-02-21 20:46:25.324142: Epoch 265 +2026-02-21 20:46:25.324944: Current learning rate: 0.00758 +2026-02-21 20:48:09.378780: train_loss 0.0031 +2026-02-21 20:48:09.382848: val_loss -0.0096 +2026-02-21 20:48:09.383876: Pseudo dice [np.float32(0.9137), np.float32(0.8778), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8345), np.float32(nan), np.float32(0.9079), np.float32(nan), np.float32(0.8987), np.float32(0.0), np.float32(0.8492), np.float32(nan), np.float32(0.8445), np.float32(0.0811), np.float32(0.7723), np.float32(0.6147), np.float32(0.6057), np.float32(0.8427), np.float32(0.8784), np.float32(0.8215), np.float32(0.736), np.float32(0.7431), np.float32(0.128), np.float32(0.0644), np.float32(0.0), np.float32(0.809), np.float32(0.0), np.float32(0.0), np.float32(0.9042), np.float32(0.091), np.float32(0.7036), np.float32(0.0), np.float32(0.3435), np.float32(0.3402), np.float32(0.8686), np.float32(0.8127), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6762), np.float32(0.2025), np.float32(0.3607), np.float32(0.2199), np.float32(0.6819), np.float32(0.0), np.float32(0.7336), np.float32(0.7873), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:48:09.384620: Epoch time: 104.06 s +2026-02-21 20:48:10.235901: +2026-02-21 20:48:10.237708: Epoch 266 +2026-02-21 20:48:10.238760: Current learning rate: 0.00757 +2026-02-21 20:49:53.376844: train_loss -0.0299 +2026-02-21 20:49:53.380778: val_loss -0.0438 +2026-02-21 20:49:53.382048: Pseudo dice [np.float32(0.9248), np.float32(0.9509), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8591), np.float32(nan), np.float32(0.9153), np.float32(nan), np.float32(0.907), np.float32(0.0), np.float32(0.8551), np.float32(nan), np.float32(0.8525), np.float32(0.1216), np.float32(0.7971), np.float32(0.4258), np.float32(0.6284), np.float32(0.8651), np.float32(0.911), np.float32(0.858), np.float32(0.7398), np.float32(0.7413), np.float32(1e-04), np.float32(0.4299), np.float32(0.0), np.float32(0.8647), np.float32(0.0), np.float32(0.0), np.float32(0.8977), np.float32(0.0696), np.float32(0.8534), np.float32(0.0053), np.float32(0.2509), np.float32(0.3487), np.float32(0.9468), np.float32(0.9416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6753), np.float32(0.0109), np.float32(0.2216), np.float32(0.374), np.float32(0.5988), np.float32(0.0), np.float32(0.7578), np.float32(0.8021), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:49:53.383397: Epoch time: 103.14 s +2026-02-21 20:49:54.243525: +2026-02-21 20:49:54.244536: Epoch 267 +2026-02-21 20:49:54.245337: Current learning rate: 0.00756 +2026-02-21 20:51:54.093051: train_loss -0.0332 +2026-02-21 20:51:54.098433: val_loss -0.0574 +2026-02-21 20:51:54.099455: Pseudo dice [np.float32(0.9558), np.float32(0.9578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8353), np.float32(nan), np.float32(0.9448), np.float32(nan), np.float32(0.947), np.float32(0.0), np.float32(0.8608), np.float32(nan), np.float32(0.8616), np.float32(0.0414), np.float32(0.7902), np.float32(0.1876), np.float32(0.5801), np.float32(0.8718), np.float32(0.9413), np.float32(0.9055), np.float32(0.7403), np.float32(0.7869), np.float32(0.0134), np.float32(0.3381), np.float32(0.0), np.float32(0.683), np.float32(0.0), np.float32(0.0), np.float32(0.8938), np.float32(0.2017), np.float32(0.8778), np.float32(0.0), np.float32(0.3802), np.float32(0.298), np.float32(0.9582), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7493), np.float32(0.0), np.float32(0.0004), np.float32(0.0), np.float32(0.473), np.float32(0.5469), np.float32(0.7672), np.float32(0.8053), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:51:54.100461: Epoch time: 119.85 s +2026-02-21 20:51:54.957559: +2026-02-21 20:51:54.958996: Epoch 268 +2026-02-21 20:51:54.959791: Current learning rate: 0.00755 +2026-02-21 20:53:54.002492: train_loss -0.032 +2026-02-21 20:53:54.014910: val_loss -0.0036 +2026-02-21 20:53:54.016087: Pseudo dice [np.float32(0.9219), np.float32(0.8977), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8586), np.float32(nan), np.float32(0.8883), np.float32(nan), np.float32(0.9023), np.float32(0.054), np.float32(0.7963), np.float32(nan), np.float32(0.8362), np.float32(0.4764), np.float32(0.7999), np.float32(0.5788), np.float32(0.6139), np.float32(0.8087), np.float32(0.8687), np.float32(0.8554), np.float32(0.7167), np.float32(0.741), np.float32(0.0), np.float32(0.0432), np.float32(0.0), np.float32(0.7315), np.float32(1e-04), np.float32(0.0), np.float32(0.9031), np.float32(0.0446), np.float32(0.8378), np.float32(0.0), np.float32(0.3537), np.float32(0.3772), np.float32(0.8869), np.float32(0.8683), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7669), np.float32(0.0287), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.7506), np.float32(0.7563), np.float32(0.7852), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:53:54.016986: Epoch time: 119.05 s +2026-02-21 20:53:54.993588: +2026-02-21 20:53:55.005537: Epoch 269 +2026-02-21 20:53:55.010448: Current learning rate: 0.00754 +2026-02-21 20:55:49.841359: train_loss -0.0305 +2026-02-21 20:55:49.857012: val_loss -0.0321 +2026-02-21 20:55:49.858011: Pseudo dice [np.float32(0.9075), np.float32(0.9268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.849), np.float32(nan), np.float32(0.927), np.float32(nan), np.float32(0.9024), np.float32(0.0), np.float32(0.8534), np.float32(nan), np.float32(0.8473), np.float32(0.3682), np.float32(0.8225), np.float32(0.0), np.float32(0.577), np.float32(0.8604), np.float32(0.9263), np.float32(0.8686), np.float32(0.7601), np.float32(0.7628), np.float32(0.0), np.float32(0.2904), np.float32(0.0), np.float32(0.7593), np.float32(0.0), np.float32(0.0), np.float32(0.9572), np.float32(0.0), np.float32(0.8053), np.float32(0.1612), np.float32(0.2717), np.float32(0.3431), np.float32(0.8839), np.float32(0.8539), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7115), np.float32(0.6517), np.float32(0.5879), np.float32(0.4864), np.float32(0.0), np.float32(0.5735), np.float32(0.7564), np.float32(0.7804), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:55:49.859029: Epoch time: 114.85 s +2026-02-21 20:55:50.720293: +2026-02-21 20:55:50.721611: Epoch 270 +2026-02-21 20:55:50.722427: Current learning rate: 0.00753 +2026-02-21 20:57:47.247984: train_loss -0.0178 +2026-02-21 20:57:47.251578: val_loss -0.0377 +2026-02-21 20:57:47.252604: Pseudo dice [np.float32(0.9261), np.float32(0.8678), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8614), np.float32(nan), np.float32(0.9443), np.float32(nan), np.float32(0.8745), np.float32(0.0639), np.float32(0.8205), np.float32(nan), np.float32(0.8974), np.float32(0.214), np.float32(0.8094), np.float32(0.2819), np.float32(0.6095), np.float32(0.8377), np.float32(0.8845), np.float32(0.8869), np.float32(0.765), np.float32(0.7889), np.float32(0.0), np.float32(0.2182), np.float32(0.0), np.float32(0.8461), np.float32(1e-04), np.float32(0.0), np.float32(0.9043), np.float32(0.0744), np.float32(0.8133), np.float32(0.0034), np.float32(0.3242), np.float32(0.3696), np.float32(0.9049), np.float32(0.8929), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.688), np.float32(1e-04), np.float32(0.7595), np.float32(0.0117), np.float32(1e-04), np.float32(0.5891), np.float32(0.7191), np.float32(0.7784), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:57:47.253601: Epoch time: 116.53 s +2026-02-21 20:57:48.116992: +2026-02-21 20:57:48.118133: Epoch 271 +2026-02-21 20:57:48.118951: Current learning rate: 0.00752 +2026-02-21 20:59:44.466738: train_loss -0.0153 +2026-02-21 20:59:44.471160: val_loss -0.0052 +2026-02-21 20:59:44.472196: Pseudo dice [np.float32(0.9103), np.float32(0.8917), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8489), np.float32(nan), np.float32(0.903), np.float32(nan), np.float32(0.874), np.float32(0.0), np.float32(0.8395), np.float32(nan), np.float32(0.8197), np.float32(0.0973), np.float32(0.7726), np.float32(0.0047), np.float32(0.6099), np.float32(0.8619), np.float32(0.8443), np.float32(0.8129), np.float32(0.6858), np.float32(0.7327), np.float32(0.1893), np.float32(0.0), np.float32(0.0), np.float32(0.8236), np.float32(0.0), np.float32(0.0024), np.float32(0.89), np.float32(0.0489), np.float32(0.7987), np.float32(0.1292), np.float32(0.3357), np.float32(0.3437), np.float32(0.9617), np.float32(0.9469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7311), np.float32(0.0), np.float32(0.5103), np.float32(0.4312), np.float32(0.561), np.float32(0.2172), np.float32(0.7046), np.float32(0.735), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 20:59:44.473185: Epoch time: 116.35 s +2026-02-21 20:59:45.334085: +2026-02-21 20:59:45.336677: Epoch 272 +2026-02-21 20:59:45.337497: Current learning rate: 0.00751 +2026-02-21 21:01:38.632265: train_loss -0.0213 +2026-02-21 21:01:38.642055: val_loss -0.0493 +2026-02-21 21:01:38.643138: Pseudo dice [np.float32(0.9688), np.float32(0.9425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.9627), np.float32(nan), np.float32(0.9258), np.float32(0.0), np.float32(0.8366), np.float32(nan), np.float32(0.8083), np.float32(0.1036), np.float32(0.8205), np.float32(0.5543), np.float32(0.5832), np.float32(0.8619), np.float32(0.9242), np.float32(0.9108), np.float32(0.7454), np.float32(0.8084), np.float32(0.0286), np.float32(0.5666), np.float32(0.0), np.float32(0.833), np.float32(0.0244), np.float32(0.0), np.float32(0.8759), np.float32(0.0827), np.float32(0.803), np.float32(0.0), np.float32(0.4251), np.float32(0.3532), np.float32(0.8438), np.float32(0.8784), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6561), np.float32(0.0), np.float32(0.4567), np.float32(0.307), np.float32(0.719), np.float32(0.0), np.float32(0.7605), np.float32(0.826), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:01:38.644958: Epoch time: 113.3 s +2026-02-21 21:01:39.516522: +2026-02-21 21:01:39.518064: Epoch 273 +2026-02-21 21:01:39.519143: Current learning rate: 0.00751 +2026-02-21 21:03:34.181113: train_loss -0.0183 +2026-02-21 21:03:34.186473: val_loss -0.0418 +2026-02-21 21:03:34.187483: Pseudo dice [np.float32(0.8976), np.float32(0.8546), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8701), np.float32(nan), np.float32(0.923), np.float32(nan), np.float32(0.8581), np.float32(0.5473), np.float32(0.8636), np.float32(nan), np.float32(0.8598), np.float32(0.0876), np.float32(0.8117), np.float32(0.5357), np.float32(0.6336), np.float32(0.8793), np.float32(0.893), np.float32(0.8591), np.float32(0.6932), np.float32(0.7646), np.float32(0.0), np.float32(0.0632), np.float32(0.0), np.float32(0.7367), np.float32(0.0), np.float32(0.0005), np.float32(0.9219), np.float32(0.0258), np.float32(0.7591), np.float32(0.0146), np.float32(0.3438), np.float32(0.3657), np.float32(0.9257), np.float32(0.9365), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.737), np.float32(0.0), np.float32(0.547), np.float32(0.449), np.float32(0.0), np.float32(0.687), np.float32(0.7479), np.float32(0.8005), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:03:34.188492: Epoch time: 114.67 s +2026-02-21 21:03:35.068464: +2026-02-21 21:03:35.069432: Epoch 274 +2026-02-21 21:03:35.070237: Current learning rate: 0.0075 +2026-02-21 21:05:25.583014: train_loss -0.0353 +2026-02-21 21:05:25.601686: val_loss -0.0341 +2026-02-21 21:05:25.606577: Pseudo dice [np.float32(0.934), np.float32(0.9016), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9449), np.float32(nan), np.float32(0.8423), np.float32(0.0), np.float32(0.8519), np.float32(nan), np.float32(0.7886), np.float32(0.3975), np.float32(0.7878), np.float32(0.0889), np.float32(0.6278), np.float32(0.8564), np.float32(0.8632), np.float32(0.8715), np.float32(0.6874), np.float32(0.712), np.float32(0.5061), np.float32(0.4052), np.float32(0.0), np.float32(0.7823), np.float32(0.0015), np.float32(0.0), np.float32(0.9349), np.float32(0.4505), np.float32(0.8084), np.float32(0.0), np.float32(0.2834), np.float32(0.3039), np.float32(0.9043), np.float32(0.9243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7938), np.float32(0.0), np.float32(0.5458), np.float32(0.3), np.float32(0.631), np.float32(0.0), np.float32(0.7088), np.float32(0.7759), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:05:25.613240: Epoch time: 110.52 s +2026-02-21 21:05:26.508613: +2026-02-21 21:05:26.509773: Epoch 275 +2026-02-21 21:05:26.510821: Current learning rate: 0.00749 +2026-02-21 21:07:17.893763: train_loss -0.0378 +2026-02-21 21:07:17.904696: val_loss -0.0237 +2026-02-21 21:07:17.905699: Pseudo dice [np.float32(0.9072), np.float32(0.9299), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8509), np.float32(nan), np.float32(0.9016), np.float32(nan), np.float32(0.8272), np.float32(0.0), np.float32(0.8362), np.float32(nan), np.float32(0.8409), np.float32(0.1692), np.float32(0.7998), np.float32(0.005), np.float32(0.6), np.float32(0.8783), np.float32(0.911), np.float32(0.8839), np.float32(0.5711), np.float32(0.6906), np.float32(0.0), np.float32(0.2686), np.float32(0.0), np.float32(0.8495), np.float32(0.0054), np.float32(0.0), np.float32(0.7622), np.float32(0.0015), np.float32(0.7819), np.float32(0.0), np.float32(0.3327), np.float32(0.2861), np.float32(0.8832), np.float32(0.9079), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7945), np.float32(0.0), np.float32(0.0018), np.float32(0.0288), np.float32(0.6513), np.float32(0.0), np.float32(0.7531), np.float32(0.7898), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:07:17.906721: Epoch time: 111.39 s +2026-02-21 21:07:18.757784: +2026-02-21 21:07:18.760544: Epoch 276 +2026-02-21 21:07:18.761350: Current learning rate: 0.00748 +2026-02-21 21:09:10.859019: train_loss -0.0304 +2026-02-21 21:09:10.862335: val_loss -0.0448 +2026-02-21 21:09:10.863362: Pseudo dice [np.float32(0.9214), np.float32(0.9172), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8648), np.float32(nan), np.float32(0.9135), np.float32(nan), np.float32(0.9365), np.float32(0.0), np.float32(0.8263), np.float32(nan), np.float32(0.8368), np.float32(0.2627), np.float32(0.771), np.float32(0.4429), np.float32(0.6324), np.float32(0.8681), np.float32(0.9175), np.float32(0.8585), np.float32(0.7628), np.float32(0.7234), np.float32(0.0041), np.float32(0.1999), np.float32(0.0), np.float32(0.8387), np.float32(0.0), np.float32(0.0), np.float32(0.9452), np.float32(0.0), np.float32(0.8123), np.float32(0.0572), np.float32(0.3569), np.float32(0.3563), np.float32(0.9042), np.float32(0.9003), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6922), np.float32(0.4431), np.float32(0.7149), np.float32(0.5404), np.float32(0.7351), np.float32(0.2145), np.float32(0.7611), np.float32(0.7859), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:09:10.864388: Epoch time: 112.1 s +2026-02-21 21:09:11.719195: +2026-02-21 21:09:11.720550: Epoch 277 +2026-02-21 21:09:11.721600: Current learning rate: 0.00747 +2026-02-21 21:11:04.370802: train_loss -0.0307 +2026-02-21 21:11:04.375437: val_loss -0.0605 +2026-02-21 21:11:04.376447: Pseudo dice [np.float32(0.912), np.float32(0.9264), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8767), np.float32(nan), np.float32(0.9499), np.float32(nan), np.float32(0.931), np.float32(0.3503), np.float32(0.8617), np.float32(nan), np.float32(0.8874), np.float32(0.3018), np.float32(0.8171), np.float32(0.5394), np.float32(0.6759), np.float32(0.8676), np.float32(0.9296), np.float32(0.9079), np.float32(0.788), np.float32(0.7768), np.float32(0.0009), np.float32(0.4589), np.float32(0.0), np.float32(0.8672), np.float32(0.0), np.float32(0.0), np.float32(0.9194), np.float32(0.1585), np.float32(0.8483), np.float32(0.0017), np.float32(0.4532), np.float32(0.3844), np.float32(0.914), np.float32(0.8978), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8499), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.089), np.float32(0.7882), np.float32(0.7847), np.float32(0.8159), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:11:04.377453: Epoch time: 112.65 s +2026-02-21 21:11:04.378663: Yayy! New best EMA pseudo Dice: 0.5514000058174133 +2026-02-21 21:11:06.197511: +2026-02-21 21:11:06.198719: Epoch 278 +2026-02-21 21:11:06.199788: Current learning rate: 0.00746 +2026-02-21 21:13:06.475578: train_loss -0.0505 +2026-02-21 21:13:06.480387: val_loss -0.0671 +2026-02-21 21:13:06.481522: Pseudo dice [np.float32(0.9385), np.float32(0.9437), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.884), np.float32(nan), np.float32(0.9507), np.float32(nan), np.float32(0.9167), np.float32(0.2271), np.float32(0.8851), np.float32(nan), np.float32(0.8578), np.float32(0.2525), np.float32(0.8463), np.float32(0.312), np.float32(0.6556), np.float32(0.8503), np.float32(0.9307), np.float32(0.9148), np.float32(0.7682), np.float32(0.7986), np.float32(0.0), np.float32(0.3854), np.float32(0.0), np.float32(0.7956), np.float32(0.0483), np.float32(0.1522), np.float32(0.8454), np.float32(0.1054), np.float32(0.845), np.float32(0.0), np.float32(0.3703), np.float32(0.3254), np.float32(0.8632), np.float32(0.8738), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6986), np.float32(0.0168), np.float32(0.6215), np.float32(0.4697), np.float32(0.4493), np.float32(0.514), np.float32(0.7949), np.float32(0.8375), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:13:06.482414: Epoch time: 120.28 s +2026-02-21 21:13:06.483371: Yayy! New best EMA pseudo Dice: 0.5551000237464905 +2026-02-21 21:13:08.280747: +2026-02-21 21:13:08.283177: Epoch 279 +2026-02-21 21:13:08.283995: Current learning rate: 0.00745 +2026-02-21 21:14:59.090534: train_loss -0.0545 +2026-02-21 21:14:59.094148: val_loss -0.0497 +2026-02-21 21:14:59.095419: Pseudo dice [np.float32(0.9147), np.float32(0.9187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8579), np.float32(nan), np.float32(0.9511), np.float32(nan), np.float32(0.9132), np.float32(0.0), np.float32(0.83), np.float32(nan), np.float32(0.8776), np.float32(0.2879), np.float32(0.8064), np.float32(0.2277), np.float32(0.6425), np.float32(0.8377), np.float32(0.9059), np.float32(0.8959), np.float32(0.7858), np.float32(0.7895), np.float32(0.2957), np.float32(0.7915), np.float32(0.0), np.float32(0.8738), np.float32(0.0), np.float32(0.0), np.float32(0.8982), np.float32(0.0), np.float32(0.8583), np.float32(0.0), np.float32(0.2951), np.float32(0.358), np.float32(0.9547), np.float32(0.9072), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7618), np.float32(0.0097), np.float32(0.1549), np.float32(0.0041), np.float32(0.4595), np.float32(0.0218), np.float32(0.7617), np.float32(0.7856), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:14:59.096419: Epoch time: 110.81 s +2026-02-21 21:14:59.953463: +2026-02-21 21:14:59.954604: Epoch 280 +2026-02-21 21:14:59.955649: Current learning rate: 0.00744 +2026-02-21 21:16:59.922363: train_loss -0.027 +2026-02-21 21:16:59.926311: val_loss -0.0521 +2026-02-21 21:16:59.927871: Pseudo dice [np.float32(0.9473), np.float32(0.9124), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8682), np.float32(nan), np.float32(0.8694), np.float32(nan), np.float32(0.883), np.float32(0.3656), np.float32(0.8538), np.float32(nan), np.float32(0.8693), np.float32(0.3958), np.float32(0.8311), np.float32(0.6786), np.float32(0.6248), np.float32(0.8546), np.float32(0.9136), np.float32(0.8853), np.float32(0.7379), np.float32(0.7772), np.float32(0.0), np.float32(0.0791), np.float32(0.0), np.float32(0.8588), np.float32(0.0), np.float32(0.0), np.float32(0.883), np.float32(0.0203), np.float32(0.7955), np.float32(0.0), np.float32(0.3604), np.float32(0.3757), np.float32(0.9606), np.float32(0.9425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8222), np.float32(0.0005), np.float32(0.3466), np.float32(0.1998), np.float32(0.0029), np.float32(0.6636), np.float32(0.7291), np.float32(0.8042), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:16:59.928905: Epoch time: 119.97 s +2026-02-21 21:16:59.930045: Yayy! New best EMA pseudo Dice: 0.5562000274658203 +2026-02-21 21:17:01.779690: +2026-02-21 21:17:01.781293: Epoch 281 +2026-02-21 21:17:01.782011: Current learning rate: 0.00743 +2026-02-21 21:18:48.447130: train_loss -0.0231 +2026-02-21 21:18:48.461306: val_loss -0.0129 +2026-02-21 21:18:48.465214: Pseudo dice [np.float32(0.8978), np.float32(0.8835), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8678), np.float32(nan), np.float32(0.893), np.float32(nan), np.float32(0.8939), np.float32(0.0), np.float32(0.8563), np.float32(nan), np.float32(0.832), np.float32(0.2844), np.float32(0.7952), np.float32(0.3676), np.float32(0.6171), np.float32(0.8559), np.float32(0.88), np.float32(0.8445), np.float32(0.6519), np.float32(0.6557), np.float32(0.006), np.float32(0.555), np.float32(0.0), np.float32(0.7605), np.float32(0.0), np.float32(0.0048), np.float32(0.8814), np.float32(1e-04), np.float32(0.806), np.float32(0.503), np.float32(0.3377), np.float32(0.2935), np.float32(0.8134), np.float32(0.8969), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6239), np.float32(0.0109), np.float32(0.1411), np.float32(0.0), np.float32(0.5182), np.float32(0.0011), np.float32(0.7315), np.float32(0.784), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:18:48.468672: Epoch time: 106.67 s +2026-02-21 21:18:49.343720: +2026-02-21 21:18:49.348686: Epoch 282 +2026-02-21 21:18:49.354923: Current learning rate: 0.00742 +2026-02-21 21:20:50.274388: train_loss -0.0429 +2026-02-21 21:20:50.295239: val_loss -0.0673 +2026-02-21 21:20:50.301296: Pseudo dice [np.float32(0.9548), np.float32(0.9542), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8666), np.float32(nan), np.float32(0.9491), np.float32(nan), np.float32(0.9134), np.float32(0.0674), np.float32(0.8753), np.float32(nan), np.float32(0.892), np.float32(0.021), np.float32(0.8453), np.float32(0.0), np.float32(0.6507), np.float32(0.8681), np.float32(0.9024), np.float32(0.9038), np.float32(0.6907), np.float32(0.7435), np.float32(0.0), np.float32(0.4198), np.float32(0.0), np.float32(0.7922), np.float32(0.0004), np.float32(0.0011), np.float32(0.9216), np.float32(0.0021), np.float32(0.7559), np.float32(0.0053), np.float32(0.3509), np.float32(0.3825), np.float32(0.8688), np.float32(0.8895), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6658), np.float32(0.0037), np.float32(0.5487), np.float32(0.4465), np.float32(0.6375), np.float32(0.1578), np.float32(0.7295), np.float32(0.7653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:20:50.303701: Epoch time: 120.93 s +2026-02-21 21:20:51.167899: +2026-02-21 21:20:51.174050: Epoch 283 +2026-02-21 21:20:51.179461: Current learning rate: 0.00741 +2026-02-21 21:22:48.472224: train_loss -0.0252 +2026-02-21 21:22:48.487477: val_loss -0.0423 +2026-02-21 21:22:48.494334: Pseudo dice [np.float32(0.9515), np.float32(0.8993), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8625), np.float32(nan), np.float32(0.9183), np.float32(nan), np.float32(0.858), np.float32(0.2289), np.float32(0.8772), np.float32(nan), np.float32(0.8265), np.float32(0.3112), np.float32(0.821), np.float32(0.5071), np.float32(0.6873), np.float32(0.8687), np.float32(0.9012), np.float32(0.8908), np.float32(0.7299), np.float32(0.7664), np.float32(0.2532), np.float32(0.1577), np.float32(0.0023), np.float32(0.8356), np.float32(0.0), np.float32(0.0), np.float32(0.9142), np.float32(0.0072), np.float32(0.8134), np.float32(0.0076), np.float32(0.3886), np.float32(0.3692), np.float32(0.8829), np.float32(0.8901), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7438), np.float32(0.0), np.float32(0.6199), np.float32(0.0053), np.float32(0.5756), np.float32(0.5504), np.float32(0.7268), np.float32(0.782), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:22:48.498842: Epoch time: 117.31 s +2026-02-21 21:22:49.386570: +2026-02-21 21:22:49.392416: Epoch 284 +2026-02-21 21:22:49.400636: Current learning rate: 0.0074 +2026-02-21 21:24:45.123649: train_loss -0.0267 +2026-02-21 21:24:45.131100: val_loss -0.0498 +2026-02-21 21:24:45.132383: Pseudo dice [np.float32(0.9439), np.float32(0.9361), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.862), np.float32(nan), np.float32(0.9156), np.float32(nan), np.float32(0.8417), np.float32(0.0018), np.float32(0.89), np.float32(nan), np.float32(0.8745), np.float32(0.2687), np.float32(0.8183), np.float32(0.0), np.float32(0.6805), np.float32(0.9001), np.float32(0.9173), np.float32(0.8909), np.float32(0.7374), np.float32(0.7503), np.float32(0.218), np.float32(0.6308), np.float32(0.0034), np.float32(0.8656), np.float32(0.0), np.float32(0.0), np.float32(0.8777), np.float32(0.009), np.float32(0.8305), np.float32(0.3822), np.float32(0.337), np.float32(0.3519), np.float32(0.9335), np.float32(0.9161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6503), np.float32(1e-04), np.float32(0.299), np.float32(0.0), np.float32(0.4897), np.float32(0.16), np.float32(0.7587), np.float32(0.8129), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:24:45.133968: Epoch time: 115.74 s +2026-02-21 21:24:45.991688: +2026-02-21 21:24:45.994833: Epoch 285 +2026-02-21 21:24:46.000485: Current learning rate: 0.00739 +2026-02-21 21:26:35.051675: train_loss -0.0248 +2026-02-21 21:26:35.056083: val_loss 0.0044 +2026-02-21 21:26:35.057157: Pseudo dice [np.float32(0.8849), np.float32(0.922), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8698), np.float32(nan), np.float32(0.8695), np.float32(nan), np.float32(0.885), np.float32(0.1113), np.float32(0.7973), np.float32(nan), np.float32(0.8405), np.float32(0.2114), np.float32(0.7775), np.float32(0.1586), np.float32(0.581), np.float32(0.8282), np.float32(0.8634), np.float32(0.8491), np.float32(0.753), np.float32(0.7006), np.float32(0.0003), np.float32(0.4326), np.float32(0.1251), np.float32(0.7083), np.float32(0.0), np.float32(0.0), np.float32(0.9184), np.float32(0.0), np.float32(0.8366), np.float32(0.29), np.float32(0.2713), np.float32(0.2409), np.float32(0.9038), np.float32(0.8905), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7794), np.float32(0.1725), np.float32(0.0056), np.float32(0.0097), np.float32(0.198), np.float32(0.4744), np.float32(0.7019), np.float32(0.7421), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:26:35.058330: Epoch time: 109.06 s +2026-02-21 21:26:35.922376: +2026-02-21 21:26:35.923705: Epoch 286 +2026-02-21 21:26:35.924731: Current learning rate: 0.00738 +2026-02-21 21:28:19.258446: train_loss -0.0403 +2026-02-21 21:28:19.263577: val_loss -0.048 +2026-02-21 21:28:19.265148: Pseudo dice [np.float32(0.9134), np.float32(0.9512), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9077), np.float32(nan), np.float32(0.936), np.float32(0.0261), np.float32(0.8408), np.float32(nan), np.float32(0.849), np.float32(0.5391), np.float32(0.8208), np.float32(0.5129), np.float32(0.6682), np.float32(0.8375), np.float32(0.916), np.float32(0.8918), np.float32(0.759), np.float32(0.7575), np.float32(0.0), np.float32(0.2089), np.float32(0.0647), np.float32(0.7671), np.float32(0.0), np.float32(0.0), np.float32(0.9148), np.float32(0.0561), np.float32(0.8089), np.float32(0.3271), np.float32(0.3744), np.float32(0.3541), np.float32(0.9039), np.float32(0.9053), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7138), np.float32(0.0301), np.float32(0.1827), np.float32(0.0), np.float32(0.5726), np.float32(0.2895), np.float32(0.7322), np.float32(0.8097), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:28:19.266250: Epoch time: 103.34 s +2026-02-21 21:28:20.132092: +2026-02-21 21:28:20.134361: Epoch 287 +2026-02-21 21:28:20.135478: Current learning rate: 0.00738 +2026-02-21 21:30:30.781210: train_loss -0.0257 +2026-02-21 21:30:30.786312: val_loss -0.0235 +2026-02-21 21:30:30.788178: Pseudo dice [np.float32(0.935), np.float32(0.8993), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8638), np.float32(nan), np.float32(0.9247), np.float32(nan), np.float32(0.8453), np.float32(0.0), np.float32(0.8054), np.float32(nan), np.float32(0.8072), np.float32(0.2362), np.float32(0.8148), np.float32(0.5796), np.float32(0.5969), np.float32(0.8527), np.float32(0.8494), np.float32(0.881), np.float32(0.7073), np.float32(0.7505), np.float32(0.1851), np.float32(0.2889), np.float32(0.0), np.float32(0.7192), np.float32(1e-04), np.float32(0.0), np.float32(0.8983), np.float32(0.0025), np.float32(0.7924), np.float32(0.0051), np.float32(0.3721), np.float32(0.4089), np.float32(0.9485), np.float32(0.9251), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6741), np.float32(0.0011), np.float32(0.5499), np.float32(0.3442), np.float32(0.0), np.float32(0.6607), np.float32(0.73), np.float32(0.7645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:30:30.791506: Epoch time: 130.65 s +2026-02-21 21:30:31.691103: +2026-02-21 21:30:31.692928: Epoch 288 +2026-02-21 21:30:31.697269: Current learning rate: 0.00737 +2026-02-21 21:32:25.272860: train_loss -0.0192 +2026-02-21 21:32:25.277648: val_loss -0.0485 +2026-02-21 21:32:25.279447: Pseudo dice [np.float32(0.9492), np.float32(0.9358), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9444), np.float32(nan), np.float32(0.9317), np.float32(0.0), np.float32(0.842), np.float32(nan), np.float32(0.8537), np.float32(0.2777), np.float32(0.8244), np.float32(0.3335), np.float32(0.6487), np.float32(0.8648), np.float32(0.9209), np.float32(0.9069), np.float32(0.7471), np.float32(0.8055), np.float32(0.0), np.float32(0.394), np.float32(0.0), np.float32(0.7403), np.float32(0.0031), np.float32(0.0), np.float32(0.8563), np.float32(0.3258), np.float32(0.8052), np.float32(0.0006), np.float32(0.3237), np.float32(0.3439), np.float32(0.9362), np.float32(0.9433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7105), np.float32(0.0), np.float32(0.2592), np.float32(0.1101), np.float32(0.4309), np.float32(0.0), np.float32(0.7687), np.float32(0.8107), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:32:25.280560: Epoch time: 113.58 s +2026-02-21 21:32:26.399079: +2026-02-21 21:32:26.405286: Epoch 289 +2026-02-21 21:32:26.406446: Current learning rate: 0.00736 +2026-02-21 21:34:24.099953: train_loss -0.0254 +2026-02-21 21:34:24.108394: val_loss -0.0315 +2026-02-21 21:34:24.110094: Pseudo dice [np.float32(0.9333), np.float32(0.9442), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.914), np.float32(nan), np.float32(0.9224), np.float32(0.0), np.float32(0.8242), np.float32(nan), np.float32(0.8677), np.float32(0.3656), np.float32(0.8062), np.float32(0.5241), np.float32(0.647), np.float32(0.8504), np.float32(0.882), np.float32(0.8669), np.float32(0.7174), np.float32(0.7683), np.float32(0.0), np.float32(0.3751), np.float32(0.0342), np.float32(0.8153), np.float32(0.0), np.float32(0.0), np.float32(0.94), np.float32(0.0), np.float32(0.8421), np.float32(0.1936), np.float32(0.3716), np.float32(0.3251), np.float32(0.9034), np.float32(0.9293), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6277), np.float32(0.2937), np.float32(0.5532), np.float32(0.1484), np.float32(0.4832), np.float32(0.3822), np.float32(0.7316), np.float32(0.7863), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:34:24.117363: Epoch time: 117.7 s +2026-02-21 21:34:25.362127: +2026-02-21 21:34:25.367135: Epoch 290 +2026-02-21 21:34:25.368037: Current learning rate: 0.00735 +2026-02-21 21:36:15.862817: train_loss -0.0602 +2026-02-21 21:36:15.870279: val_loss -0.0448 +2026-02-21 21:36:15.871859: Pseudo dice [np.float32(0.9383), np.float32(0.9035), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8529), np.float32(nan), np.float32(0.9444), np.float32(nan), np.float32(0.8587), np.float32(0.0), np.float32(0.8576), np.float32(nan), np.float32(0.8468), np.float32(0.4629), np.float32(0.7646), np.float32(0.5477), np.float32(0.6323), np.float32(0.8446), np.float32(0.9035), np.float32(0.8622), np.float32(0.7583), np.float32(0.7577), np.float32(0.4477), np.float32(0.3619), np.float32(0.0368), np.float32(0.7828), np.float32(1e-04), np.float32(0.0), np.float32(0.8697), np.float32(0.004), np.float32(0.8342), np.float32(0.2738), np.float32(0.4123), np.float32(0.2599), np.float32(0.9515), np.float32(0.9324), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.4726), np.float32(0.0742), np.float32(0.6709), np.float32(0.5873), np.float32(0.316), np.float32(0.752), np.float32(0.7486), np.float32(0.7976), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:36:15.872676: Epoch time: 110.5 s +2026-02-21 21:36:15.873732: Yayy! New best EMA pseudo Dice: 0.5601000189781189 +2026-02-21 21:36:17.674449: +2026-02-21 21:36:17.677761: Epoch 291 +2026-02-21 21:36:17.686645: Current learning rate: 0.00734 +2026-02-21 21:38:11.879040: train_loss -0.0429 +2026-02-21 21:38:11.887352: val_loss -0.0785 +2026-02-21 21:38:11.888469: Pseudo dice [np.float32(0.9509), np.float32(0.9554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.9417), np.float32(nan), np.float32(0.8691), np.float32(0.028), np.float32(0.8842), np.float32(nan), np.float32(0.9008), np.float32(0.3466), np.float32(0.8302), np.float32(0.6194), np.float32(0.6468), np.float32(0.8622), np.float32(0.9293), np.float32(0.9099), np.float32(0.7701), np.float32(0.8064), np.float32(0.4511), np.float32(0.3657), np.float32(0.1233), np.float32(0.822), np.float32(0.0), np.float32(0.0), np.float32(0.896), np.float32(0.0735), np.float32(0.8226), np.float32(0.1198), np.float32(0.4269), np.float32(0.3486), np.float32(0.8906), np.float32(0.8942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7557), np.float32(0.0019), np.float32(0.3073), np.float32(0.2207), np.float32(0.7102), np.float32(0.787), np.float32(0.7905), np.float32(0.8056), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:38:11.891419: Epoch time: 114.21 s +2026-02-21 21:38:11.892950: Yayy! New best EMA pseudo Dice: 0.5649999976158142 +2026-02-21 21:38:13.873969: +2026-02-21 21:38:13.875442: Epoch 292 +2026-02-21 21:38:13.876414: Current learning rate: 0.00733 +2026-02-21 21:40:06.764380: train_loss -0.0293 +2026-02-21 21:40:06.786750: val_loss -0.0764 +2026-02-21 21:40:06.788872: Pseudo dice [np.float32(0.9627), np.float32(0.9654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8674), np.float32(nan), np.float32(0.9456), np.float32(nan), np.float32(0.882), np.float32(0.1326), np.float32(0.8763), np.float32(nan), np.float32(0.8663), np.float32(0.432), np.float32(0.8508), np.float32(0.0659), np.float32(0.6462), np.float32(0.8754), np.float32(0.931), np.float32(0.9091), np.float32(0.6749), np.float32(0.7855), np.float32(0.0), np.float32(0.1801), np.float32(0.0), np.float32(0.8208), np.float32(0.0019), np.float32(1e-04), np.float32(0.9137), np.float32(0.0), np.float32(0.792), np.float32(0.3239), np.float32(0.3713), np.float32(0.3727), np.float32(0.9131), np.float32(0.9113), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7114), np.float32(0.0), np.float32(0.2312), np.float32(0.5657), np.float32(0.6114), np.float32(0.5642), np.float32(0.755), np.float32(0.8308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:40:06.789867: Epoch time: 112.89 s +2026-02-21 21:40:06.790824: Yayy! New best EMA pseudo Dice: 0.5662000179290771 +2026-02-21 21:40:09.462255: +2026-02-21 21:40:09.463574: Epoch 293 +2026-02-21 21:40:09.464554: Current learning rate: 0.00732 +2026-02-21 21:41:57.762583: train_loss -0.0375 +2026-02-21 21:41:57.768114: val_loss -0.0077 +2026-02-21 21:41:57.769111: Pseudo dice [np.float32(0.9051), np.float32(0.9048), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8371), np.float32(nan), np.float32(0.8943), np.float32(nan), np.float32(0.866), np.float32(0.1805), np.float32(0.8355), np.float32(nan), np.float32(0.8128), np.float32(0.1866), np.float32(0.7921), np.float32(0.0), np.float32(0.5721), np.float32(0.8559), np.float32(0.878), np.float32(0.863), np.float32(0.7154), np.float32(0.7024), np.float32(0.0), np.float32(0.5488), np.float32(0.0339), np.float32(0.7349), np.float32(0.0026), np.float32(0.0329), np.float32(0.8888), np.float32(0.4588), np.float32(0.787), np.float32(0.3342), np.float32(0.4105), np.float32(0.3288), np.float32(0.9085), np.float32(0.9138), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7992), np.float32(0.0), np.float32(0.7817), np.float32(0.1883), np.float32(0.4915), np.float32(0.7428), np.float32(0.7211), np.float32(0.7639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:41:57.769864: Epoch time: 108.3 s +2026-02-21 21:41:57.770579: Yayy! New best EMA pseudo Dice: 0.567799985408783 +2026-02-21 21:41:59.692024: +2026-02-21 21:41:59.693233: Epoch 294 +2026-02-21 21:41:59.694094: Current learning rate: 0.00731 +2026-02-21 21:44:05.591089: train_loss -0.0294 +2026-02-21 21:44:05.595209: val_loss -0.0687 +2026-02-21 21:44:05.596492: Pseudo dice [np.float32(0.9542), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8496), np.float32(nan), np.float32(0.954), np.float32(nan), np.float32(0.9162), np.float32(0.0), np.float32(0.8625), np.float32(nan), np.float32(0.8798), np.float32(0.4815), np.float32(0.8221), np.float32(0.3381), np.float32(0.6247), np.float32(0.8529), np.float32(0.8998), np.float32(0.8759), np.float32(0.7627), np.float32(0.7814), np.float32(0.0003), np.float32(0.4229), np.float32(0.0), np.float32(0.8453), np.float32(0.0113), np.float32(0.0), np.float32(0.9227), np.float32(0.2595), np.float32(0.8426), np.float32(0.0346), np.float32(0.4731), np.float32(0.3036), np.float32(0.9355), np.float32(0.9196), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7213), np.float32(0.0615), np.float32(0.5971), np.float32(0.3702), np.float32(0.7812), np.float32(0.7763), np.float32(0.7778), np.float32(0.8144), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:44:05.598016: Epoch time: 125.9 s +2026-02-21 21:44:05.598806: Yayy! New best EMA pseudo Dice: 0.5716999769210815 +2026-02-21 21:44:07.690096: +2026-02-21 21:44:07.697361: Epoch 295 +2026-02-21 21:44:07.698917: Current learning rate: 0.0073 +2026-02-21 21:45:59.448466: train_loss -0.0075 +2026-02-21 21:45:59.470507: val_loss -0.023 +2026-02-21 21:45:59.474675: Pseudo dice [np.float32(0.929), np.float32(0.8975), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8046), np.float32(nan), np.float32(0.9356), np.float32(nan), np.float32(0.9044), np.float32(0.0), np.float32(0.8254), np.float32(nan), np.float32(0.8588), np.float32(0.3446), np.float32(0.7772), np.float32(0.2323), np.float32(0.6644), np.float32(0.8408), np.float32(0.8951), np.float32(0.8637), np.float32(0.6843), np.float32(0.7451), np.float32(0.5764), np.float32(0.2226), np.float32(0.0), np.float32(0.7756), np.float32(0.0), np.float32(0.0), np.float32(0.9222), np.float32(0.0), np.float32(0.824), np.float32(0.0004), np.float32(0.366), np.float32(0.2163), np.float32(0.7595), np.float32(0.8215), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7087), np.float32(0.0015), np.float32(0.5295), np.float32(0.362), np.float32(0.6576), np.float32(0.7028), np.float32(0.7501), np.float32(0.7749), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:45:59.476799: Epoch time: 111.76 s +2026-02-21 21:46:00.423156: +2026-02-21 21:46:00.425148: Epoch 296 +2026-02-21 21:46:00.426103: Current learning rate: 0.00729 +2026-02-21 21:48:01.315773: train_loss -0.0004 +2026-02-21 21:48:01.358826: val_loss -0.0105 +2026-02-21 21:48:01.361157: Pseudo dice [np.float32(0.9336), np.float32(0.9388), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8397), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.624), np.float32(0.0), np.float32(0.8462), np.float32(nan), np.float32(0.8275), np.float32(0.0628), np.float32(0.7456), np.float32(0.0), np.float32(0.57), np.float32(0.8635), np.float32(0.907), np.float32(0.8664), np.float32(0.7292), np.float32(0.7418), np.float32(0.1835), np.float32(0.0374), np.float32(0.0059), np.float32(0.7779), np.float32(0.0303), np.float32(0.0), np.float32(0.8868), np.float32(0.0), np.float32(0.7842), np.float32(0.0748), np.float32(0.3504), np.float32(0.2529), np.float32(0.9074), np.float32(0.9055), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6428), np.float32(0.0299), np.float32(0.1932), np.float32(0.0), np.float32(0.7521), np.float32(0.6328), np.float32(0.7552), np.float32(0.7857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:48:01.362177: Epoch time: 120.9 s +2026-02-21 21:48:04.257041: +2026-02-21 21:48:04.258766: Epoch 297 +2026-02-21 21:48:04.260133: Current learning rate: 0.00728 +2026-02-21 21:50:04.473573: train_loss -0.0065 +2026-02-21 21:50:04.494038: val_loss -0.0437 +2026-02-21 21:50:04.499799: Pseudo dice [np.float32(0.9281), np.float32(0.9336), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.825), np.float32(nan), np.float32(0.9488), np.float32(nan), np.float32(0.9264), np.float32(0.0), np.float32(0.8317), np.float32(nan), np.float32(0.8252), np.float32(0.1651), np.float32(0.8184), np.float32(0.0156), np.float32(0.6839), np.float32(0.8341), np.float32(0.8984), np.float32(0.8921), np.float32(0.752), np.float32(0.78), np.float32(0.0), np.float32(0.3489), np.float32(0.0), np.float32(0.8734), np.float32(0.0), np.float32(0.0009), np.float32(0.8803), np.float32(0.0), np.float32(0.8001), np.float32(0.3605), np.float32(0.3593), np.float32(0.3119), np.float32(0.9105), np.float32(0.9139), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7899), np.float32(0.0112), np.float32(0.0122), np.float32(0.154), np.float32(0.0762), np.float32(0.4739), np.float32(0.7682), np.float32(0.8234), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:50:04.501024: Epoch time: 120.21 s +2026-02-21 21:50:05.493893: +2026-02-21 21:50:05.498015: Epoch 298 +2026-02-21 21:50:05.499296: Current learning rate: 0.00727 +2026-02-21 21:52:00.246913: train_loss -0.0128 +2026-02-21 21:52:00.251271: val_loss -0.047 +2026-02-21 21:52:00.252421: Pseudo dice [np.float32(0.9189), np.float32(0.9415), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8624), np.float32(nan), np.float32(0.9314), np.float32(nan), np.float32(0.8933), np.float32(0.0), np.float32(0.8488), np.float32(nan), np.float32(0.8146), np.float32(0.3091), np.float32(0.7948), np.float32(0.3013), np.float32(0.6215), np.float32(0.8558), np.float32(0.9), np.float32(0.8726), np.float32(0.7789), np.float32(0.702), np.float32(0.0), np.float32(0.1292), np.float32(0.0263), np.float32(0.7668), np.float32(0.0), np.float32(0.0005), np.float32(0.8813), np.float32(0.0011), np.float32(0.8084), np.float32(0.0053), np.float32(0.3), np.float32(0.3694), np.float32(0.8751), np.float32(0.9018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7881), np.float32(0.0), np.float32(0.225), np.float32(0.068), np.float32(0.8059), np.float32(0.84), np.float32(0.759), np.float32(0.7614), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:52:00.253412: Epoch time: 114.76 s +2026-02-21 21:52:01.267489: +2026-02-21 21:52:01.279575: Epoch 299 +2026-02-21 21:52:01.280391: Current learning rate: 0.00726 +2026-02-21 21:54:08.997437: train_loss -0.0456 +2026-02-21 21:54:09.009130: val_loss -0.0298 +2026-02-21 21:54:09.010391: Pseudo dice [np.float32(0.9524), np.float32(0.9145), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8676), np.float32(nan), np.float32(0.9104), np.float32(nan), np.float32(0.9039), np.float32(0.0003), np.float32(0.8198), np.float32(nan), np.float32(0.8707), np.float32(0.4213), np.float32(0.8059), np.float32(0.2597), np.float32(0.6666), np.float32(0.8528), np.float32(0.9114), np.float32(0.8835), np.float32(0.7395), np.float32(0.7238), np.float32(0.5158), np.float32(0.3089), np.float32(0.0277), np.float32(0.6961), np.float32(0.0), np.float32(0.0), np.float32(0.9022), np.float32(0.1773), np.float32(0.7983), np.float32(0.0505), np.float32(0.3346), np.float32(0.2417), np.float32(0.9132), np.float32(0.9082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.548), np.float32(0.0742), np.float32(0.6279), np.float32(0.2996), np.float32(0.7117), np.float32(0.7695), np.float32(0.7705), np.float32(0.8093), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:54:09.011309: Epoch time: 127.73 s +2026-02-21 21:54:11.088714: +2026-02-21 21:54:11.091954: Epoch 300 +2026-02-21 21:54:11.092935: Current learning rate: 0.00725 +2026-02-21 21:55:56.090724: train_loss -0.032 +2026-02-21 21:55:56.093951: val_loss -0.0391 +2026-02-21 21:55:56.094965: Pseudo dice [np.float32(0.9389), np.float32(0.9384), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8285), np.float32(nan), np.float32(0.9349), np.float32(nan), np.float32(0.8846), np.float32(0.0119), np.float32(0.8365), np.float32(nan), np.float32(0.8686), np.float32(0.2298), np.float32(0.7656), np.float32(0.4967), np.float32(0.5412), np.float32(0.8636), np.float32(0.922), np.float32(0.8839), np.float32(0.6884), np.float32(0.7886), np.float32(0.6241), np.float32(0.4552), np.float32(0.0), np.float32(0.8256), np.float32(0.0), np.float32(0.0), np.float32(0.8168), np.float32(0.3118), np.float32(0.7835), np.float32(0.2067), np.float32(0.2521), np.float32(0.3173), np.float32(0.8653), np.float32(0.7018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7508), np.float32(0.2659), np.float32(0.5408), np.float32(0.3749), np.float32(0.7645), np.float32(0.629), np.float32(0.7587), np.float32(0.7964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:55:56.096158: Epoch time: 105.0 s +2026-02-21 21:55:56.976415: +2026-02-21 21:55:56.979625: Epoch 301 +2026-02-21 21:55:56.980414: Current learning rate: 0.00724 +2026-02-21 21:58:01.116957: train_loss -0.0367 +2026-02-21 21:58:01.127779: val_loss -0.0488 +2026-02-21 21:58:01.129567: Pseudo dice [np.float32(0.9497), np.float32(0.9486), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8858), np.float32(nan), np.float32(0.9495), np.float32(nan), np.float32(0.9167), np.float32(0.4145), np.float32(0.8443), np.float32(nan), np.float32(0.8592), np.float32(0.5789), np.float32(0.8147), np.float32(0.3567), np.float32(0.6266), np.float32(0.8658), np.float32(0.9307), np.float32(0.8969), np.float32(0.7798), np.float32(0.7914), np.float32(0.2757), np.float32(0.446), np.float32(0.0), np.float32(0.8235), np.float32(0.0003), np.float32(0.0), np.float32(0.8468), np.float32(0.1197), np.float32(0.8375), np.float32(0.0), np.float32(0.3739), np.float32(0.3951), np.float32(0.94), np.float32(0.9144), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7055), np.float32(0.0), np.float32(0.2992), np.float32(0.007), np.float32(0.7569), np.float32(0.6477), np.float32(0.7697), np.float32(0.8151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 21:58:01.133692: Epoch time: 124.14 s +2026-02-21 21:58:01.135323: Yayy! New best EMA pseudo Dice: 0.5720000267028809 +2026-02-21 21:58:02.879934: +2026-02-21 21:58:02.881540: Epoch 302 +2026-02-21 21:58:02.882335: Current learning rate: 0.00724 +2026-02-21 22:00:01.019685: train_loss -0.0415 +2026-02-21 22:00:01.023021: val_loss 0.0071 +2026-02-21 22:00:01.024039: Pseudo dice [np.float32(0.8308), np.float32(0.8087), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8327), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.7793), np.float32(0.0), np.float32(0.8565), np.float32(nan), np.float32(0.8147), np.float32(0.094), np.float32(0.7895), np.float32(0.1353), np.float32(0.5706), np.float32(0.8452), np.float32(0.9102), np.float32(0.8641), np.float32(0.6788), np.float32(0.7104), np.float32(0.2152), np.float32(0.3543), np.float32(0.0185), np.float32(0.7435), np.float32(0.0008), np.float32(0.0), np.float32(0.8959), np.float32(1e-04), np.float32(0.7781), np.float32(0.0116), np.float32(0.3248), np.float32(0.354), np.float32(0.8728), np.float32(0.8857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7023), np.float32(0.0005), np.float32(0.0209), np.float32(0.0), np.float32(0.5731), np.float32(0.1798), np.float32(0.712), np.float32(0.739), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:00:01.025045: Epoch time: 118.14 s +2026-02-21 22:00:02.177014: +2026-02-21 22:00:02.197779: Epoch 303 +2026-02-21 22:00:02.201752: Current learning rate: 0.00723 +2026-02-21 22:01:44.669233: train_loss -0.0337 +2026-02-21 22:01:44.719089: val_loss -0.0414 +2026-02-21 22:01:44.720525: Pseudo dice [np.float32(0.9374), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.835), np.float32(nan), np.float32(0.949), np.float32(nan), np.float32(0.8726), np.float32(0.0), np.float32(0.8322), np.float32(nan), np.float32(0.8801), np.float32(0.2666), np.float32(0.7943), np.float32(0.3584), np.float32(0.5999), np.float32(0.844), np.float32(0.926), np.float32(0.9013), np.float32(0.7387), np.float32(0.7548), np.float32(0.3328), np.float32(0.3045), np.float32(0.0), np.float32(0.6713), np.float32(0.0), np.float32(0.0), np.float32(0.8881), np.float32(0.0398), np.float32(0.7641), np.float32(0.0429), np.float32(0.4381), np.float32(0.3377), np.float32(0.9329), np.float32(0.9522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7324), np.float32(0.0455), np.float32(0.4765), np.float32(0.6681), np.float32(0.8194), np.float32(0.8651), np.float32(0.7354), np.float32(0.7889), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:01:44.721484: Epoch time: 102.49 s +2026-02-21 22:01:45.667891: +2026-02-21 22:01:45.672152: Epoch 304 +2026-02-21 22:01:45.674474: Current learning rate: 0.00722 +2026-02-21 22:03:39.540660: train_loss -0.0285 +2026-02-21 22:03:39.544945: val_loss -0.0457 +2026-02-21 22:03:39.546705: Pseudo dice [np.float32(0.9338), np.float32(0.9429), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8703), np.float32(nan), np.float32(0.9254), np.float32(nan), np.float32(0.928), np.float32(0.0), np.float32(0.8563), np.float32(nan), np.float32(0.8562), np.float32(0.4867), np.float32(0.808), np.float32(0.6202), np.float32(0.6376), np.float32(0.8479), np.float32(0.9212), np.float32(0.8714), np.float32(0.7132), np.float32(0.7399), np.float32(0.0), np.float32(0.3078), np.float32(0.0), np.float32(0.8164), np.float32(0.0008), np.float32(0.0), np.float32(0.9256), np.float32(0.347), np.float32(0.8365), np.float32(0.4761), np.float32(0.3789), np.float32(0.2795), np.float32(0.9016), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7605), np.float32(0.0003), np.float32(0.4814), np.float32(0.1387), np.float32(0.9106), np.float32(0.8973), np.float32(0.7641), np.float32(0.8194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:03:39.547707: Epoch time: 113.88 s +2026-02-21 22:03:39.548415: Yayy! New best EMA pseudo Dice: 0.573199987411499 +2026-02-21 22:03:41.416782: +2026-02-21 22:03:41.421827: Epoch 305 +2026-02-21 22:03:41.423847: Current learning rate: 0.00721 +2026-02-21 22:05:41.224626: train_loss -0.045 +2026-02-21 22:05:41.232879: val_loss -0.0644 +2026-02-21 22:05:41.234001: Pseudo dice [np.float32(0.9336), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8877), np.float32(nan), np.float32(0.9375), np.float32(nan), np.float32(0.8608), np.float32(0.0008), np.float32(0.8198), np.float32(0.0), np.float32(0.8819), np.float32(0.4144), np.float32(0.8263), np.float32(0.3666), np.float32(0.5781), np.float32(0.8742), np.float32(0.9051), np.float32(0.9016), np.float32(0.7458), np.float32(0.7943), np.float32(0.0015), np.float32(0.5437), np.float32(0.0), np.float32(0.7938), np.float32(0.0), np.float32(0.0), np.float32(0.9272), np.float32(0.0524), np.float32(0.8077), np.float32(0.0113), np.float32(0.4189), np.float32(0.3341), np.float32(0.9276), np.float32(0.9075), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7517), np.float32(0.1818), np.float32(0.5596), np.float32(0.3462), np.float32(0.8977), np.float32(0.8444), np.float32(0.7739), np.float32(0.8089), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:05:41.235058: Epoch time: 119.81 s +2026-02-21 22:05:41.235952: Yayy! New best EMA pseudo Dice: 0.5746999979019165 +2026-02-21 22:05:43.203237: +2026-02-21 22:05:43.205449: Epoch 306 +2026-02-21 22:05:43.206231: Current learning rate: 0.0072 +2026-02-21 22:07:37.536825: train_loss -0.037 +2026-02-21 22:07:37.540429: val_loss -0.0188 +2026-02-21 22:07:37.541446: Pseudo dice [np.float32(0.9155), np.float32(0.8821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8567), np.float32(nan), np.float32(0.9281), np.float32(nan), np.float32(0.9045), np.float32(0.0228), np.float32(0.8478), np.float32(nan), np.float32(0.8295), np.float32(0.0466), np.float32(0.817), np.float32(0.6899), np.float32(0.6298), np.float32(0.8811), np.float32(0.9042), np.float32(0.8728), np.float32(0.7289), np.float32(0.7256), np.float32(0.0), np.float32(0.4217), np.float32(0.0), np.float32(0.7194), np.float32(0.0), np.float32(0.0), np.float32(0.9265), np.float32(0.0496), np.float32(0.8022), np.float32(0.3147), np.float32(0.3083), np.float32(0.3205), np.float32(0.8285), np.float32(0.9058), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6872), np.float32(0.3202), np.float32(0.2496), np.float32(0.174), np.float32(0.6686), np.float32(0.4807), np.float32(0.7736), np.float32(0.8018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:07:37.542449: Epoch time: 114.34 s +2026-02-21 22:07:38.420921: +2026-02-21 22:07:38.423939: Epoch 307 +2026-02-21 22:07:38.425065: Current learning rate: 0.00719 +2026-02-21 22:09:34.362806: train_loss -0.0213 +2026-02-21 22:09:34.374213: val_loss -0.0058 +2026-02-21 22:09:34.375793: Pseudo dice [np.float32(0.9088), np.float32(0.9426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8477), np.float32(nan), np.float32(0.8987), np.float32(nan), np.float32(0.866), np.float32(0.0887), np.float32(0.841), np.float32(nan), np.float32(0.867), np.float32(0.0613), np.float32(0.7878), np.float32(0.5086), np.float32(0.5793), np.float32(0.8502), np.float32(0.9101), np.float32(0.8626), np.float32(0.7394), np.float32(0.7396), np.float32(0.0125), np.float32(0.4519), np.float32(0.0), np.float32(0.7644), np.float32(0.0), np.float32(0.0), np.float32(0.8579), np.float32(0.2575), np.float32(0.7276), np.float32(0.0), np.float32(0.2458), np.float32(0.3508), np.float32(0.8), np.float32(0.7978), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5981), np.float32(0.0), np.float32(0.4788), np.float32(0.1307), np.float32(0.6122), np.float32(0.1804), np.float32(0.7243), np.float32(0.77), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:09:34.377242: Epoch time: 115.94 s +2026-02-21 22:09:35.287990: +2026-02-21 22:09:35.291853: Epoch 308 +2026-02-21 22:09:35.295432: Current learning rate: 0.00718 +2026-02-21 22:11:24.120147: train_loss -0.0254 +2026-02-21 22:11:24.123491: val_loss 0.0181 +2026-02-21 22:11:24.124516: Pseudo dice [np.float32(0.9111), np.float32(0.919), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8516), np.float32(nan), np.float32(0.8846), np.float32(nan), np.float32(0.8863), np.float32(0.1873), np.float32(0.8325), np.float32(nan), np.float32(0.8376), np.float32(0.0764), np.float32(0.8128), np.float32(0.6681), np.float32(0.5755), np.float32(0.8457), np.float32(0.8908), np.float32(0.8716), np.float32(0.7222), np.float32(0.7492), np.float32(0.0), np.float32(0.2943), np.float32(0.0021), np.float32(0.8454), np.float32(0.0), np.float32(0.0), np.float32(0.9308), np.float32(0.1393), np.float32(0.8269), np.float32(0.0004), np.float32(0.3931), np.float32(0.2734), np.float32(0.8319), np.float32(0.8731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6906), np.float32(0.0906), np.float32(0.4623), np.float32(0.4794), np.float32(0.4256), np.float32(0.6445), np.float32(0.7529), np.float32(0.7725), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:11:24.125265: Epoch time: 108.83 s +2026-02-21 22:11:24.995082: +2026-02-21 22:11:24.998169: Epoch 309 +2026-02-21 22:11:24.999393: Current learning rate: 0.00717 +2026-02-21 22:13:20.123575: train_loss -0.0109 +2026-02-21 22:13:20.151136: val_loss -0.0109 +2026-02-21 22:13:20.152378: Pseudo dice [np.float32(0.9232), np.float32(0.9236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8365), np.float32(nan), np.float32(0.9369), np.float32(nan), np.float32(0.9098), np.float32(0.0375), np.float32(0.8171), np.float32(nan), np.float32(0.8127), np.float32(0.3509), np.float32(0.764), np.float32(0.36), np.float32(0.5904), np.float32(0.8505), np.float32(0.9198), np.float32(0.8851), np.float32(0.7207), np.float32(0.7584), np.float32(0.0), np.float32(0.416), np.float32(0.0), np.float32(0.7161), np.float32(1e-04), np.float32(0.0), np.float32(0.9174), np.float32(0.0), np.float32(0.8404), np.float32(0.0), np.float32(0.3317), np.float32(0.2938), np.float32(0.8227), np.float32(0.8993), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7006), np.float32(0.0003), np.float32(0.7682), np.float32(0.3368), np.float32(0.7675), np.float32(0.7431), np.float32(0.7317), np.float32(0.7805), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:13:20.162258: Epoch time: 115.13 s +2026-02-21 22:13:21.158951: +2026-02-21 22:13:21.165094: Epoch 310 +2026-02-21 22:13:21.165899: Current learning rate: 0.00716 +2026-02-21 22:15:16.754791: train_loss -0.0418 +2026-02-21 22:15:16.758123: val_loss -0.051 +2026-02-21 22:15:16.759894: Pseudo dice [np.float32(0.9553), np.float32(0.9257), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8697), np.float32(nan), np.float32(0.9219), np.float32(nan), np.float32(0.8768), np.float32(0.0), np.float32(0.8343), np.float32(nan), np.float32(0.8593), np.float32(0.0911), np.float32(0.7988), np.float32(0.7044), np.float32(0.6442), np.float32(0.8888), np.float32(0.9167), np.float32(0.8907), np.float32(0.7807), np.float32(0.7846), np.float32(0.0), np.float32(0.0016), np.float32(0.0), np.float32(0.7285), np.float32(0.0398), np.float32(0.079), np.float32(0.9402), np.float32(0.0), np.float32(0.8652), np.float32(0.0), np.float32(0.3854), np.float32(0.3746), np.float32(0.8953), np.float32(0.8922), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6314), np.float32(0.0), np.float32(0.5008), np.float32(0.0014), np.float32(0.4905), np.float32(0.728), np.float32(0.799), np.float32(0.8129), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:15:16.760900: Epoch time: 115.6 s +2026-02-21 22:15:17.637283: +2026-02-21 22:15:17.638584: Epoch 311 +2026-02-21 22:15:17.641628: Current learning rate: 0.00715 +2026-02-21 22:17:14.712197: train_loss -0.0413 +2026-02-21 22:17:14.719105: val_loss -0.0247 +2026-02-21 22:17:14.720211: Pseudo dice [np.float32(0.9392), np.float32(0.9302), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8501), np.float32(nan), np.float32(0.9108), np.float32(nan), np.float32(0.9315), np.float32(0.1344), np.float32(0.8103), np.float32(nan), np.float32(0.8552), np.float32(0.3973), np.float32(0.8039), np.float32(0.0485), np.float32(0.6389), np.float32(0.8485), np.float32(0.9088), np.float32(0.8862), np.float32(0.7613), np.float32(0.7665), np.float32(0.0079), np.float32(0.3897), np.float32(0.0), np.float32(0.7366), np.float32(1e-04), np.float32(0.0), np.float32(0.9044), np.float32(0.0773), np.float32(0.7239), np.float32(0.2967), np.float32(0.3063), np.float32(0.303), np.float32(0.8577), np.float32(0.8797), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7675), np.float32(0.0142), np.float32(0.1323), np.float32(0.0002), np.float32(0.6621), np.float32(0.7769), np.float32(0.6882), np.float32(0.8016), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:17:14.721204: Epoch time: 117.08 s +2026-02-21 22:17:15.727480: +2026-02-21 22:17:15.736642: Epoch 312 +2026-02-21 22:17:15.737941: Current learning rate: 0.00714 +2026-02-21 22:19:13.992705: train_loss -0.0282 +2026-02-21 22:19:14.005929: val_loss -0.0255 +2026-02-21 22:19:14.007210: Pseudo dice [np.float32(0.9239), np.float32(0.919), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.851), np.float32(nan), np.float32(0.8886), np.float32(nan), np.float32(0.914), np.float32(0.4329), np.float32(0.8441), np.float32(0.0), np.float32(0.8921), np.float32(0.1789), np.float32(0.7963), np.float32(0.6101), np.float32(0.5802), np.float32(0.8554), np.float32(0.8918), np.float32(0.858), np.float32(0.7277), np.float32(0.7379), np.float32(0.0), np.float32(0.3392), np.float32(0.0), np.float32(0.8504), np.float32(0.0019), np.float32(0.0), np.float32(0.916), np.float32(0.2772), np.float32(0.7977), np.float32(0.0), np.float32(0.465), np.float32(0.3126), np.float32(0.8779), np.float32(0.9047), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7612), np.float32(0.0148), np.float32(0.5693), np.float32(0.774), np.float32(0.7182), np.float32(0.5346), np.float32(0.7393), np.float32(0.7715), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:19:14.008202: Epoch time: 118.27 s +2026-02-21 22:19:14.880517: +2026-02-21 22:19:14.881481: Epoch 313 +2026-02-21 22:19:14.882308: Current learning rate: 0.00713 +2026-02-21 22:21:10.042738: train_loss -0.0357 +2026-02-21 22:21:10.045836: val_loss -0.0604 +2026-02-21 22:21:10.046857: Pseudo dice [np.float32(0.9509), np.float32(0.9508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8688), np.float32(nan), np.float32(0.9523), np.float32(nan), np.float32(0.9506), np.float32(0.1394), np.float32(0.8616), np.float32(nan), np.float32(0.8351), np.float32(0.0707), np.float32(0.8232), np.float32(0.0), np.float32(0.6227), np.float32(0.87), np.float32(0.9411), np.float32(0.9044), np.float32(0.7817), np.float32(0.779), np.float32(0.0087), np.float32(0.6567), np.float32(0.1527), np.float32(0.7682), np.float32(0.0), np.float32(0.0), np.float32(0.8734), np.float32(0.0495), np.float32(0.7813), np.float32(0.1239), np.float32(0.3134), np.float32(0.33), np.float32(0.8444), np.float32(0.8935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7783), np.float32(0.0673), np.float32(0.5795), np.float32(0.3188), np.float32(0.8578), np.float32(0.7721), np.float32(0.7499), np.float32(0.7877), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:21:10.047616: Epoch time: 115.16 s +2026-02-21 22:21:10.923950: +2026-02-21 22:21:10.925047: Epoch 314 +2026-02-21 22:21:10.926268: Current learning rate: 0.00712 +2026-02-21 22:23:06.571212: train_loss -0.0209 +2026-02-21 22:23:06.576241: val_loss -0.0408 +2026-02-21 22:23:06.577272: Pseudo dice [np.float32(0.9454), np.float32(0.9522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8647), np.float32(nan), np.float32(0.9358), np.float32(nan), np.float32(0.8936), np.float32(0.135), np.float32(0.843), np.float32(nan), np.float32(0.776), np.float32(0.0046), np.float32(0.8249), np.float32(0.4022), np.float32(0.5692), np.float32(0.8503), np.float32(0.9285), np.float32(0.879), np.float32(0.7841), np.float32(0.7999), np.float32(0.2566), np.float32(0.2559), np.float32(0.0727), np.float32(0.7459), np.float32(0.131), np.float32(0.0), np.float32(0.9214), np.float32(0.1539), np.float32(0.7981), np.float32(0.0012), np.float32(0.345), np.float32(0.3716), np.float32(0.8529), np.float32(0.8707), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6569), np.float32(0.036), np.float32(0.0), np.float32(0.0), np.float32(0.813), np.float32(0.8651), np.float32(0.7502), np.float32(0.779), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:23:06.578267: Epoch time: 115.65 s +2026-02-21 22:23:07.486587: +2026-02-21 22:23:07.495409: Epoch 315 +2026-02-21 22:23:07.496257: Current learning rate: 0.00711 +2026-02-21 22:24:58.474992: train_loss -0.039 +2026-02-21 22:24:58.478576: val_loss -0.0444 +2026-02-21 22:24:58.479855: Pseudo dice [np.float32(0.9078), np.float32(0.915), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8817), np.float32(nan), np.float32(0.9225), np.float32(nan), np.float32(0.9157), np.float32(0.2151), np.float32(0.8658), np.float32(nan), np.float32(0.8683), np.float32(0.2689), np.float32(0.7924), np.float32(0.0), np.float32(0.6324), np.float32(0.8651), np.float32(0.9105), np.float32(0.8795), np.float32(0.7636), np.float32(0.7578), np.float32(0.0435), np.float32(0.508), np.float32(0.0), np.float32(0.8708), np.float32(0.0373), np.float32(0.1993), np.float32(0.9231), np.float32(0.0868), np.float32(0.868), np.float32(0.0), np.float32(0.3827), np.float32(0.3537), np.float32(0.8333), np.float32(0.879), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6674), np.float32(0.0), np.float32(0.6897), np.float32(0.4308), np.float32(0.8144), np.float32(0.7773), np.float32(0.719), np.float32(0.7814), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:24:58.480604: Epoch time: 110.99 s +2026-02-21 22:24:59.389047: +2026-02-21 22:24:59.390749: Epoch 316 +2026-02-21 22:24:59.391553: Current learning rate: 0.0071 +2026-02-21 22:26:46.923896: train_loss -0.0172 +2026-02-21 22:26:46.927228: val_loss -0.0409 +2026-02-21 22:26:46.928509: Pseudo dice [np.float32(0.9465), np.float32(0.9344), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8496), np.float32(nan), np.float32(0.9364), np.float32(nan), np.float32(0.9159), np.float32(0.0), np.float32(0.8669), np.float32(nan), np.float32(0.896), np.float32(0.4855), np.float32(0.8234), np.float32(0.2551), np.float32(0.5707), np.float32(0.8545), np.float32(0.9251), np.float32(0.8848), np.float32(0.7437), np.float32(0.7666), np.float32(0.0013), np.float32(0.3102), np.float32(0.0), np.float32(0.8244), np.float32(0.0121), np.float32(0.0), np.float32(0.8758), np.float32(0.2109), np.float32(0.8011), np.float32(0.0004), np.float32(0.3497), np.float32(0.3415), np.float32(0.847), np.float32(0.8793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6598), np.float32(0.2343), np.float32(0.6075), np.float32(0.4113), np.float32(0.6359), np.float32(0.668), np.float32(0.7842), np.float32(0.8207), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:26:46.929262: Epoch time: 107.54 s +2026-02-21 22:26:46.930215: Yayy! New best EMA pseudo Dice: 0.5759000182151794 +2026-02-21 22:26:48.662677: +2026-02-21 22:26:48.668864: Epoch 317 +2026-02-21 22:26:48.669749: Current learning rate: 0.0071 +2026-02-21 22:28:39.397714: train_loss 0.002 +2026-02-21 22:28:39.401534: val_loss 0.0031 +2026-02-21 22:28:39.402809: Pseudo dice [np.float32(0.9314), np.float32(0.9068), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8364), np.float32(nan), np.float32(0.8901), np.float32(nan), np.float32(0.8593), np.float32(0.0), np.float32(0.8246), np.float32(nan), np.float32(0.8796), np.float32(0.1709), np.float32(0.7541), np.float32(0.6279), np.float32(0.6045), np.float32(0.8148), np.float32(0.8796), np.float32(0.8417), np.float32(0.7652), np.float32(0.7153), np.float32(0.0541), np.float32(0.1442), np.float32(nan), np.float32(0.8333), np.float32(0.0), np.float32(0.0), np.float32(0.8956), np.float32(0.0208), np.float32(0.6952), np.float32(0.1458), np.float32(0.2588), np.float32(0.2838), np.float32(0.8891), np.float32(0.9218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6029), np.float32(0.2522), np.float32(0.4054), np.float32(0.0431), np.float32(0.1447), np.float32(0.6232), np.float32(0.734), np.float32(0.7584), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:28:39.404694: Epoch time: 110.74 s +2026-02-21 22:28:40.614139: +2026-02-21 22:28:40.617991: Epoch 318 +2026-02-21 22:28:40.618962: Current learning rate: 0.00709 +2026-02-21 22:30:31.000629: train_loss -0.0202 +2026-02-21 22:30:31.009495: val_loss -0.0514 +2026-02-21 22:30:31.015496: Pseudo dice [np.float32(0.9269), np.float32(0.9355), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8362), np.float32(nan), np.float32(0.9277), np.float32(nan), np.float32(0.8789), np.float32(0.4169), np.float32(0.8423), np.float32(nan), np.float32(0.8502), np.float32(0.1077), np.float32(0.8296), np.float32(0.1152), np.float32(0.5746), np.float32(0.8751), np.float32(0.9185), np.float32(0.8845), np.float32(0.7474), np.float32(0.7616), np.float32(0.0), np.float32(0.209), np.float32(0.0126), np.float32(0.8351), np.float32(0.0), np.float32(0.0), np.float32(0.8168), np.float32(0.0), np.float32(0.8374), np.float32(0.1302), np.float32(0.3885), np.float32(0.3822), np.float32(0.9282), np.float32(0.9062), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6374), np.float32(0.0), np.float32(0.3932), np.float32(0.1127), np.float32(0.7356), np.float32(0.5412), np.float32(0.7727), np.float32(0.81), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:30:31.020576: Epoch time: 110.39 s +2026-02-21 22:30:31.958573: +2026-02-21 22:30:31.963366: Epoch 319 +2026-02-21 22:30:31.964417: Current learning rate: 0.00708 +2026-02-21 22:32:32.777437: train_loss -0.0215 +2026-02-21 22:32:32.781516: val_loss -0.0137 +2026-02-21 22:32:32.782797: Pseudo dice [np.float32(0.9097), np.float32(0.9021), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.851), np.float32(nan), np.float32(0.9147), np.float32(nan), np.float32(0.846), np.float32(0.1619), np.float32(0.8418), np.float32(0.0), np.float32(0.8032), np.float32(0.0565), np.float32(0.8262), np.float32(0.4784), np.float32(0.6542), np.float32(0.8651), np.float32(0.9022), np.float32(0.8882), np.float32(0.7331), np.float32(0.7761), np.float32(0.0), np.float32(0.549), np.float32(0.0338), np.float32(0.7578), np.float32(0.0), np.float32(0.0), np.float32(0.8277), np.float32(0.1462), np.float32(0.7773), np.float32(0.1547), np.float32(0.3457), np.float32(0.3421), np.float32(0.8243), np.float32(0.8404), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8311), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.763), np.float32(0.5932), np.float32(0.7663), np.float32(0.7786), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:32:32.783794: Epoch time: 120.82 s +2026-02-21 22:32:33.666493: +2026-02-21 22:32:33.667858: Epoch 320 +2026-02-21 22:32:33.668728: Current learning rate: 0.00707 +2026-02-21 22:34:27.131860: train_loss -0.0474 +2026-02-21 22:34:27.135960: val_loss -0.0565 +2026-02-21 22:34:27.137489: Pseudo dice [np.float32(0.9328), np.float32(0.9367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8686), np.float32(nan), np.float32(0.9386), np.float32(nan), np.float32(0.9103), np.float32(0.0), np.float32(0.8609), np.float32(nan), np.float32(0.8351), np.float32(0.4532), np.float32(0.8241), np.float32(0.5763), np.float32(0.6603), np.float32(0.8797), np.float32(0.9256), np.float32(0.8939), np.float32(0.7176), np.float32(0.7628), np.float32(0.0), np.float32(0.3327), np.float32(0.2921), np.float32(0.8252), np.float32(0.0), np.float32(0.0), np.float32(0.8875), np.float32(0.0), np.float32(0.8464), np.float32(0.3597), np.float32(0.5065), np.float32(0.3019), np.float32(0.8783), np.float32(0.9156), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7925), np.float32(0.0867), np.float32(0.0), np.float32(0.0), np.float32(0.8175), np.float32(0.7811), np.float32(0.7596), np.float32(0.801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:34:27.138741: Epoch time: 113.47 s +2026-02-21 22:34:28.010350: +2026-02-21 22:34:28.011581: Epoch 321 +2026-02-21 22:34:28.012542: Current learning rate: 0.00706 +2026-02-21 22:36:29.248142: train_loss -0.0475 +2026-02-21 22:36:29.251518: val_loss -0.0605 +2026-02-21 22:36:29.252546: Pseudo dice [np.float32(0.9278), np.float32(0.942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8802), np.float32(nan), np.float32(0.9068), np.float32(nan), np.float32(0.9478), np.float32(0.0), np.float32(0.8546), np.float32(nan), np.float32(0.8394), np.float32(0.5133), np.float32(0.8501), np.float32(0.2699), np.float32(0.6027), np.float32(0.8715), np.float32(0.9244), np.float32(0.8774), np.float32(0.8059), np.float32(0.8034), np.float32(0.0), np.float32(0.3797), np.float32(0.0), np.float32(0.8107), np.float32(0.0016), np.float32(0.0002), np.float32(0.9346), np.float32(0.0114), np.float32(0.8451), np.float32(0.0), np.float32(0.4211), np.float32(0.3306), np.float32(0.8662), np.float32(0.8974), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8176), np.float32(0.306), np.float32(0.2176), np.float32(0.3843), np.float32(0.7697), np.float32(0.7265), np.float32(0.7645), np.float32(0.8114), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:36:29.253579: Epoch time: 121.24 s +2026-02-21 22:36:30.124123: +2026-02-21 22:36:30.125340: Epoch 322 +2026-02-21 22:36:30.126137: Current learning rate: 0.00705 +2026-02-21 22:38:28.118520: train_loss -0.0484 +2026-02-21 22:38:28.125780: val_loss -0.0872 +2026-02-21 22:38:28.126858: Pseudo dice [np.float32(0.9417), np.float32(0.9508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8899), np.float32(nan), np.float32(0.9459), np.float32(nan), np.float32(0.944), np.float32(0.1663), np.float32(0.8819), np.float32(nan), np.float32(0.922), np.float32(0.3722), np.float32(0.8544), np.float32(0.0), np.float32(0.7085), np.float32(0.8615), np.float32(0.9227), np.float32(0.9025), np.float32(0.7646), np.float32(0.7718), np.float32(0.2128), np.float32(0.4605), np.float32(0.0255), np.float32(0.8746), np.float32(0.0), np.float32(0.0), np.float32(0.8757), np.float32(0.0), np.float32(0.7871), np.float32(0.2511), np.float32(0.3776), np.float32(0.4029), np.float32(0.8902), np.float32(0.8906), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6873), np.float32(0.3852), np.float32(0.3269), np.float32(0.3678), np.float32(0.4587), np.float32(0.5934), np.float32(0.8038), np.float32(0.8469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:38:28.127845: Epoch time: 118.0 s +2026-02-21 22:38:28.128553: Yayy! New best EMA pseudo Dice: 0.5763999819755554 +2026-02-21 22:38:29.917712: +2026-02-21 22:38:29.919110: Epoch 323 +2026-02-21 22:38:29.919936: Current learning rate: 0.00704 +2026-02-21 22:40:29.260406: train_loss -0.0462 +2026-02-21 22:40:29.268056: val_loss -0.0161 +2026-02-21 22:40:29.269243: Pseudo dice [np.float32(0.8927), np.float32(0.9026), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8463), np.float32(nan), np.float32(0.8881), np.float32(nan), np.float32(0.8854), np.float32(0.0), np.float32(0.8497), np.float32(nan), np.float32(0.8447), np.float32(0.0159), np.float32(0.7761), np.float32(0.4204), np.float32(0.6588), np.float32(0.8606), np.float32(0.887), np.float32(0.8502), np.float32(0.7141), np.float32(0.7029), np.float32(0.0026), np.float32(0.3883), np.float32(0.6763), np.float32(0.7883), np.float32(0.0), np.float32(0.0), np.float32(0.8918), np.float32(0.1444), np.float32(0.7822), np.float32(0.4006), np.float32(0.4465), np.float32(0.3072), np.float32(0.9333), np.float32(0.9361), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6046), np.float32(0.0994), np.float32(0.3934), np.float32(0.5259), np.float32(0.4914), np.float32(0.6098), np.float32(0.76), np.float32(0.7759), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:40:29.270495: Epoch time: 119.35 s +2026-02-21 22:40:29.271213: Yayy! New best EMA pseudo Dice: 0.5776000022888184 +2026-02-21 22:40:31.034673: +2026-02-21 22:40:31.043423: Epoch 324 +2026-02-21 22:40:31.045961: Current learning rate: 0.00703 +2026-02-21 22:42:28.303032: train_loss -0.0394 +2026-02-21 22:42:28.306933: val_loss -0.0442 +2026-02-21 22:42:28.307966: Pseudo dice [np.float32(0.945), np.float32(0.9458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8438), np.float32(nan), np.float32(0.9239), np.float32(nan), np.float32(0.9064), np.float32(0.0141), np.float32(0.7025), np.float32(nan), np.float32(0.8739), np.float32(0.2299), np.float32(0.7945), np.float32(0.6095), np.float32(0.5993), np.float32(0.8284), np.float32(0.9192), np.float32(0.8838), np.float32(0.7212), np.float32(0.7782), np.float32(0.09), np.float32(0.4468), np.float32(0.0), np.float32(0.6845), np.float32(0.0036), np.float32(0.0058), np.float32(0.9103), np.float32(0.2704), np.float32(0.7677), np.float32(0.1764), np.float32(0.3421), np.float32(0.3186), np.float32(0.8369), np.float32(0.8941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7249), np.float32(0.0011), np.float32(0.5635), np.float32(0.4677), np.float32(0.8738), np.float32(0.8401), np.float32(0.7381), np.float32(0.8145), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:42:28.309470: Epoch time: 117.27 s +2026-02-21 22:42:28.310170: Yayy! New best EMA pseudo Dice: 0.5795000195503235 +2026-02-21 22:42:30.253653: +2026-02-21 22:42:30.263275: Epoch 325 +2026-02-21 22:42:30.266233: Current learning rate: 0.00702 +2026-02-21 22:44:20.933814: train_loss -0.0439 +2026-02-21 22:44:20.938140: val_loss -0.0141 +2026-02-21 22:44:20.940504: Pseudo dice [np.float32(0.9336), np.float32(0.9002), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.9414), np.float32(nan), np.float32(0.72), np.float32(0.1265), np.float32(0.8565), np.float32(nan), np.float32(0.8252), np.float32(0.1809), np.float32(0.8255), np.float32(0.5914), np.float32(0.603), np.float32(0.8353), np.float32(0.91), np.float32(0.8881), np.float32(0.7415), np.float32(0.7389), np.float32(0.0), np.float32(0.379), np.float32(0.2222), np.float32(0.7321), np.float32(0.0279), np.float32(0.0012), np.float32(0.9201), np.float32(0.0014), np.float32(0.8317), np.float32(0.0309), np.float32(0.4376), np.float32(0.3537), np.float32(0.838), np.float32(0.8802), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6491), np.float32(0.3411), np.float32(0.7296), np.float32(0.1782), np.float32(0.9156), np.float32(0.8754), np.float32(0.783), np.float32(0.8092), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:44:20.942417: Epoch time: 110.68 s +2026-02-21 22:44:20.944131: Yayy! New best EMA pseudo Dice: 0.5817000269889832 +2026-02-21 22:44:23.118685: +2026-02-21 22:44:23.120263: Epoch 326 +2026-02-21 22:44:23.121489: Current learning rate: 0.00701 +2026-02-21 22:46:13.870589: train_loss -0.0422 +2026-02-21 22:46:13.875453: val_loss -0.0401 +2026-02-21 22:46:13.876485: Pseudo dice [np.float32(0.9419), np.float32(0.9061), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8842), np.float32(nan), np.float32(0.9291), np.float32(nan), np.float32(0.8771), np.float32(0.1171), np.float32(0.7861), np.float32(nan), np.float32(0.8667), np.float32(0.2028), np.float32(0.8312), np.float32(0.4224), np.float32(0.6835), np.float32(0.8442), np.float32(0.9173), np.float32(0.8921), np.float32(0.7509), np.float32(0.795), np.float32(0.0649), np.float32(0.321), np.float32(0.1195), np.float32(0.6992), np.float32(0.0), np.float32(0.0025), np.float32(0.885), np.float32(0.196), np.float32(0.7672), np.float32(0.5833), np.float32(0.3902), np.float32(0.3718), np.float32(0.8713), np.float32(0.8972), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6736), np.float32(0.4033), np.float32(0.4885), np.float32(0.2405), np.float32(0.8854), np.float32(0.8925), np.float32(0.7848), np.float32(0.8073), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:46:13.878021: Epoch time: 110.75 s +2026-02-21 22:46:13.882736: Yayy! New best EMA pseudo Dice: 0.5849999785423279 +2026-02-21 22:46:15.740021: +2026-02-21 22:46:15.741584: Epoch 327 +2026-02-21 22:46:15.742645: Current learning rate: 0.007 +2026-02-21 22:48:13.682820: train_loss -0.0633 +2026-02-21 22:48:13.686314: val_loss -0.0368 +2026-02-21 22:48:13.687591: Pseudo dice [np.float32(0.9196), np.float32(0.8858), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.9379), np.float32(nan), np.float32(0.8145), np.float32(0.0005), np.float32(0.8196), np.float32(nan), np.float32(0.8503), np.float32(0.0981), np.float32(0.8628), np.float32(0.5801), np.float32(0.6795), np.float32(0.8147), np.float32(0.9051), np.float32(0.8817), np.float32(0.7006), np.float32(0.7649), np.float32(0.0004), np.float32(0.4462), np.float32(0.2265), np.float32(0.7326), np.float32(0.0853), np.float32(0.1018), np.float32(0.9029), np.float32(0.284), np.float32(0.828), np.float32(0.0253), np.float32(0.4093), np.float32(0.3695), np.float32(0.9187), np.float32(0.9444), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7553), np.float32(0.0031), np.float32(0.0259), np.float32(0.0), np.float32(0.693), np.float32(0.775), np.float32(0.7734), np.float32(0.7939), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:48:13.688581: Epoch time: 117.95 s +2026-02-21 22:48:14.570127: +2026-02-21 22:48:14.575073: Epoch 328 +2026-02-21 22:48:14.579991: Current learning rate: 0.00699 +2026-02-21 22:50:20.237576: train_loss -0.0406 +2026-02-21 22:50:20.273098: val_loss -0.0251 +2026-02-21 22:50:20.280211: Pseudo dice [np.float32(0.916), np.float32(0.8706), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8589), np.float32(nan), np.float32(0.9261), np.float32(nan), np.float32(0.9276), np.float32(0.002), np.float32(0.8269), np.float32(nan), np.float32(0.8111), np.float32(0.2793), np.float32(0.7869), np.float32(0.2479), np.float32(0.5962), np.float32(0.8271), np.float32(0.8967), np.float32(0.8696), np.float32(0.7742), np.float32(0.733), np.float32(0.4396), np.float32(0.1977), np.float32(0.4391), np.float32(0.7415), np.float32(0.0092), np.float32(0.0), np.float32(0.897), np.float32(0.18), np.float32(0.8522), np.float32(0.0), np.float32(0.3663), np.float32(0.3304), np.float32(0.8208), np.float32(0.8637), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6501), np.float32(0.0417), np.float32(0.5082), np.float32(0.3679), np.float32(0.7502), np.float32(0.72), np.float32(0.6941), np.float32(0.7806), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:50:20.290183: Epoch time: 125.67 s +2026-02-21 22:50:21.198483: +2026-02-21 22:50:21.200736: Epoch 329 +2026-02-21 22:50:21.207041: Current learning rate: 0.00698 +2026-02-21 22:52:18.730269: train_loss -0.0304 +2026-02-21 22:52:18.737714: val_loss -0.0206 +2026-02-21 22:52:18.738976: Pseudo dice [np.float32(0.9323), np.float32(0.9295), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8714), np.float32(nan), np.float32(0.9004), np.float32(nan), np.float32(0.8813), np.float32(0.5778), np.float32(0.8484), np.float32(nan), np.float32(0.8468), np.float32(0.2356), np.float32(0.8254), np.float32(0.171), np.float32(0.6257), np.float32(0.8711), np.float32(0.9054), np.float32(0.876), np.float32(0.716), np.float32(0.782), np.float32(0.0), np.float32(0.1712), np.float32(0.0), np.float32(0.8117), np.float32(0.0), np.float32(0.0026), np.float32(0.89), np.float32(0.2064), np.float32(0.8094), np.float32(0.3375), np.float32(0.3828), np.float32(0.2902), np.float32(0.858), np.float32(0.8716), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7078), np.float32(0.0151), np.float32(0.7694), np.float32(0.6616), np.float32(0.8234), np.float32(0.7597), np.float32(0.7858), np.float32(0.8142), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:52:18.740103: Epoch time: 117.53 s +2026-02-21 22:52:18.740933: Yayy! New best EMA pseudo Dice: 0.5867000222206116 +2026-02-21 22:52:20.713787: +2026-02-21 22:52:20.720694: Epoch 330 +2026-02-21 22:52:20.721486: Current learning rate: 0.00697 +2026-02-21 22:54:28.721062: train_loss -0.0463 +2026-02-21 22:54:28.724938: val_loss -0.0767 +2026-02-21 22:54:28.726200: Pseudo dice [np.float32(0.9364), np.float32(0.9098), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8877), np.float32(nan), np.float32(0.9458), np.float32(nan), np.float32(0.9086), np.float32(0.0), np.float32(0.8438), np.float32(nan), np.float32(0.8902), np.float32(0.3349), np.float32(0.827), np.float32(0.0879), np.float32(0.6767), np.float32(0.8563), np.float32(0.9188), np.float32(0.9153), np.float32(0.7752), np.float32(0.7897), np.float32(0.0075), np.float32(0.3645), np.float32(0.0), np.float32(0.8494), np.float32(0.0113), np.float32(0.0), np.float32(0.9258), np.float32(0.022), np.float32(0.8172), np.float32(0.2187), np.float32(0.3993), np.float32(0.3962), np.float32(0.9215), np.float32(0.9477), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7884), np.float32(0.561), np.float32(0.6692), np.float32(0.4491), np.float32(0.8229), np.float32(0.8526), np.float32(0.7689), np.float32(0.8367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:54:28.726952: Epoch time: 128.01 s +2026-02-21 22:54:28.727659: Yayy! New best EMA pseudo Dice: 0.589900016784668 +2026-02-21 22:54:30.639279: +2026-02-21 22:54:30.640511: Epoch 331 +2026-02-21 22:54:30.641335: Current learning rate: 0.00696 +2026-02-21 22:56:26.779294: train_loss -0.0347 +2026-02-21 22:56:26.783012: val_loss -0.0107 +2026-02-21 22:56:26.785140: Pseudo dice [np.float32(0.8814), np.float32(0.8968), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8523), np.float32(nan), np.float32(0.9078), np.float32(nan), np.float32(0.8319), np.float32(0.0), np.float32(0.8321), np.float32(0.0), np.float32(0.859), np.float32(0.1087), np.float32(0.8015), np.float32(0.4543), np.float32(0.6136), np.float32(0.8466), np.float32(0.9024), np.float32(0.8603), np.float32(0.7253), np.float32(0.7198), np.float32(0.0), np.float32(0.3168), np.float32(0.2467), np.float32(0.7224), np.float32(0.0107), np.float32(0.0223), np.float32(0.9162), np.float32(0.3236), np.float32(0.8116), np.float32(0.0838), np.float32(0.4455), np.float32(0.2484), np.float32(0.7935), np.float32(0.8469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6474), np.float32(0.1541), np.float32(0.3467), np.float32(0.1237), np.float32(0.7781), np.float32(0.5807), np.float32(0.773), np.float32(0.7798), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:56:26.786084: Epoch time: 116.14 s +2026-02-21 22:56:27.657241: +2026-02-21 22:56:27.658808: Epoch 332 +2026-02-21 22:56:27.660384: Current learning rate: 0.00696 +2026-02-21 22:58:23.289761: train_loss -0.0509 +2026-02-21 22:58:23.307058: val_loss -0.0472 +2026-02-21 22:58:23.308643: Pseudo dice [np.float32(0.9421), np.float32(0.9228), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8885), np.float32(nan), np.float32(0.9398), np.float32(nan), np.float32(0.9294), np.float32(0.4313), np.float32(0.8456), np.float32(nan), np.float32(0.8266), np.float32(0.2014), np.float32(0.8303), np.float32(0.5802), np.float32(0.6464), np.float32(0.8718), np.float32(0.9042), np.float32(0.8784), np.float32(0.7497), np.float32(0.7879), np.float32(0.1748), np.float32(0.2453), np.float32(0.0), np.float32(0.7805), np.float32(0.0), np.float32(0.0), np.float32(0.877), np.float32(0.0194), np.float32(0.8331), np.float32(0.1838), np.float32(0.4082), np.float32(0.3979), np.float32(0.9339), np.float32(0.9106), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7698), np.float32(0.0207), np.float32(0.565), np.float32(0.5519), np.float32(0.8569), np.float32(0.8263), np.float32(0.7746), np.float32(0.8218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 22:58:23.309714: Epoch time: 115.64 s +2026-02-21 22:58:24.328249: +2026-02-21 22:58:24.331992: Epoch 333 +2026-02-21 22:58:24.332784: Current learning rate: 0.00695 +2026-02-21 23:00:26.577318: train_loss -0.0484 +2026-02-21 23:00:26.586338: val_loss -0.0896 +2026-02-21 23:00:26.587577: Pseudo dice [np.float32(0.9479), np.float32(0.959), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8873), np.float32(nan), np.float32(0.9635), np.float32(nan), np.float32(0.927), np.float32(0.0), np.float32(0.8664), np.float32(nan), np.float32(0.9124), np.float32(0.1237), np.float32(0.8479), np.float32(0.5136), np.float32(0.6134), np.float32(0.8852), np.float32(0.9191), np.float32(0.9113), np.float32(0.7499), np.float32(0.7801), np.float32(0.6296), np.float32(0.2089), np.float32(0.0229), np.float32(0.8432), np.float32(0.1152), np.float32(0.0), np.float32(0.916), np.float32(1e-04), np.float32(0.8277), np.float32(0.4053), np.float32(0.3632), np.float32(0.3953), np.float32(0.9136), np.float32(0.896), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7624), np.float32(0.0214), np.float32(0.2686), np.float32(0.0112), np.float32(0.8608), np.float32(0.8713), np.float32(0.7741), np.float32(0.8075), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:00:26.588567: Epoch time: 122.25 s +2026-02-21 23:00:26.589269: Yayy! New best EMA pseudo Dice: 0.5913000106811523 +2026-02-21 23:00:28.400845: +2026-02-21 23:00:28.414001: Epoch 334 +2026-02-21 23:00:28.419813: Current learning rate: 0.00694 +2026-02-21 23:02:26.986697: train_loss -0.048 +2026-02-21 23:02:26.990932: val_loss -0.0457 +2026-02-21 23:02:26.991940: Pseudo dice [np.float32(0.8933), np.float32(0.9102), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.875), np.float32(nan), np.float32(0.9242), np.float32(nan), np.float32(0.9156), np.float32(0.1351), np.float32(0.8579), np.float32(nan), np.float32(0.8499), np.float32(0.2033), np.float32(0.8375), np.float32(0.435), np.float32(0.5987), np.float32(0.8782), np.float32(0.9084), np.float32(0.8612), np.float32(0.7678), np.float32(0.7544), np.float32(0.0), np.float32(0.2157), np.float32(0.0), np.float32(0.789), np.float32(0.0), np.float32(0.0), np.float32(0.8066), np.float32(0.1407), np.float32(0.7344), np.float32(0.5588), np.float32(0.3816), np.float32(0.2524), np.float32(0.8733), np.float32(0.8752), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6349), np.float32(0.0777), np.float32(0.2777), np.float32(0.2297), np.float32(0.7371), np.float32(0.5316), np.float32(0.759), np.float32(0.7979), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:02:26.992692: Epoch time: 118.59 s +2026-02-21 23:02:27.864903: +2026-02-21 23:02:27.866683: Epoch 335 +2026-02-21 23:02:27.867488: Current learning rate: 0.00693 +2026-02-21 23:04:23.199252: train_loss -0.0601 +2026-02-21 23:04:23.209623: val_loss -0.0563 +2026-02-21 23:04:23.210876: Pseudo dice [np.float32(0.9267), np.float32(0.9336), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8718), np.float32(nan), np.float32(0.9225), np.float32(nan), np.float32(0.8655), np.float32(0.0), np.float32(0.8543), np.float32(nan), np.float32(0.8579), np.float32(0.3337), np.float32(0.8126), np.float32(0.5885), np.float32(0.7099), np.float32(0.8767), np.float32(0.9146), np.float32(0.8851), np.float32(0.7723), np.float32(0.7686), np.float32(0.4908), np.float32(0.5479), np.float32(0.3669), np.float32(0.7381), np.float32(0.0059), np.float32(0.0), np.float32(0.8956), np.float32(0.2065), np.float32(0.8267), np.float32(0.3831), np.float32(0.3958), np.float32(0.4136), np.float32(0.9362), np.float32(0.9539), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7831), np.float32(0.0), np.float32(0.511), np.float32(0.6923), np.float32(0.7726), np.float32(0.8232), np.float32(0.7753), np.float32(0.8099), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:04:23.212101: Epoch time: 115.34 s +2026-02-21 23:04:23.213412: Yayy! New best EMA pseudo Dice: 0.5950000286102295 +2026-02-21 23:04:25.154155: +2026-02-21 23:04:25.156461: Epoch 336 +2026-02-21 23:04:25.157539: Current learning rate: 0.00692 +2026-02-21 23:06:20.769169: train_loss -0.051 +2026-02-21 23:06:20.773460: val_loss -0.0314 +2026-02-21 23:06:20.774481: Pseudo dice [np.float32(0.9018), np.float32(0.9121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8812), np.float32(nan), np.float32(0.9095), np.float32(nan), np.float32(0.9069), np.float32(0.375), np.float32(0.8336), np.float32(nan), np.float32(0.8312), np.float32(0.3353), np.float32(0.8086), np.float32(0.7021), np.float32(0.6133), np.float32(0.8775), np.float32(0.8957), np.float32(0.886), np.float32(0.7395), np.float32(0.7382), np.float32(0.5184), np.float32(0.4934), np.float32(0.0828), np.float32(0.7824), np.float32(0.1489), np.float32(0.0131), np.float32(0.9276), np.float32(0.0), np.float32(0.8533), np.float32(0.0444), np.float32(0.4863), np.float32(0.3506), np.float32(0.8989), np.float32(0.9151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7915), np.float32(0.0), np.float32(0.5971), np.float32(0.6502), np.float32(0.8073), np.float32(0.866), np.float32(0.7655), np.float32(0.7938), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:06:20.775486: Epoch time: 115.62 s +2026-02-21 23:06:20.776200: Yayy! New best EMA pseudo Dice: 0.599399983882904 +2026-02-21 23:06:22.582721: +2026-02-21 23:06:22.591806: Epoch 337 +2026-02-21 23:06:22.596581: Current learning rate: 0.00691 +2026-02-21 23:08:21.897852: train_loss -0.0178 +2026-02-21 23:08:21.901724: val_loss -0.024 +2026-02-21 23:08:21.907958: Pseudo dice [np.float32(0.9462), np.float32(0.9244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8302), np.float32(nan), np.float32(0.9444), np.float32(nan), np.float32(0.803), np.float32(0.0704), np.float32(0.8599), np.float32(nan), np.float32(0.8678), np.float32(0.0264), np.float32(0.7662), np.float32(0.428), np.float32(0.5543), np.float32(0.8376), np.float32(0.9018), np.float32(0.8713), np.float32(0.7918), np.float32(0.7646), np.float32(0.0), np.float32(0.1696), np.float32(0.4687), np.float32(0.7959), np.float32(0.037), np.float32(0.0082), np.float32(0.9017), np.float32(0.439), np.float32(0.8096), np.float32(0.003), np.float32(0.4208), np.float32(0.3448), np.float32(0.8785), np.float32(0.9043), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7264), np.float32(0.0567), np.float32(0.1922), np.float32(0.1681), np.float32(0.5446), np.float32(0.7495), np.float32(0.7559), np.float32(0.7687), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:08:21.913735: Epoch time: 119.32 s +2026-02-21 23:08:22.797898: +2026-02-21 23:08:22.799061: Epoch 338 +2026-02-21 23:08:22.799876: Current learning rate: 0.0069 +2026-02-21 23:10:20.184442: train_loss -0.044 +2026-02-21 23:10:20.205452: val_loss -0.0295 +2026-02-21 23:10:20.206814: Pseudo dice [np.float32(0.9442), np.float32(0.9276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.867), np.float32(nan), np.float32(0.9136), np.float32(nan), np.float32(0.9021), np.float32(0.0), np.float32(0.8369), np.float32(nan), np.float32(0.8704), np.float32(0.3526), np.float32(0.8175), np.float32(0.3411), np.float32(0.6552), np.float32(0.8552), np.float32(0.9221), np.float32(0.8898), np.float32(0.6509), np.float32(0.767), np.float32(0.0192), np.float32(0.5036), np.float32(0.0), np.float32(0.7987), np.float32(0.0091), np.float32(0.0065), np.float32(0.914), np.float32(0.1463), np.float32(0.7698), np.float32(0.3459), np.float32(0.4019), np.float32(0.4028), np.float32(0.8479), np.float32(0.8352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7457), np.float32(0.4177), np.float32(0.4827), np.float32(0.1003), np.float32(0.7556), np.float32(0.8115), np.float32(0.7199), np.float32(0.7864), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:10:20.208052: Epoch time: 117.39 s +2026-02-21 23:10:21.399995: +2026-02-21 23:10:21.410293: Epoch 339 +2026-02-21 23:10:21.411497: Current learning rate: 0.00689 +2026-02-21 23:12:16.329254: train_loss -0.0371 +2026-02-21 23:12:16.333084: val_loss -0.0549 +2026-02-21 23:12:16.334108: Pseudo dice [np.float32(0.9374), np.float32(0.9221), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8543), np.float32(nan), np.float32(0.9168), np.float32(nan), np.float32(0.933), np.float32(0.0), np.float32(0.834), np.float32(nan), np.float32(0.8676), np.float32(0.1435), np.float32(0.8047), np.float32(0.4299), np.float32(0.5848), np.float32(0.8592), np.float32(0.8896), np.float32(0.8713), np.float32(0.7148), np.float32(0.7284), np.float32(0.0003), np.float32(0.2184), np.float32(0.0032), np.float32(0.8409), np.float32(0.0), np.float32(0.0), np.float32(0.9316), np.float32(0.0039), np.float32(0.8275), np.float32(0.4322), np.float32(0.3155), np.float32(0.3723), np.float32(0.9144), np.float32(0.8935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7552), np.float32(0.6411), np.float32(0.2413), np.float32(0.0776), np.float32(0.6015), np.float32(0.7959), np.float32(0.7053), np.float32(0.787), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:12:16.335114: Epoch time: 114.93 s +2026-02-21 23:12:17.224048: +2026-02-21 23:12:17.225454: Epoch 340 +2026-02-21 23:12:17.226249: Current learning rate: 0.00688 +2026-02-21 23:14:13.067859: train_loss -0.0302 +2026-02-21 23:14:13.074991: val_loss -0.0343 +2026-02-21 23:14:13.076010: Pseudo dice [np.float32(0.8973), np.float32(0.9003), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8755), np.float32(nan), np.float32(0.9322), np.float32(nan), np.float32(0.868), np.float32(0.0), np.float32(0.8669), np.float32(nan), np.float32(0.879), np.float32(0.1266), np.float32(0.8365), np.float32(0.3015), np.float32(0.6638), np.float32(0.8609), np.float32(0.8979), np.float32(0.8877), np.float32(0.74), np.float32(0.7323), np.float32(0.161), np.float32(0.4426), np.float32(0.5462), np.float32(0.8544), np.float32(0.0071), np.float32(0.0), np.float32(0.8941), np.float32(0.2566), np.float32(0.8465), np.float32(0.2334), np.float32(0.3447), np.float32(0.3455), np.float32(0.8853), np.float32(0.9119), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6575), np.float32(0.0), np.float32(0.4699), np.float32(0.0), np.float32(0.4324), np.float32(0.7966), np.float32(0.7604), np.float32(0.7884), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:14:13.077016: Epoch time: 115.85 s +2026-02-21 23:14:14.028526: +2026-02-21 23:14:14.030102: Epoch 341 +2026-02-21 23:14:14.030925: Current learning rate: 0.00687 +2026-02-21 23:16:20.336835: train_loss -0.0388 +2026-02-21 23:16:20.343256: val_loss -0.0296 +2026-02-21 23:16:20.344535: Pseudo dice [np.float32(0.8813), np.float32(0.9376), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8662), np.float32(nan), np.float32(0.8954), np.float32(nan), np.float32(0.8928), np.float32(0.0), np.float32(0.8538), np.float32(nan), np.float32(0.88), np.float32(0.7515), np.float32(0.8053), np.float32(0.3504), np.float32(0.627), np.float32(0.8718), np.float32(0.9001), np.float32(0.8854), np.float32(0.7256), np.float32(0.7118), np.float32(0.094), np.float32(0.5255), np.float32(0.0), np.float32(0.7667), np.float32(0.0269), np.float32(0.0258), np.float32(0.9073), np.float32(0.0008), np.float32(0.8198), np.float32(0.3019), np.float32(0.3826), np.float32(0.3479), np.float32(0.8228), np.float32(0.8962), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7452), np.float32(0.5687), np.float32(0.015), np.float32(0.3225), np.float32(0.8583), np.float32(0.8894), np.float32(0.7984), np.float32(0.8094), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:16:20.345546: Epoch time: 126.31 s +2026-02-21 23:16:21.217232: +2026-02-21 23:16:21.218627: Epoch 342 +2026-02-21 23:16:21.223976: Current learning rate: 0.00686 +2026-02-21 23:18:11.516475: train_loss -0.0457 +2026-02-21 23:18:11.528967: val_loss -0.0265 +2026-02-21 23:18:11.530231: Pseudo dice [np.float32(0.9026), np.float32(0.8949), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9235), np.float32(nan), np.float32(0.9174), np.float32(0.0113), np.float32(0.8052), np.float32(nan), np.float32(0.8081), np.float32(0.3098), np.float32(0.8315), np.float32(0.0036), np.float32(0.6671), np.float32(0.854), np.float32(0.8871), np.float32(0.8832), np.float32(0.7033), np.float32(0.7842), np.float32(0.5599), np.float32(0.3656), np.float32(0.2452), np.float32(0.8073), np.float32(0.0031), np.float32(0.0255), np.float32(0.8726), np.float32(0.0409), np.float32(0.8323), np.float32(0.1117), np.float32(0.3583), np.float32(0.3575), np.float32(0.8271), np.float32(0.8682), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7551), np.float32(0.3697), np.float32(0.7394), np.float32(0.0051), np.float32(0.6233), np.float32(0.6572), np.float32(0.7203), np.float32(0.7982), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:18:11.531228: Epoch time: 110.3 s +2026-02-21 23:18:12.410111: +2026-02-21 23:18:12.411472: Epoch 343 +2026-02-21 23:18:12.412266: Current learning rate: 0.00685 +2026-02-21 23:20:05.191056: train_loss -0.0414 +2026-02-21 23:20:05.212525: val_loss -0.0696 +2026-02-21 23:20:05.219434: Pseudo dice [np.float32(0.9385), np.float32(0.9351), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8723), np.float32(nan), np.float32(0.91), np.float32(nan), np.float32(0.9399), np.float32(0.4428), np.float32(0.8925), np.float32(nan), np.float32(0.891), np.float32(0.5108), np.float32(0.8407), np.float32(0.5954), np.float32(0.6475), np.float32(0.8851), np.float32(0.9445), np.float32(0.9185), np.float32(0.7685), np.float32(0.8143), np.float32(0.0), np.float32(0.1977), np.float32(0.3076), np.float32(0.8147), np.float32(0.1016), np.float32(0.0), np.float32(0.8555), np.float32(0.0289), np.float32(0.7927), np.float32(0.1792), np.float32(0.3496), np.float32(0.3919), np.float32(0.9079), np.float32(0.9129), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6541), np.float32(0.0), np.float32(0.1754), np.float32(0.0021), np.float32(0.8699), np.float32(0.8563), np.float32(0.8152), np.float32(0.8281), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:20:05.220500: Epoch time: 112.78 s +2026-02-21 23:20:06.382237: +2026-02-21 23:20:06.418336: Epoch 344 +2026-02-21 23:20:06.423939: Current learning rate: 0.00684 +2026-02-21 23:22:01.625562: train_loss -0.0485 +2026-02-21 23:22:01.628687: val_loss -0.0692 +2026-02-21 23:22:01.629716: Pseudo dice [np.float32(0.9279), np.float32(0.9316), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8764), np.float32(nan), np.float32(0.9394), np.float32(nan), np.float32(0.8764), np.float32(0.0), np.float32(0.8566), np.float32(0.0), np.float32(0.8723), np.float32(0.5834), np.float32(0.8558), np.float32(0.2789), np.float32(0.6193), np.float32(0.8762), np.float32(0.9276), np.float32(0.9028), np.float32(0.777), np.float32(0.7909), np.float32(0.0274), np.float32(0.1384), np.float32(0.5056), np.float32(0.7877), np.float32(0.0041), np.float32(0.0), np.float32(0.9226), np.float32(0.3196), np.float32(0.8397), np.float32(0.5855), np.float32(0.3887), np.float32(0.3389), np.float32(0.8999), np.float32(0.8986), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6535), np.float32(0.0), np.float32(0.2776), np.float32(0.1386), np.float32(0.937), np.float32(0.9167), np.float32(0.787), np.float32(0.8269), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:22:01.631239: Epoch time: 115.25 s +2026-02-21 23:22:02.751558: +2026-02-21 23:22:02.754910: Epoch 345 +2026-02-21 23:22:02.755720: Current learning rate: 0.00683 +2026-02-21 23:24:03.361061: train_loss -0.0339 +2026-02-21 23:24:03.364412: val_loss -0.0536 +2026-02-21 23:24:03.365443: Pseudo dice [np.float32(0.9496), np.float32(0.9354), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8484), np.float32(nan), np.float32(0.9439), np.float32(nan), np.float32(0.902), np.float32(0.1738), np.float32(0.8401), np.float32(nan), np.float32(0.8301), np.float32(0.2373), np.float32(0.8289), np.float32(0.6718), np.float32(0.6752), np.float32(0.8397), np.float32(0.9108), np.float32(0.8688), np.float32(0.7513), np.float32(0.7826), np.float32(0.1986), np.float32(0.4003), np.float32(0.0015), np.float32(0.7516), np.float32(0.0098), np.float32(0.1928), np.float32(0.8892), np.float32(0.0114), np.float32(0.7943), np.float32(0.0084), np.float32(0.3592), np.float32(0.3617), np.float32(0.8356), np.float32(0.8968), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7035), np.float32(0.0052), np.float32(0.0908), np.float32(0.0826), np.float32(0.6273), np.float32(0.7877), np.float32(0.7816), np.float32(0.8236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:24:03.366441: Epoch time: 120.61 s +2026-02-21 23:24:04.406661: +2026-02-21 23:24:04.410074: Epoch 346 +2026-02-21 23:24:04.411130: Current learning rate: 0.00682 +2026-02-21 23:26:01.784355: train_loss -0.0233 +2026-02-21 23:26:01.794462: val_loss -0.0658 +2026-02-21 23:26:01.795786: Pseudo dice [np.float32(0.8974), np.float32(0.9336), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8932), np.float32(nan), np.float32(0.9163), np.float32(nan), np.float32(0.9329), np.float32(0.0), np.float32(0.8506), np.float32(0.0), np.float32(0.8519), np.float32(0.4252), np.float32(0.8319), np.float32(0.5087), np.float32(0.6589), np.float32(0.883), np.float32(0.9235), np.float32(0.9017), np.float32(0.7703), np.float32(0.7921), np.float32(0.0), np.float32(0.0188), np.float32(0.5948), np.float32(0.8537), np.float32(0.0), np.float32(0.0), np.float32(0.895), np.float32(0.0008), np.float32(0.844), np.float32(0.4458), np.float32(0.3359), np.float32(0.3652), np.float32(0.9067), np.float32(0.9086), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7165), np.float32(0.5151), np.float32(0.1028), np.float32(0.5484), np.float32(0.7399), np.float32(0.7777), np.float32(0.7838), np.float32(0.8192), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:26:01.796698: Epoch time: 117.38 s +2026-02-21 23:26:02.828417: +2026-02-21 23:26:02.846030: Epoch 347 +2026-02-21 23:26:02.849555: Current learning rate: 0.00681 +2026-02-21 23:27:51.012103: train_loss -0.05 +2026-02-21 23:27:51.016055: val_loss -0.0706 +2026-02-21 23:27:51.017081: Pseudo dice [np.float32(0.939), np.float32(0.9396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.871), np.float32(nan), np.float32(0.9351), np.float32(nan), np.float32(0.9495), np.float32(0.0007), np.float32(0.8269), np.float32(nan), np.float32(0.8783), np.float32(0.7138), np.float32(0.8329), np.float32(0.2552), np.float32(0.5871), np.float32(0.8596), np.float32(0.9101), np.float32(0.8867), np.float32(0.7311), np.float32(0.7627), np.float32(0.8312), np.float32(0.2499), np.float32(0.4359), np.float32(0.8523), np.float32(0.0003), np.float32(0.0026), np.float32(0.91), np.float32(0.0734), np.float32(0.8227), np.float32(0.548), np.float32(0.3586), np.float32(0.4137), np.float32(0.9507), np.float32(0.954), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6633), np.float32(0.1742), np.float32(0.0), np.float32(0.0), np.float32(0.7773), np.float32(0.8796), np.float32(0.7784), np.float32(0.8129), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:27:51.017830: Epoch time: 108.19 s +2026-02-21 23:27:52.093798: +2026-02-21 23:27:52.097463: Epoch 348 +2026-02-21 23:27:52.098277: Current learning rate: 0.0068 +2026-02-21 23:29:45.165423: train_loss -0.049 +2026-02-21 23:29:45.169481: val_loss -0.0715 +2026-02-21 23:29:45.170529: Pseudo dice [np.float32(0.9443), np.float32(0.9437), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8655), np.float32(nan), np.float32(0.9526), np.float32(nan), np.float32(0.8997), np.float32(0.0), np.float32(0.8247), np.float32(nan), np.float32(0.8583), np.float32(0.4368), np.float32(0.825), np.float32(0.6143), np.float32(0.6554), np.float32(0.8873), np.float32(0.9248), np.float32(0.8907), np.float32(0.7595), np.float32(0.7704), np.float32(0.0212), np.float32(0.3409), np.float32(0.0334), np.float32(0.8937), np.float32(0.0), np.float32(0.0), np.float32(0.9204), np.float32(0.0949), np.float32(0.8172), np.float32(0.3644), np.float32(0.2838), np.float32(0.3651), np.float32(0.895), np.float32(0.9233), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.72), np.float32(0.1239), np.float32(0.5018), np.float32(0.2084), np.float32(0.6105), np.float32(0.8086), np.float32(0.7721), np.float32(0.8157), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:29:45.171517: Epoch time: 113.07 s +2026-02-21 23:29:45.172632: Yayy! New best EMA pseudo Dice: 0.5996999740600586 +2026-02-21 23:29:46.972308: +2026-02-21 23:29:46.979074: Epoch 349 +2026-02-21 23:29:46.980143: Current learning rate: 0.0068 +2026-02-21 23:31:38.797358: train_loss -0.0346 +2026-02-21 23:31:38.812584: val_loss -0.0381 +2026-02-21 23:31:38.813809: Pseudo dice [np.float32(0.9307), np.float32(0.9504), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8461), np.float32(nan), np.float32(0.9322), np.float32(nan), np.float32(0.9118), np.float32(0.0), np.float32(0.8393), np.float32(nan), np.float32(0.809), np.float32(0.1406), np.float32(0.8477), np.float32(0.0), np.float32(0.5641), np.float32(0.8626), np.float32(0.9263), np.float32(0.8939), np.float32(0.7532), np.float32(0.7412), np.float32(0.0025), np.float32(0.6688), np.float32(0.2504), np.float32(0.715), np.float32(0.0228), np.float32(0.0), np.float32(0.8694), np.float32(0.0294), np.float32(0.8297), np.float32(0.3763), np.float32(0.396), np.float32(0.3353), np.float32(0.821), np.float32(0.9178), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6473), np.float32(0.0059), np.float32(0.0), np.float32(0.0), np.float32(0.8619), np.float32(0.8279), np.float32(0.7691), np.float32(0.7913), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:31:38.814791: Epoch time: 111.83 s +2026-02-21 23:31:40.696952: +2026-02-21 23:31:40.702574: Epoch 350 +2026-02-21 23:31:40.704122: Current learning rate: 0.00679 +2026-02-21 23:33:30.593360: train_loss -0.0452 +2026-02-21 23:33:30.606960: val_loss -0.0797 +2026-02-21 23:33:30.607998: Pseudo dice [np.float32(0.933), np.float32(0.9011), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.864), np.float32(nan), np.float32(0.9536), np.float32(nan), np.float32(0.8475), np.float32(0.0), np.float32(0.8619), np.float32(nan), np.float32(0.8658), np.float32(0.2362), np.float32(0.8532), np.float32(0.0158), np.float32(0.6425), np.float32(0.8787), np.float32(0.9194), np.float32(0.8989), np.float32(0.7309), np.float32(0.7745), np.float32(0.0099), np.float32(0.5173), np.float32(0.6015), np.float32(0.8886), np.float32(0.0), np.float32(0.0), np.float32(0.9027), np.float32(0.0), np.float32(0.847), np.float32(0.4119), np.float32(0.3808), np.float32(0.3464), np.float32(0.9662), np.float32(0.9671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8152), np.float32(0.006), np.float32(0.3008), np.float32(0.496), np.float32(0.7472), np.float32(0.7333), np.float32(0.7614), np.float32(0.7984), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:33:30.609707: Epoch time: 109.9 s +2026-02-21 23:33:31.597277: +2026-02-21 23:33:31.604452: Epoch 351 +2026-02-21 23:33:31.605286: Current learning rate: 0.00678 +2026-02-21 23:35:19.407016: train_loss -0.0528 +2026-02-21 23:35:19.410846: val_loss 0.0035 +2026-02-21 23:35:19.411877: Pseudo dice [np.float32(0.8854), np.float32(0.894), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8649), np.float32(nan), np.float32(0.8607), np.float32(nan), np.float32(0.8116), np.float32(0.0), np.float32(0.8276), np.float32(nan), np.float32(0.8595), np.float32(0.5154), np.float32(0.783), np.float32(0.4469), np.float32(0.5439), np.float32(0.8582), np.float32(0.8869), np.float32(0.8517), np.float32(0.7122), np.float32(0.7208), np.float32(0.2575), np.float32(0.6763), np.float32(0.5576), np.float32(0.7453), np.float32(0.001), np.float32(0.0), np.float32(0.8808), np.float32(0.2565), np.float32(0.801), np.float32(0.5348), np.float32(0.2955), np.float32(0.3469), np.float32(0.8607), np.float32(0.9177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7548), np.float32(0.0957), np.float32(0.1554), np.float32(0.0398), np.float32(0.8223), np.float32(0.7929), np.float32(0.7473), np.float32(0.7616), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:35:19.412880: Epoch time: 107.81 s +2026-02-21 23:35:20.312038: +2026-02-21 23:35:20.317287: Epoch 352 +2026-02-21 23:35:20.320180: Current learning rate: 0.00677 +2026-02-21 23:37:14.382133: train_loss -0.0646 +2026-02-21 23:37:14.397732: val_loss -0.0464 +2026-02-21 23:37:14.402637: Pseudo dice [np.float32(0.9501), np.float32(0.9363), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8693), np.float32(nan), np.float32(0.9285), np.float32(nan), np.float32(0.8717), np.float32(0.2534), np.float32(0.8655), np.float32(nan), np.float32(0.8651), np.float32(0.5418), np.float32(0.8147), np.float32(0.6686), np.float32(0.6681), np.float32(0.8686), np.float32(0.9172), np.float32(0.8939), np.float32(0.7274), np.float32(0.7603), np.float32(0.0013), np.float32(0.1237), np.float32(0.7281), np.float32(0.8321), np.float32(0.1343), np.float32(0.0), np.float32(0.9366), np.float32(0.0227), np.float32(0.835), np.float32(0.0009), np.float32(0.3226), np.float32(0.3314), np.float32(0.8847), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7589), np.float32(0.1413), np.float32(0.3657), np.float32(0.0424), np.float32(0.7352), np.float32(0.7239), np.float32(0.7508), np.float32(0.8108), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:37:14.408372: Epoch time: 114.07 s +2026-02-21 23:37:15.444916: +2026-02-21 23:37:15.449003: Epoch 353 +2026-02-21 23:37:15.449892: Current learning rate: 0.00676 +2026-02-21 23:39:13.424763: train_loss -0.0604 +2026-02-21 23:39:13.428324: val_loss -0.0194 +2026-02-21 23:39:13.430359: Pseudo dice [np.float32(0.9071), np.float32(0.9208), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8703), np.float32(nan), np.float32(0.9135), np.float32(nan), np.float32(0.7952), np.float32(0.047), np.float32(0.853), np.float32(nan), np.float32(0.8184), np.float32(0.3954), np.float32(0.8079), np.float32(0.7028), np.float32(0.6561), np.float32(0.8601), np.float32(0.9362), np.float32(0.8934), np.float32(0.7784), np.float32(0.7762), np.float32(0.0004), np.float32(0.5657), np.float32(0.0), np.float32(0.7227), np.float32(0.0048), np.float32(0.0), np.float32(0.9038), np.float32(0.004), np.float32(0.8177), np.float32(0.2302), np.float32(0.4113), np.float32(0.2829), np.float32(0.8885), np.float32(0.8824), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7636), np.float32(0.0), np.float32(0.5487), np.float32(0.4956), np.float32(0.6404), np.float32(0.778), np.float32(0.7398), np.float32(0.7857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:39:13.431381: Epoch time: 117.98 s +2026-02-21 23:39:14.484226: +2026-02-21 23:39:14.488356: Epoch 354 +2026-02-21 23:39:14.489303: Current learning rate: 0.00675 +2026-02-21 23:41:12.779388: train_loss -0.0513 +2026-02-21 23:41:12.791502: val_loss -0.0667 +2026-02-21 23:41:12.792524: Pseudo dice [np.float32(0.9197), np.float32(0.9308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.9491), np.float32(nan), np.float32(0.9124), np.float32(0.5603), np.float32(0.8359), np.float32(nan), np.float32(0.8486), np.float32(0.0023), np.float32(0.8315), np.float32(0.0), np.float32(0.6432), np.float32(0.842), np.float32(0.9267), np.float32(0.9092), np.float32(0.7867), np.float32(0.8124), np.float32(0.0), np.float32(0.3098), np.float32(0.6217), np.float32(0.7178), np.float32(0.0422), np.float32(1e-04), np.float32(0.8715), np.float32(0.4221), np.float32(0.8466), np.float32(0.0194), np.float32(0.3769), np.float32(0.376), np.float32(0.9354), np.float32(0.9377), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6749), np.float32(0.3276), np.float32(0.4362), np.float32(0.368), np.float32(0.7394), np.float32(0.777), np.float32(0.774), np.float32(0.8232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:41:12.793522: Epoch time: 118.3 s +2026-02-21 23:41:12.794231: Yayy! New best EMA pseudo Dice: 0.6011999845504761 +2026-02-21 23:41:14.710971: +2026-02-21 23:41:14.712137: Epoch 355 +2026-02-21 23:41:14.712943: Current learning rate: 0.00674 +2026-02-21 23:43:19.565804: train_loss -0.0453 +2026-02-21 23:43:19.572890: val_loss -0.0256 +2026-02-21 23:43:19.573918: Pseudo dice [np.float32(0.9051), np.float32(0.9076), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8697), np.float32(nan), np.float32(0.8986), np.float32(nan), np.float32(0.9235), np.float32(0.0031), np.float32(0.8523), np.float32(nan), np.float32(0.8168), np.float32(0.355), np.float32(0.7883), np.float32(0.3637), np.float32(0.6551), np.float32(0.841), np.float32(0.896), np.float32(0.8299), np.float32(0.7182), np.float32(0.7742), np.float32(0.0002), np.float32(0.0985), np.float32(0.0), np.float32(0.8416), np.float32(0.0065), np.float32(0.115), np.float32(0.8967), np.float32(0.0), np.float32(0.8072), np.float32(0.0702), np.float32(0.3587), np.float32(0.3636), np.float32(0.895), np.float32(0.9082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7829), np.float32(0.0), np.float32(0.5184), np.float32(0.2174), np.float32(0.8635), np.float32(0.8588), np.float32(0.6992), np.float32(0.7857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:43:19.575407: Epoch time: 124.86 s +2026-02-21 23:43:20.645632: +2026-02-21 23:43:20.662993: Epoch 356 +2026-02-21 23:43:20.663792: Current learning rate: 0.00673 +2026-02-21 23:45:15.545055: train_loss -0.0261 +2026-02-21 23:45:15.549088: val_loss -0.0693 +2026-02-21 23:45:15.550119: Pseudo dice [np.float32(0.9554), np.float32(0.9509), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.871), np.float32(nan), np.float32(0.9529), np.float32(nan), np.float32(0.9105), np.float32(0.3489), np.float32(0.8677), np.float32(nan), np.float32(0.8732), np.float32(0.2012), np.float32(0.8486), np.float32(0.0), np.float32(0.6626), np.float32(0.887), np.float32(0.9045), np.float32(0.8992), np.float32(0.711), np.float32(0.7282), np.float32(0.2241), np.float32(0.5096), np.float32(0.0), np.float32(0.8578), np.float32(0.1989), np.float32(0.1997), np.float32(0.9214), np.float32(0.0), np.float32(0.7951), np.float32(0.4904), np.float32(0.4458), np.float32(0.3408), np.float32(0.8934), np.float32(0.864), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5909), np.float32(0.0304), np.float32(0.1232), np.float32(0.0052), np.float32(0.7547), np.float32(0.5228), np.float32(0.756), np.float32(0.8082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:45:15.551112: Epoch time: 114.9 s +2026-02-21 23:45:16.471095: +2026-02-21 23:45:16.472256: Epoch 357 +2026-02-21 23:45:16.473071: Current learning rate: 0.00672 +2026-02-21 23:47:04.729790: train_loss -0.0379 +2026-02-21 23:47:04.742230: val_loss -0.0743 +2026-02-21 23:47:04.743584: Pseudo dice [np.float32(0.9461), np.float32(0.951), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8456), np.float32(nan), np.float32(0.9461), np.float32(nan), np.float32(0.8422), np.float32(0.0228), np.float32(0.8557), np.float32(0.0), np.float32(0.8785), np.float32(0.3448), np.float32(0.8384), np.float32(0.6877), np.float32(0.6485), np.float32(0.878), np.float32(0.941), np.float32(0.9108), np.float32(0.757), np.float32(0.7674), np.float32(0.0), np.float32(0.3459), np.float32(0.0), np.float32(0.7778), np.float32(0.001), np.float32(0.0), np.float32(0.9008), np.float32(0.4728), np.float32(0.799), np.float32(0.5357), np.float32(0.4326), np.float32(0.3645), np.float32(0.8724), np.float32(0.8965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.621), np.float32(0.0), np.float32(0.2288), np.float32(0.0222), np.float32(0.3662), np.float32(0.6564), np.float32(0.7913), np.float32(0.8045), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:47:04.744526: Epoch time: 108.26 s +2026-02-21 23:47:05.877445: +2026-02-21 23:47:05.881032: Epoch 358 +2026-02-21 23:47:05.881862: Current learning rate: 0.00671 +2026-02-21 23:48:58.520515: train_loss -0.0063 +2026-02-21 23:48:58.523804: val_loss -0.0609 +2026-02-21 23:48:58.525075: Pseudo dice [np.float32(0.9516), np.float32(0.9471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8583), np.float32(nan), np.float32(0.9337), np.float32(nan), np.float32(0.9191), np.float32(0.2248), np.float32(0.8534), np.float32(nan), np.float32(0.8855), np.float32(0.2787), np.float32(0.8257), np.float32(0.721), np.float32(0.6524), np.float32(0.8714), np.float32(0.9295), np.float32(0.8934), np.float32(0.7622), np.float32(0.7986), np.float32(0.0), np.float32(0.2019), np.float32(0.1805), np.float32(0.7377), np.float32(0.0), np.float32(0.0), np.float32(0.9031), np.float32(0.1943), np.float32(0.8326), np.float32(0.0114), np.float32(0.3495), np.float32(0.1781), np.float32(0.8559), np.float32(0.9025), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5558), np.float32(0.0312), np.float32(0.6179), np.float32(0.0259), np.float32(0.6719), np.float32(0.7778), np.float32(0.7487), np.float32(0.7985), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:48:58.526327: Epoch time: 112.65 s +2026-02-21 23:48:59.412102: +2026-02-21 23:48:59.413272: Epoch 359 +2026-02-21 23:48:59.414065: Current learning rate: 0.0067 +2026-02-21 23:50:56.094895: train_loss -0.0202 +2026-02-21 23:50:56.098463: val_loss -0.0834 +2026-02-21 23:50:56.099486: Pseudo dice [np.float32(0.948), np.float32(0.9367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8899), np.float32(nan), np.float32(0.9327), np.float32(nan), np.float32(0.925), np.float32(0.6775), np.float32(0.8643), np.float32(nan), np.float32(0.8867), np.float32(0.4935), np.float32(0.8452), np.float32(0.0), np.float32(0.6848), np.float32(0.8738), np.float32(0.9409), np.float32(0.9068), np.float32(0.7786), np.float32(0.7762), np.float32(0.3342), np.float32(0.4281), np.float32(0.4649), np.float32(0.8159), np.float32(0.0), np.float32(0.0099), np.float32(0.9191), np.float32(0.1634), np.float32(0.779), np.float32(0.068), np.float32(0.256), np.float32(0.3494), np.float32(0.8915), np.float32(0.9033), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.769), np.float32(0.1396), np.float32(0.7211), np.float32(0.2366), np.float32(0.7957), np.float32(0.8337), np.float32(0.7998), np.float32(0.8272), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:50:56.100403: Epoch time: 116.69 s +2026-02-21 23:50:56.985783: +2026-02-21 23:50:56.987122: Epoch 360 +2026-02-21 23:50:56.988453: Current learning rate: 0.00669 +2026-02-21 23:52:45.172134: train_loss -0.0397 +2026-02-21 23:52:45.187459: val_loss -0.0738 +2026-02-21 23:52:45.188522: Pseudo dice [np.float32(0.9441), np.float32(0.9515), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8783), np.float32(nan), np.float32(0.9441), np.float32(nan), np.float32(0.9561), np.float32(0.0), np.float32(0.8833), np.float32(nan), np.float32(0.8942), np.float32(0.4256), np.float32(0.8462), np.float32(0.6143), np.float32(0.6881), np.float32(0.8952), np.float32(0.9323), np.float32(0.9005), np.float32(0.7507), np.float32(0.7871), np.float32(0.4883), np.float32(0.3897), np.float32(0.0), np.float32(0.8038), np.float32(0.0), np.float32(0.0), np.float32(0.912), np.float32(0.0271), np.float32(0.8523), np.float32(0.3866), np.float32(0.4094), np.float32(0.3732), np.float32(0.9058), np.float32(0.8993), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6549), np.float32(0.0), np.float32(0.4376), np.float32(0.286), np.float32(0.4516), np.float32(0.5731), np.float32(0.7741), np.float32(0.8105), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:52:45.195138: Epoch time: 108.19 s +2026-02-21 23:52:46.244390: +2026-02-21 23:52:46.247789: Epoch 361 +2026-02-21 23:52:46.248623: Current learning rate: 0.00668 +2026-02-21 23:54:41.618824: train_loss -0.0308 +2026-02-21 23:54:41.622670: val_loss -0.0465 +2026-02-21 23:54:41.623705: Pseudo dice [np.float32(0.9144), np.float32(0.8991), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8741), np.float32(nan), np.float32(0.9369), np.float32(nan), np.float32(0.8042), np.float32(0.0217), np.float32(0.8692), np.float32(nan), np.float32(0.8614), np.float32(0.4218), np.float32(0.8162), np.float32(0.5822), np.float32(0.614), np.float32(0.8633), np.float32(0.894), np.float32(0.8786), np.float32(0.7396), np.float32(0.7266), np.float32(0.6286), np.float32(0.5431), np.float32(0.2676), np.float32(0.8347), np.float32(0.0555), np.float32(0.0428), np.float32(0.9134), np.float32(0.1683), np.float32(0.8506), np.float32(0.2821), np.float32(0.4667), np.float32(0.3252), np.float32(0.9119), np.float32(0.8981), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6962), np.float32(0.283), np.float32(0.5652), np.float32(0.3245), np.float32(0.628), np.float32(0.3281), np.float32(0.777), np.float32(0.8121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:54:41.624692: Epoch time: 115.38 s +2026-02-21 23:54:41.625406: Yayy! New best EMA pseudo Dice: 0.6019999980926514 +2026-02-21 23:54:45.379551: +2026-02-21 23:54:45.381314: Epoch 362 +2026-02-21 23:54:45.382140: Current learning rate: 0.00667 +2026-02-21 23:56:38.023694: train_loss -0.0414 +2026-02-21 23:56:38.027165: val_loss -0.0785 +2026-02-21 23:56:38.028589: Pseudo dice [np.float32(0.9502), np.float32(0.9435), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.876), np.float32(nan), np.float32(0.9396), np.float32(nan), np.float32(0.8911), np.float32(0.3546), np.float32(0.876), np.float32(0.0), np.float32(0.8935), np.float32(0.2315), np.float32(0.8473), np.float32(0.4261), np.float32(0.6954), np.float32(0.8987), np.float32(0.9142), np.float32(0.888), np.float32(0.7491), np.float32(0.7782), np.float32(0.0003), np.float32(0.5509), np.float32(0.0097), np.float32(0.8361), np.float32(0.0705), np.float32(0.1572), np.float32(0.9233), np.float32(0.0634), np.float32(0.8266), np.float32(0.2082), np.float32(0.3242), np.float32(0.3043), np.float32(0.9586), np.float32(0.9542), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7389), np.float32(0.0656), np.float32(0.7804), np.float32(0.2522), np.float32(0.7429), np.float32(0.626), np.float32(0.7892), np.float32(0.806), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:56:38.029716: Epoch time: 112.65 s +2026-02-21 23:56:38.030557: Yayy! New best EMA pseudo Dice: 0.6021999716758728 +2026-02-21 23:56:39.895002: +2026-02-21 23:56:39.896956: Epoch 363 +2026-02-21 23:56:39.897764: Current learning rate: 0.00666 +2026-02-21 23:58:30.041917: train_loss -0.0305 +2026-02-21 23:58:30.057023: val_loss -0.0403 +2026-02-21 23:58:30.058217: Pseudo dice [np.float32(0.943), np.float32(0.9348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8529), np.float32(nan), np.float32(0.9333), np.float32(nan), np.float32(0.909), np.float32(0.0), np.float32(0.8077), np.float32(nan), np.float32(0.8723), np.float32(0.2314), np.float32(0.7934), np.float32(0.4849), np.float32(0.6845), np.float32(0.8193), np.float32(0.911), np.float32(0.8777), np.float32(0.7663), np.float32(0.7372), np.float32(0.0), np.float32(0.1293), np.float32(0.0124), np.float32(0.7901), np.float32(0.0), np.float32(0.0), np.float32(0.8697), np.float32(0.1454), np.float32(0.7992), np.float32(0.5503), np.float32(0.3489), np.float32(0.3381), np.float32(0.8603), np.float32(0.8869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7038), np.float32(0.5256), np.float32(0.0265), np.float32(0.1066), np.float32(0.8348), np.float32(0.7085), np.float32(0.7388), np.float32(0.7734), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-21 23:58:30.059402: Epoch time: 110.15 s +2026-02-21 23:58:31.189741: +2026-02-21 23:58:31.231007: Epoch 364 +2026-02-21 23:58:31.232766: Current learning rate: 0.00665 +2026-02-22 00:00:28.960619: train_loss -0.0285 +2026-02-22 00:00:28.974387: val_loss -0.0617 +2026-02-22 00:00:28.977465: Pseudo dice [np.float32(0.916), np.float32(0.9261), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8842), np.float32(nan), np.float32(0.9344), np.float32(nan), np.float32(0.9068), np.float32(1e-04), np.float32(0.8487), np.float32(nan), np.float32(0.8805), np.float32(0.4748), np.float32(0.8229), np.float32(0.5166), np.float32(0.6825), np.float32(0.8727), np.float32(0.9062), np.float32(0.8897), np.float32(0.7552), np.float32(0.7669), np.float32(0.0666), np.float32(0.6315), np.float32(0.204), np.float32(0.8473), np.float32(0.119), np.float32(0.161), np.float32(0.8961), np.float32(0.1455), np.float32(0.8098), np.float32(0.4297), np.float32(0.4613), np.float32(0.3169), np.float32(0.9329), np.float32(0.9185), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6325), np.float32(0.0168), np.float32(0.6172), np.float32(0.3875), np.float32(0.88), np.float32(0.8453), np.float32(0.8022), np.float32(0.817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:00:28.979526: Epoch time: 117.77 s +2026-02-22 00:00:28.980773: Yayy! New best EMA pseudo Dice: 0.6040999889373779 +2026-02-22 00:00:30.806806: +2026-02-22 00:00:30.813735: Epoch 365 +2026-02-22 00:00:30.814631: Current learning rate: 0.00665 +2026-02-22 00:02:14.009196: train_loss -0.0451 +2026-02-22 00:02:14.015707: val_loss -0.0273 +2026-02-22 00:02:14.016970: Pseudo dice [np.float32(0.8906), np.float32(0.8911), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8689), np.float32(nan), np.float32(0.919), np.float32(nan), np.float32(0.899), np.float32(0.0), np.float32(0.831), np.float32(nan), np.float32(0.8509), np.float32(0.2933), np.float32(0.8025), np.float32(0.5309), np.float32(0.7008), np.float32(0.8678), np.float32(0.8884), np.float32(0.8944), np.float32(0.7182), np.float32(0.7792), np.float32(0.0007), np.float32(0.4852), np.float32(0.6127), np.float32(0.7956), np.float32(0.0739), np.float32(0.0), np.float32(0.9189), np.float32(0.6219), np.float32(0.8363), np.float32(0.3022), np.float32(0.4486), np.float32(0.3685), np.float32(0.9081), np.float32(0.8952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7849), np.float32(0.0045), np.float32(0.84), np.float32(0.1528), np.float32(0.6565), np.float32(0.6835), np.float32(0.7619), np.float32(0.8225), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:02:14.017851: Epoch time: 103.2 s +2026-02-22 00:02:14.018683: Yayy! New best EMA pseudo Dice: 0.6067000031471252 +2026-02-22 00:02:16.156588: +2026-02-22 00:02:16.158178: Epoch 366 +2026-02-22 00:02:16.158988: Current learning rate: 0.00664 +2026-02-22 00:04:04.971305: train_loss -0.0454 +2026-02-22 00:04:04.975105: val_loss -0.039 +2026-02-22 00:04:04.976130: Pseudo dice [np.float32(0.9325), np.float32(0.9548), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9072), np.float32(nan), np.float32(0.8828), np.float32(0.1873), np.float32(0.8437), np.float32(nan), np.float32(0.8173), np.float32(0.3341), np.float32(0.8022), np.float32(0.6625), np.float32(0.6856), np.float32(0.8613), np.float32(0.9103), np.float32(0.8974), np.float32(0.7622), np.float32(0.7562), np.float32(0.0032), np.float32(0.5668), np.float32(0.708), np.float32(0.7884), np.float32(0.1902), np.float32(0.0634), np.float32(0.9092), np.float32(0.165), np.float32(0.8567), np.float32(0.1453), np.float32(0.3417), np.float32(0.35), np.float32(0.8889), np.float32(0.9098), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6508), np.float32(0.5542), np.float32(0.4477), np.float32(0.0015), np.float32(0.6706), np.float32(0.7239), np.float32(0.7581), np.float32(0.8048), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:04:04.977127: Epoch time: 108.82 s +2026-02-22 00:04:04.978083: Yayy! New best EMA pseudo Dice: 0.6090999841690063 +2026-02-22 00:04:06.997733: +2026-02-22 00:04:06.999579: Epoch 367 +2026-02-22 00:04:07.000406: Current learning rate: 0.00663 +2026-02-22 00:06:03.330803: train_loss -0.0449 +2026-02-22 00:06:03.403543: val_loss -0.0959 +2026-02-22 00:06:03.404549: Pseudo dice [np.float32(0.9477), np.float32(0.9328), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8902), np.float32(nan), np.float32(0.9651), np.float32(nan), np.float32(0.8887), np.float32(0.1549), np.float32(0.8248), np.float32(nan), np.float32(0.8798), np.float32(0.0597), np.float32(0.8391), np.float32(0.0678), np.float32(0.6696), np.float32(0.8777), np.float32(0.9246), np.float32(0.9095), np.float32(0.8002), np.float32(0.8239), np.float32(0.0054), np.float32(0.4098), np.float32(0.5843), np.float32(0.7611), np.float32(0.0), np.float32(0.0), np.float32(0.9025), np.float32(0.0), np.float32(0.8229), np.float32(0.3439), np.float32(0.4241), np.float32(0.3734), np.float32(0.9576), np.float32(0.9673), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7205), np.float32(0.0), np.float32(0.7267), np.float32(0.6084), np.float32(0.6845), np.float32(0.8896), np.float32(0.7816), np.float32(0.8282), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:06:03.405554: Epoch time: 116.34 s +2026-02-22 00:06:03.406262: Yayy! New best EMA pseudo Dice: 0.6103000044822693 +2026-02-22 00:06:05.292493: +2026-02-22 00:06:05.299761: Epoch 368 +2026-02-22 00:06:05.300564: Current learning rate: 0.00662 +2026-02-22 00:07:54.765729: train_loss -0.0499 +2026-02-22 00:07:54.769412: val_loss -0.0194 +2026-02-22 00:07:54.770583: Pseudo dice [np.float32(0.8863), np.float32(0.9004), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8552), np.float32(nan), np.float32(0.885), np.float32(nan), np.float32(0.8985), np.float32(0.0), np.float32(0.8326), np.float32(nan), np.float32(0.8534), np.float32(0.441), np.float32(0.7883), np.float32(0.4044), np.float32(0.6427), np.float32(0.8829), np.float32(0.8924), np.float32(0.8898), np.float32(0.6927), np.float32(0.7031), np.float32(0.059), np.float32(0.4083), np.float32(0.4774), np.float32(0.6842), np.float32(0.0134), np.float32(0.0863), np.float32(0.9257), np.float32(0.0806), np.float32(0.7827), np.float32(0.3385), np.float32(0.342), np.float32(0.3415), np.float32(0.9261), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6574), np.float32(0.0553), np.float32(0.5022), np.float32(0.0574), np.float32(0.8668), np.float32(0.8488), np.float32(0.7493), np.float32(0.7899), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:07:54.771578: Epoch time: 109.48 s +2026-02-22 00:07:55.654412: +2026-02-22 00:07:55.662840: Epoch 369 +2026-02-22 00:07:55.668707: Current learning rate: 0.00661 +2026-02-22 00:09:53.153170: train_loss -0.063 +2026-02-22 00:09:53.156748: val_loss -0.1007 +2026-02-22 00:09:53.157792: Pseudo dice [np.float32(0.9659), np.float32(0.9511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8749), np.float32(nan), np.float32(0.9631), np.float32(nan), np.float32(0.9249), np.float32(0.1555), np.float32(0.8789), np.float32(nan), np.float32(0.9034), np.float32(0.4894), np.float32(0.8393), np.float32(0.2805), np.float32(0.6425), np.float32(0.8994), np.float32(0.9204), np.float32(0.9093), np.float32(0.7662), np.float32(0.8013), np.float32(0.7543), np.float32(0.0447), np.float32(0.1675), np.float32(0.8241), np.float32(0.011), np.float32(0.0), np.float32(0.9143), np.float32(0.5663), np.float32(0.8374), np.float32(0.493), np.float32(0.3704), np.float32(0.4152), np.float32(0.9361), np.float32(0.9462), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7062), np.float32(0.0324), np.float32(0.3926), np.float32(0.4943), np.float32(0.9622), np.float32(0.9626), np.float32(0.7604), np.float32(0.8154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:09:53.158789: Epoch time: 117.5 s +2026-02-22 00:09:53.159982: Yayy! New best EMA pseudo Dice: 0.6139000058174133 +2026-02-22 00:09:55.105813: +2026-02-22 00:09:55.107163: Epoch 370 +2026-02-22 00:09:55.108140: Current learning rate: 0.0066 +2026-02-22 00:12:01.372425: train_loss -0.058 +2026-02-22 00:12:01.376100: val_loss -0.0762 +2026-02-22 00:12:01.377482: Pseudo dice [np.float32(0.9288), np.float32(0.9508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8738), np.float32(nan), np.float32(0.9312), np.float32(nan), np.float32(0.9008), np.float32(0.1515), np.float32(0.8772), np.float32(0.0), np.float32(0.8946), np.float32(0.6812), np.float32(0.8547), np.float32(0.5272), np.float32(0.6615), np.float32(0.8794), np.float32(0.9125), np.float32(0.8835), np.float32(0.7003), np.float32(0.7766), np.float32(0.7016), np.float32(0.1686), np.float32(0.5539), np.float32(0.8049), np.float32(1e-04), np.float32(0.0), np.float32(0.9572), np.float32(0.1319), np.float32(0.8018), np.float32(0.0), np.float32(0.3957), np.float32(0.3316), np.float32(0.8505), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.798), np.float32(0.0), np.float32(0.7699), np.float32(0.2399), np.float32(0.777), np.float32(0.5757), np.float32(0.7833), np.float32(0.8121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:12:01.378373: Epoch time: 126.27 s +2026-02-22 00:12:01.379081: Yayy! New best EMA pseudo Dice: 0.6144000291824341 +2026-02-22 00:12:03.616118: +2026-02-22 00:12:03.618176: Epoch 371 +2026-02-22 00:12:03.618980: Current learning rate: 0.00659 +2026-02-22 00:14:06.684963: train_loss -0.0699 +2026-02-22 00:14:06.691647: val_loss -0.0616 +2026-02-22 00:14:06.697636: Pseudo dice [np.float32(0.8894), np.float32(0.9183), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8816), np.float32(nan), np.float32(0.9275), np.float32(nan), np.float32(0.8807), np.float32(0.4667), np.float32(0.8776), np.float32(0.0), np.float32(0.8744), np.float32(0.5773), np.float32(0.8283), np.float32(0.492), np.float32(0.6891), np.float32(0.8824), np.float32(0.9151), np.float32(0.8991), np.float32(0.7486), np.float32(0.787), np.float32(0.3722), np.float32(0.557), np.float32(0.0), np.float32(0.8416), np.float32(0.0), np.float32(0.0), np.float32(0.9528), np.float32(0.1405), np.float32(0.7803), np.float32(0.4448), np.float32(0.4275), np.float32(0.4071), np.float32(0.9046), np.float32(0.8907), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7263), np.float32(0.0), np.float32(0.2847), np.float32(0.4623), np.float32(0.8996), np.float32(0.8678), np.float32(0.7728), np.float32(0.8108), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:14:06.699341: Epoch time: 123.07 s +2026-02-22 00:14:06.700046: Yayy! New best EMA pseudo Dice: 0.6157000064849854 +2026-02-22 00:14:08.934257: +2026-02-22 00:14:08.935455: Epoch 372 +2026-02-22 00:14:08.936299: Current learning rate: 0.00658 +2026-02-22 00:16:11.877035: train_loss -0.0599 +2026-02-22 00:16:11.894682: val_loss -0.0791 +2026-02-22 00:16:11.895791: Pseudo dice [np.float32(0.959), np.float32(0.9662), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8626), np.float32(nan), np.float32(0.9536), np.float32(nan), np.float32(0.9555), np.float32(0.122), np.float32(0.8435), np.float32(nan), np.float32(0.9032), np.float32(0.4538), np.float32(0.8449), np.float32(0.5999), np.float32(0.6861), np.float32(0.8476), np.float32(0.9394), np.float32(0.9088), np.float32(0.7769), np.float32(0.8031), np.float32(0.0469), np.float32(0.4074), np.float32(0.1051), np.float32(0.7592), np.float32(0.0867), np.float32(0.1519), np.float32(0.9314), np.float32(0.5569), np.float32(0.8651), np.float32(0.0), np.float32(0.4441), np.float32(0.3692), np.float32(0.8937), np.float32(0.8698), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7088), np.float32(0.575), np.float32(0.7934), np.float32(0.3522), np.float32(0.8244), np.float32(0.8773), np.float32(0.7799), np.float32(0.8256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:16:11.901028: Epoch time: 122.95 s +2026-02-22 00:16:11.901938: Yayy! New best EMA pseudo Dice: 0.6198999881744385 +2026-02-22 00:16:13.707573: +2026-02-22 00:16:13.710397: Epoch 373 +2026-02-22 00:16:13.711440: Current learning rate: 0.00657 +2026-02-22 00:18:16.955704: train_loss -0.0345 +2026-02-22 00:18:16.959455: val_loss -0.0557 +2026-02-22 00:18:16.960561: Pseudo dice [np.float32(0.9437), np.float32(0.9489), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8647), np.float32(nan), np.float32(0.916), np.float32(nan), np.float32(0.85), np.float32(0.3011), np.float32(0.861), np.float32(nan), np.float32(0.8366), np.float32(0.6086), np.float32(0.8288), np.float32(0.6928), np.float32(0.5749), np.float32(0.8913), np.float32(0.9065), np.float32(0.8817), np.float32(0.7752), np.float32(0.7707), np.float32(0.3445), np.float32(0.6167), np.float32(0.6326), np.float32(0.7811), np.float32(0.0), np.float32(0.0565), np.float32(0.8744), np.float32(0.311), np.float32(0.8344), np.float32(0.6008), np.float32(0.2826), np.float32(0.3512), np.float32(0.912), np.float32(0.8554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6153), np.float32(1e-04), np.float32(0.1786), np.float32(0.3329), np.float32(0.8235), np.float32(0.9019), np.float32(0.7528), np.float32(0.7977), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:18:16.961566: Epoch time: 123.25 s +2026-02-22 00:18:16.962272: Yayy! New best EMA pseudo Dice: 0.6227999925613403 +2026-02-22 00:18:19.150658: +2026-02-22 00:18:19.151922: Epoch 374 +2026-02-22 00:18:19.152737: Current learning rate: 0.00656 +2026-02-22 00:20:10.504472: train_loss -0.0716 +2026-02-22 00:20:10.511684: val_loss -0.0728 +2026-02-22 00:20:10.512709: Pseudo dice [np.float32(0.9364), np.float32(0.9308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8812), np.float32(nan), np.float32(0.9332), np.float32(nan), np.float32(0.9019), np.float32(0.0), np.float32(0.8521), np.float32(nan), np.float32(0.8637), np.float32(0.2905), np.float32(0.8439), np.float32(0.0032), np.float32(0.6455), np.float32(0.8888), np.float32(0.933), np.float32(0.8935), np.float32(0.7456), np.float32(0.7508), np.float32(0.0023), np.float32(0.4773), np.float32(0.6555), np.float32(0.7848), np.float32(0.0034), np.float32(0.0062), np.float32(0.9114), np.float32(0.0), np.float32(0.822), np.float32(0.4506), np.float32(0.3971), np.float32(0.328), np.float32(0.9499), np.float32(0.9347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.765), np.float32(0.0), np.float32(0.7125), np.float32(0.5897), np.float32(0.6472), np.float32(0.6376), np.float32(0.7772), np.float32(0.8121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:20:10.513453: Epoch time: 111.36 s +2026-02-22 00:20:11.444614: +2026-02-22 00:20:11.445932: Epoch 375 +2026-02-22 00:20:11.446756: Current learning rate: 0.00655 +2026-02-22 00:22:00.408376: train_loss -0.0439 +2026-02-22 00:22:00.417999: val_loss -0.0527 +2026-02-22 00:22:00.418962: Pseudo dice [np.float32(0.9489), np.float32(0.9286), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.873), np.float32(nan), np.float32(0.928), np.float32(nan), np.float32(0.8777), np.float32(0.4979), np.float32(0.8377), np.float32(nan), np.float32(0.8372), np.float32(0.2624), np.float32(0.7916), np.float32(0.6943), np.float32(0.6345), np.float32(0.8713), np.float32(0.927), np.float32(0.871), np.float32(0.8059), np.float32(0.794), np.float32(0.7785), np.float32(0.3479), np.float32(0.6518), np.float32(0.8666), np.float32(0.0799), np.float32(0.0), np.float32(0.8992), np.float32(0.2801), np.float32(0.8323), np.float32(0.0097), np.float32(0.3822), np.float32(0.3898), np.float32(0.9053), np.float32(0.8992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6636), np.float32(0.0), np.float32(0.5306), np.float32(0.5475), np.float32(0.7347), np.float32(0.5998), np.float32(0.7782), np.float32(0.8194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:22:00.419952: Epoch time: 108.97 s +2026-02-22 00:22:00.420658: Yayy! New best EMA pseudo Dice: 0.6248000264167786 +2026-02-22 00:22:02.340764: +2026-02-22 00:22:02.345510: Epoch 376 +2026-02-22 00:22:02.346336: Current learning rate: 0.00654 +2026-02-22 00:23:56.205177: train_loss -0.0249 +2026-02-22 00:23:56.228206: val_loss -0.0479 +2026-02-22 00:23:56.230356: Pseudo dice [np.float32(0.9193), np.float32(0.9274), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8649), np.float32(nan), np.float32(0.9004), np.float32(nan), np.float32(0.8796), np.float32(0.3511), np.float32(0.8467), np.float32(nan), np.float32(0.8554), np.float32(0.3696), np.float32(0.826), np.float32(0.6118), np.float32(0.6302), np.float32(0.8477), np.float32(0.9026), np.float32(0.8671), np.float32(0.7297), np.float32(0.694), np.float32(0.0318), np.float32(0.527), np.float32(0.0), np.float32(0.8592), np.float32(0.1658), np.float32(0.0296), np.float32(0.9228), np.float32(0.0452), np.float32(0.8395), np.float32(0.6082), np.float32(0.3016), np.float32(0.2756), np.float32(0.9579), np.float32(0.9465), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7522), np.float32(0.0269), np.float32(0.6368), np.float32(0.1166), np.float32(0.9304), np.float32(0.9289), np.float32(0.7263), np.float32(0.7744), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:23:56.231356: Epoch time: 113.87 s +2026-02-22 00:23:56.232074: Yayy! New best EMA pseudo Dice: 0.625 +2026-02-22 00:23:58.087459: +2026-02-22 00:23:58.099039: Epoch 377 +2026-02-22 00:23:58.100597: Current learning rate: 0.00653 +2026-02-22 00:25:52.059001: train_loss -0.0234 +2026-02-22 00:25:52.063827: val_loss 0.0135 +2026-02-22 00:25:52.064867: Pseudo dice [np.float32(0.8928), np.float32(0.8986), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7881), np.float32(nan), np.float32(0.8789), np.float32(nan), np.float32(0.8821), np.float32(0.1675), np.float32(0.7927), np.float32(nan), np.float32(0.8204), np.float32(0.1456), np.float32(0.7586), np.float32(0.0897), np.float32(0.516), np.float32(0.7991), np.float32(0.8825), np.float32(0.86), np.float32(0.7444), np.float32(0.7356), np.float32(0.3052), np.float32(0.0), np.float32(0.0483), np.float32(0.7815), np.float32(0.003), np.float32(0.0003), np.float32(0.7956), np.float32(0.3362), np.float32(0.7437), np.float32(0.2358), np.float32(0.3389), np.float32(0.2759), np.float32(0.8571), np.float32(0.909), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5876), np.float32(0.0002), np.float32(0.3208), np.float32(0.0), np.float32(0.4749), np.float32(0.6505), np.float32(0.7628), np.float32(0.7634), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:25:52.065650: Epoch time: 113.97 s +2026-02-22 00:25:53.092710: +2026-02-22 00:25:53.103997: Epoch 378 +2026-02-22 00:25:53.105508: Current learning rate: 0.00652 +2026-02-22 00:28:01.629774: train_loss 0.0009 +2026-02-22 00:28:01.650627: val_loss -0.0103 +2026-02-22 00:28:01.651801: Pseudo dice [np.float32(0.9071), np.float32(0.8945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8347), np.float32(nan), np.float32(0.9378), np.float32(nan), np.float32(0.7758), np.float32(0.0065), np.float32(0.8054), np.float32(nan), np.float32(0.8146), np.float32(0.5847), np.float32(0.7892), np.float32(0.0064), np.float32(0.6223), np.float32(0.8377), np.float32(0.8946), np.float32(0.8775), np.float32(0.7209), np.float32(0.7299), np.float32(0.0), np.float32(0.0819), np.float32(0.2553), np.float32(0.7385), np.float32(0.0023), np.float32(0.0), np.float32(0.8831), np.float32(0.0302), np.float32(0.7677), np.float32(0.3492), np.float32(0.2888), np.float32(0.2678), np.float32(0.8421), np.float32(0.894), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.631), np.float32(0.0028), np.float32(0.4923), np.float32(0.02), np.float32(0.7121), np.float32(0.777), np.float32(0.6937), np.float32(0.7856), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:28:01.652615: Epoch time: 128.54 s +2026-02-22 00:28:02.745486: +2026-02-22 00:28:02.748992: Epoch 379 +2026-02-22 00:28:02.749792: Current learning rate: 0.00651 +2026-02-22 00:30:00.367448: train_loss 0.0024 +2026-02-22 00:30:00.371275: val_loss -0.0583 +2026-02-22 00:30:00.372546: Pseudo dice [np.float32(0.9432), np.float32(0.9292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8539), np.float32(nan), np.float32(0.9554), np.float32(nan), np.float32(0.8728), np.float32(0.0), np.float32(0.8527), np.float32(nan), np.float32(0.8842), np.float32(0.4492), np.float32(0.8042), np.float32(0.3087), np.float32(0.5943), np.float32(0.8065), np.float32(0.8978), np.float32(0.8869), np.float32(0.7191), np.float32(0.7958), np.float32(0.212), np.float32(0.1807), np.float32(0.0), np.float32(0.8526), np.float32(0.0), np.float32(0.0), np.float32(0.906), np.float32(0.0), np.float32(0.7835), np.float32(0.0595), np.float32(0.3107), np.float32(0.3559), np.float32(0.9213), np.float32(0.9256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8), np.float32(0.0), np.float32(0.422), np.float32(0.3248), np.float32(0.7983), np.float32(0.7522), np.float32(0.7837), np.float32(0.7971), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:30:00.373725: Epoch time: 117.62 s +2026-02-22 00:30:01.305298: +2026-02-22 00:30:01.315940: Epoch 380 +2026-02-22 00:30:01.324976: Current learning rate: 0.0065 +2026-02-22 00:31:41.141384: train_loss -0.0415 +2026-02-22 00:31:41.158028: val_loss -0.0735 +2026-02-22 00:31:41.159270: Pseudo dice [np.float32(0.9375), np.float32(0.94), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8635), np.float32(nan), np.float32(0.9517), np.float32(nan), np.float32(0.9356), np.float32(0.5771), np.float32(0.8703), np.float32(0.0), np.float32(0.8825), np.float32(0.2031), np.float32(0.8087), np.float32(0.4715), np.float32(0.691), np.float32(0.8769), np.float32(0.8973), np.float32(0.8695), np.float32(0.7801), np.float32(0.7716), np.float32(0.0249), np.float32(0.1031), np.float32(0.0), np.float32(0.8632), np.float32(0.0), np.float32(0.0), np.float32(0.9056), np.float32(0.0402), np.float32(0.8593), np.float32(0.0193), np.float32(0.3517), np.float32(0.3677), np.float32(0.9182), np.float32(0.9609), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7736), np.float32(0.0003), np.float32(0.6201), np.float32(0.1843), np.float32(0.8987), np.float32(0.9187), np.float32(0.7561), np.float32(0.8152), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:31:41.160278: Epoch time: 99.84 s +2026-02-22 00:31:42.202257: +2026-02-22 00:31:42.205774: Epoch 381 +2026-02-22 00:31:42.206663: Current learning rate: 0.00649 +2026-02-22 00:33:36.839378: train_loss -0.0124 +2026-02-22 00:33:36.845459: val_loss -0.04 +2026-02-22 00:33:36.847211: Pseudo dice [np.float32(0.9235), np.float32(0.9195), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8412), np.float32(nan), np.float32(0.8868), np.float32(nan), np.float32(0.8667), np.float32(0.2342), np.float32(0.8473), np.float32(nan), np.float32(0.8469), np.float32(0.1364), np.float32(0.8125), np.float32(0.3305), np.float32(0.6356), np.float32(0.8832), np.float32(0.8873), np.float32(0.8624), np.float32(0.7274), np.float32(0.7443), np.float32(0.4417), np.float32(0.3678), np.float32(0.0174), np.float32(0.8444), np.float32(0.1592), np.float32(0.0), np.float32(0.876), np.float32(0.1572), np.float32(0.8406), np.float32(0.3396), np.float32(0.2849), np.float32(0.3236), np.float32(0.8348), np.float32(0.8689), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6033), np.float32(0.4279), np.float32(0.6464), np.float32(0.0984), np.float32(0.7766), np.float32(0.8016), np.float32(0.7289), np.float32(0.7904), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:33:36.848167: Epoch time: 114.64 s +2026-02-22 00:33:37.734949: +2026-02-22 00:33:37.737334: Epoch 382 +2026-02-22 00:33:37.738135: Current learning rate: 0.00648 +2026-02-22 00:35:22.356104: train_loss -0.0386 +2026-02-22 00:35:22.359356: val_loss 0.0181 +2026-02-22 00:35:22.360377: Pseudo dice [np.float32(0.8538), np.float32(0.87), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7909), np.float32(nan), np.float32(0.887), np.float32(nan), np.float32(0.751), np.float32(0.0), np.float32(0.7972), np.float32(nan), np.float32(0.7948), np.float32(0.1199), np.float32(0.7383), np.float32(0.4539), np.float32(0.5695), np.float32(0.8083), np.float32(0.8644), np.float32(0.8542), np.float32(0.7217), np.float32(0.7403), np.float32(0.0), np.float32(0.1958), np.float32(0.0), np.float32(0.7371), np.float32(0.0), np.float32(0.0), np.float32(0.8791), np.float32(0.1457), np.float32(0.8081), np.float32(0.1731), np.float32(0.3239), np.float32(0.3026), np.float32(0.866), np.float32(0.8873), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7809), np.float32(0.0158), np.float32(0.0781), np.float32(0.0414), np.float32(0.7423), np.float32(0.8109), np.float32(0.756), np.float32(0.7357), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:35:22.361386: Epoch time: 104.62 s +2026-02-22 00:35:23.338889: +2026-02-22 00:35:23.340130: Epoch 383 +2026-02-22 00:35:23.341050: Current learning rate: 0.00648 +2026-02-22 00:37:14.357735: train_loss -0.0402 +2026-02-22 00:37:14.361644: val_loss -0.0453 +2026-02-22 00:37:14.362675: Pseudo dice [np.float32(0.9381), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8856), np.float32(nan), np.float32(0.91), np.float32(nan), np.float32(0.9204), np.float32(0.0), np.float32(0.827), np.float32(nan), np.float32(0.8619), np.float32(0.4354), np.float32(0.8468), np.float32(0.0576), np.float32(0.6952), np.float32(0.8579), np.float32(0.8969), np.float32(0.8841), np.float32(0.7704), np.float32(0.7957), np.float32(0.3813), np.float32(0.6386), np.float32(0.0), np.float32(0.851), np.float32(0.0232), np.float32(0.0), np.float32(0.8534), np.float32(0.2823), np.float32(0.8146), np.float32(0.4432), np.float32(0.4245), np.float32(0.3556), np.float32(0.897), np.float32(0.8659), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6268), np.float32(0.0), np.float32(0.6962), np.float32(0.4999), np.float32(0.8021), np.float32(0.776), np.float32(0.7899), np.float32(0.8203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:37:14.364937: Epoch time: 111.02 s +2026-02-22 00:37:15.269173: +2026-02-22 00:37:15.271619: Epoch 384 +2026-02-22 00:37:15.272413: Current learning rate: 0.00647 +2026-02-22 00:39:05.183632: train_loss -0.0425 +2026-02-22 00:39:05.186620: val_loss -0.0593 +2026-02-22 00:39:05.187808: Pseudo dice [np.float32(0.9504), np.float32(0.9442), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8868), np.float32(nan), np.float32(0.9427), np.float32(nan), np.float32(0.8853), np.float32(0.0), np.float32(0.8633), np.float32(nan), np.float32(0.8893), np.float32(0.1149), np.float32(0.8479), np.float32(0.0012), np.float32(0.6569), np.float32(0.8803), np.float32(0.9134), np.float32(0.9075), np.float32(0.7615), np.float32(0.8097), np.float32(0.0627), np.float32(0.2304), np.float32(0.7501), np.float32(0.7933), np.float32(0.0006), np.float32(0.0), np.float32(0.9383), np.float32(0.3374), np.float32(0.8239), np.float32(0.6143), np.float32(0.3334), np.float32(0.3791), np.float32(0.8983), np.float32(0.8528), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.645), np.float32(0.2995), np.float32(0.5647), np.float32(0.5793), np.float32(0.487), np.float32(0.6909), np.float32(0.7877), np.float32(0.8276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:39:05.188641: Epoch time: 109.92 s +2026-02-22 00:39:06.134599: +2026-02-22 00:39:06.135676: Epoch 385 +2026-02-22 00:39:06.136727: Current learning rate: 0.00646 +2026-02-22 00:41:03.345087: train_loss -0.0383 +2026-02-22 00:41:03.348948: val_loss -0.0297 +2026-02-22 00:41:03.350341: Pseudo dice [np.float32(0.9341), np.float32(0.955), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8523), np.float32(nan), np.float32(0.9298), np.float32(nan), np.float32(0.8686), np.float32(0.0), np.float32(0.8397), np.float32(nan), np.float32(0.7884), np.float32(0.4384), np.float32(0.8085), np.float32(0.5055), np.float32(0.6198), np.float32(0.8275), np.float32(0.9291), np.float32(0.8801), np.float32(0.7436), np.float32(0.7455), np.float32(0.297), np.float32(0.1892), np.float32(0.1436), np.float32(0.8583), np.float32(0.0), np.float32(0.0), np.float32(0.9154), np.float32(0.4348), np.float32(0.8062), np.float32(0.6024), np.float32(0.3293), np.float32(0.3099), np.float32(0.868), np.float32(0.9178), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7482), np.float32(0.5329), np.float32(0.3277), np.float32(0.4721), np.float32(0.7123), np.float32(0.4738), np.float32(0.7393), np.float32(0.7849), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:41:03.354932: Epoch time: 117.21 s +2026-02-22 00:41:04.247142: +2026-02-22 00:41:04.248312: Epoch 386 +2026-02-22 00:41:04.249139: Current learning rate: 0.00645 +2026-02-22 00:43:15.292373: train_loss -0.0416 +2026-02-22 00:43:15.301436: val_loss -0.0665 +2026-02-22 00:43:15.308186: Pseudo dice [np.float32(0.9322), np.float32(0.9333), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8958), np.float32(nan), np.float32(0.9447), np.float32(nan), np.float32(0.9515), np.float32(0.5877), np.float32(0.87), np.float32(nan), np.float32(0.8982), np.float32(0.0), np.float32(0.8589), np.float32(0.4039), np.float32(0.6866), np.float32(0.8505), np.float32(0.9278), np.float32(0.9171), np.float32(0.7544), np.float32(0.7655), np.float32(0.7142), np.float32(0.5681), np.float32(0.7313), np.float32(0.8367), np.float32(0.022), np.float32(0.1), np.float32(0.8779), np.float32(0.3472), np.float32(0.8108), np.float32(0.0122), np.float32(0.4151), np.float32(0.3614), np.float32(0.8866), np.float32(0.9069), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6945), np.float32(0.4359), np.float32(0.5884), np.float32(0.1962), np.float32(0.8122), np.float32(0.8123), np.float32(0.7828), np.float32(0.8351), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:43:15.317919: Epoch time: 131.05 s +2026-02-22 00:43:16.478973: +2026-02-22 00:43:16.483598: Epoch 387 +2026-02-22 00:43:16.484614: Current learning rate: 0.00644 +2026-02-22 00:45:06.363237: train_loss -0.0452 +2026-02-22 00:45:06.366588: val_loss -0.0739 +2026-02-22 00:45:06.367612: Pseudo dice [np.float32(0.9036), np.float32(0.9194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.9171), np.float32(nan), np.float32(0.8763), np.float32(0.0747), np.float32(0.8464), np.float32(nan), np.float32(0.8636), np.float32(0.4462), np.float32(0.8361), np.float32(0.6366), np.float32(0.6603), np.float32(0.8691), np.float32(0.9107), np.float32(0.8843), np.float32(0.758), np.float32(0.7823), np.float32(0.2241), np.float32(0.3773), np.float32(0.2983), np.float32(0.8497), np.float32(0.0), np.float32(0.0), np.float32(0.9395), np.float32(0.0), np.float32(0.8411), np.float32(0.4198), np.float32(0.4143), np.float32(0.3812), np.float32(0.9408), np.float32(0.9366), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6476), np.float32(0.0006), np.float32(0.3467), np.float32(0.5037), np.float32(0.8521), np.float32(0.8214), np.float32(0.7463), np.float32(0.767), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:45:06.368363: Epoch time: 109.89 s +2026-02-22 00:45:07.255973: +2026-02-22 00:45:07.257001: Epoch 388 +2026-02-22 00:45:07.257802: Current learning rate: 0.00643 +2026-02-22 00:47:07.047153: train_loss -0.0379 +2026-02-22 00:47:07.051790: val_loss -0.0569 +2026-02-22 00:47:07.052947: Pseudo dice [np.float32(0.9285), np.float32(0.9545), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8554), np.float32(nan), np.float32(0.9336), np.float32(nan), np.float32(0.927), np.float32(0.2842), np.float32(0.8734), np.float32(nan), np.float32(0.8666), np.float32(0.1863), np.float32(0.8234), np.float32(0.752), np.float32(0.5964), np.float32(0.8834), np.float32(0.927), np.float32(0.9096), np.float32(0.7546), np.float32(0.7878), np.float32(0.0095), np.float32(0.5985), np.float32(0.4143), np.float32(0.807), np.float32(0.0813), np.float32(0.1951), np.float32(0.8685), np.float32(0.1738), np.float32(0.756), np.float32(0.014), np.float32(0.2892), np.float32(0.2587), np.float32(0.8416), np.float32(0.8673), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7564), np.float32(0.0), np.float32(0.012), np.float32(0.159), np.float32(0.7806), np.float32(0.7739), np.float32(0.7827), np.float32(0.8079), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:47:07.054233: Epoch time: 119.79 s +2026-02-22 00:47:07.961012: +2026-02-22 00:47:07.962666: Epoch 389 +2026-02-22 00:47:07.963499: Current learning rate: 0.00642 +2026-02-22 00:49:14.697570: train_loss -0.0543 +2026-02-22 00:49:14.702087: val_loss -0.0637 +2026-02-22 00:49:14.703108: Pseudo dice [np.float32(0.9302), np.float32(0.9219), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8818), np.float32(nan), np.float32(0.9493), np.float32(nan), np.float32(0.9232), np.float32(0.0), np.float32(0.834), np.float32(nan), np.float32(0.8596), np.float32(0.5328), np.float32(0.8427), np.float32(0.1189), np.float32(0.6952), np.float32(0.8496), np.float32(0.9141), np.float32(0.8892), np.float32(0.7922), np.float32(0.7944), np.float32(0.4191), np.float32(0.2616), np.float32(0.3664), np.float32(0.7752), np.float32(0.0387), np.float32(0.0253), np.float32(0.9318), np.float32(0.5044), np.float32(0.7828), np.float32(0.512), np.float32(0.487), np.float32(0.3898), np.float32(0.884), np.float32(0.9183), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7281), np.float32(0.0057), np.float32(0.6502), np.float32(0.4996), np.float32(0.6868), np.float32(0.703), np.float32(0.7852), np.float32(0.8277), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:49:14.704110: Epoch time: 126.74 s +2026-02-22 00:49:15.597013: +2026-02-22 00:49:15.601748: Epoch 390 +2026-02-22 00:49:15.602988: Current learning rate: 0.00641 +2026-02-22 00:51:13.057220: train_loss -0.0554 +2026-02-22 00:51:13.060837: val_loss -0.0704 +2026-02-22 00:51:13.062377: Pseudo dice [np.float32(0.9361), np.float32(0.9389), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8878), np.float32(nan), np.float32(0.9442), np.float32(nan), np.float32(0.7901), np.float32(0.0041), np.float32(0.8775), np.float32(nan), np.float32(0.8693), np.float32(0.4743), np.float32(0.8425), np.float32(0.0287), np.float32(0.6707), np.float32(0.8732), np.float32(0.9169), np.float32(0.8901), np.float32(0.7605), np.float32(0.806), np.float32(0.6517), np.float32(0.0693), np.float32(0.001), np.float32(0.8577), np.float32(0.2695), np.float32(0.0018), np.float32(0.8314), np.float32(0.2169), np.float32(0.8322), np.float32(0.3165), np.float32(0.3949), np.float32(0.3645), np.float32(0.8488), np.float32(0.8873), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6439), np.float32(0.009), np.float32(0.285), np.float32(0.5788), np.float32(0.9287), np.float32(0.8884), np.float32(0.7747), np.float32(0.8375), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:51:13.063356: Epoch time: 117.46 s +2026-02-22 00:51:14.119813: +2026-02-22 00:51:14.133345: Epoch 391 +2026-02-22 00:51:14.134180: Current learning rate: 0.0064 +2026-02-22 00:53:08.282282: train_loss -0.0364 +2026-02-22 00:53:08.286564: val_loss -0.0611 +2026-02-22 00:53:08.287589: Pseudo dice [np.float32(0.938), np.float32(0.9434), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8891), np.float32(nan), np.float32(0.9343), np.float32(nan), np.float32(0.9058), np.float32(0.0097), np.float32(0.8831), np.float32(nan), np.float32(0.8709), np.float32(0.2007), np.float32(0.8528), np.float32(0.0002), np.float32(0.6572), np.float32(0.8647), np.float32(0.8991), np.float32(0.8986), np.float32(0.7515), np.float32(0.7301), np.float32(0.3444), np.float32(0.5252), np.float32(0.1019), np.float32(0.8318), np.float32(0.0301), np.float32(0.0004), np.float32(0.902), np.float32(0.0534), np.float32(0.8589), np.float32(0.4508), np.float32(0.3578), np.float32(0.3363), np.float32(0.8791), np.float32(0.8883), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6913), np.float32(0.6968), np.float32(0.3779), np.float32(0.1994), np.float32(0.8743), np.float32(0.8384), np.float32(0.7677), np.float32(0.8045), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:53:08.288874: Epoch time: 114.17 s +2026-02-22 00:53:09.178223: +2026-02-22 00:53:09.179280: Epoch 392 +2026-02-22 00:53:09.180085: Current learning rate: 0.00639 +2026-02-22 00:55:14.758805: train_loss -0.0333 +2026-02-22 00:55:14.775129: val_loss -0.0304 +2026-02-22 00:55:14.776401: Pseudo dice [np.float32(0.93), np.float32(0.9203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8813), np.float32(nan), np.float32(0.8971), np.float32(nan), np.float32(0.9231), np.float32(0.324), np.float32(0.8514), np.float32(0.0), np.float32(0.8725), np.float32(0.2941), np.float32(0.8148), np.float32(0.1808), np.float32(0.6035), np.float32(0.8721), np.float32(0.9145), np.float32(0.8612), np.float32(0.7442), np.float32(0.7669), np.float32(0.0471), np.float32(0.5041), np.float32(0.057), np.float32(0.8039), np.float32(0.1115), np.float32(0.0301), np.float32(0.9217), np.float32(0.0316), np.float32(0.8272), np.float32(0.5006), np.float32(0.4061), np.float32(0.3732), np.float32(0.9516), np.float32(0.943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.769), np.float32(0.652), np.float32(0.2996), np.float32(0.3234), np.float32(0.9531), np.float32(0.9455), np.float32(0.7731), np.float32(0.788), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:55:14.777402: Epoch time: 125.58 s +2026-02-22 00:55:15.798892: +2026-02-22 00:55:15.802209: Epoch 393 +2026-02-22 00:55:15.803013: Current learning rate: 0.00638 +2026-02-22 00:57:11.419250: train_loss -0.0481 +2026-02-22 00:57:11.424259: val_loss -0.0507 +2026-02-22 00:57:11.425294: Pseudo dice [np.float32(0.9428), np.float32(0.8936), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8622), np.float32(nan), np.float32(0.9344), np.float32(nan), np.float32(0.829), np.float32(0.1208), np.float32(0.8245), np.float32(nan), np.float32(0.8124), np.float32(0.4408), np.float32(0.83), np.float32(0.6757), np.float32(0.6723), np.float32(0.8493), np.float32(0.8791), np.float32(0.8875), np.float32(0.7263), np.float32(0.7719), np.float32(0.2909), np.float32(0.5603), np.float32(0.6485), np.float32(0.8832), np.float32(0.0035), np.float32(0.0), np.float32(0.944), np.float32(0.0055), np.float32(0.8312), np.float32(0.5493), np.float32(0.4014), np.float32(0.3756), np.float32(0.8956), np.float32(0.9361), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7658), np.float32(0.172), np.float32(0.4905), np.float32(0.0046), np.float32(0.6793), np.float32(0.8536), np.float32(0.7514), np.float32(0.7983), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:57:11.426289: Epoch time: 115.62 s +2026-02-22 00:57:12.313010: +2026-02-22 00:57:12.315124: Epoch 394 +2026-02-22 00:57:12.315940: Current learning rate: 0.00637 +2026-02-22 00:59:08.832494: train_loss -0.0585 +2026-02-22 00:59:08.854149: val_loss -0.0429 +2026-02-22 00:59:08.855273: Pseudo dice [np.float32(0.9199), np.float32(0.9173), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8802), np.float32(nan), np.float32(0.9225), np.float32(nan), np.float32(0.9227), np.float32(0.0), np.float32(0.841), np.float32(nan), np.float32(0.8655), np.float32(0.3215), np.float32(0.8009), np.float32(0.4091), np.float32(0.6711), np.float32(0.8593), np.float32(0.9139), np.float32(0.8847), np.float32(0.7654), np.float32(0.793), np.float32(0.0134), np.float32(0.3785), np.float32(0.6005), np.float32(0.77), np.float32(0.0751), np.float32(0.0489), np.float32(0.8853), np.float32(0.1438), np.float32(0.7858), np.float32(0.0252), np.float32(0.4225), np.float32(0.4077), np.float32(0.8778), np.float32(0.8426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7304), np.float32(0.0), np.float32(0.0027), np.float32(0.001), np.float32(0.8819), np.float32(0.8432), np.float32(0.7807), np.float32(0.8326), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 00:59:08.861468: Epoch time: 116.52 s +2026-02-22 00:59:09.779780: +2026-02-22 00:59:09.784703: Epoch 395 +2026-02-22 00:59:09.788266: Current learning rate: 0.00636 +2026-02-22 01:01:04.358993: train_loss -0.062 +2026-02-22 01:01:04.365892: val_loss -0.0614 +2026-02-22 01:01:04.366959: Pseudo dice [np.float32(0.9323), np.float32(0.9137), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8847), np.float32(nan), np.float32(0.9501), np.float32(nan), np.float32(0.8157), np.float32(0.0), np.float32(0.8875), np.float32(nan), np.float32(0.8308), np.float32(0.2298), np.float32(0.8466), np.float32(0.7505), np.float32(0.6876), np.float32(0.8732), np.float32(0.9276), np.float32(0.9184), np.float32(0.7472), np.float32(0.7971), np.float32(0.0148), np.float32(0.2305), np.float32(0.7237), np.float32(0.7628), np.float32(0.0261), np.float32(0.0247), np.float32(0.9372), np.float32(0.1173), np.float32(0.7929), np.float32(0.3834), np.float32(0.3276), np.float32(0.3942), np.float32(0.8609), np.float32(0.9045), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.716), np.float32(0.0), np.float32(0.6334), np.float32(0.0286), np.float32(0.6931), np.float32(0.7819), np.float32(0.8047), np.float32(0.8219), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:01:04.367701: Epoch time: 114.58 s +2026-02-22 01:01:05.345994: +2026-02-22 01:01:05.349177: Epoch 396 +2026-02-22 01:01:05.349992: Current learning rate: 0.00635 +2026-02-22 01:03:04.101418: train_loss -0.0473 +2026-02-22 01:03:04.104996: val_loss -0.0577 +2026-02-22 01:03:04.106077: Pseudo dice [np.float32(0.9382), np.float32(0.9333), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8572), np.float32(nan), np.float32(0.922), np.float32(nan), np.float32(0.9225), np.float32(0.0), np.float32(0.8102), np.float32(nan), np.float32(0.8943), np.float32(0.5448), np.float32(0.8447), np.float32(0.6657), np.float32(0.6256), np.float32(0.8486), np.float32(0.9054), np.float32(0.8843), np.float32(0.741), np.float32(0.7781), np.float32(0.5537), np.float32(0.3388), np.float32(0.0119), np.float32(0.8455), np.float32(0.0), np.float32(0.0002), np.float32(0.9013), np.float32(0.0244), np.float32(0.848), np.float32(0.3626), np.float32(0.3728), np.float32(0.3459), np.float32(0.9275), np.float32(0.9469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7518), np.float32(0.018), np.float32(0.7938), np.float32(0.4917), np.float32(0.8397), np.float32(0.8712), np.float32(0.7635), np.float32(0.802), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:03:04.107048: Epoch time: 118.76 s +2026-02-22 01:03:05.006026: +2026-02-22 01:03:05.007446: Epoch 397 +2026-02-22 01:03:05.009189: Current learning rate: 0.00634 +2026-02-22 01:05:04.843148: train_loss -0.0326 +2026-02-22 01:05:04.854344: val_loss -0.0565 +2026-02-22 01:05:04.855659: Pseudo dice [np.float32(0.9627), np.float32(0.9414), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8553), np.float32(nan), np.float32(0.9016), np.float32(nan), np.float32(0.899), np.float32(0.5223), np.float32(0.8337), np.float32(0.0), np.float32(0.871), np.float32(0.51), np.float32(0.8113), np.float32(0.3538), np.float32(0.6449), np.float32(0.8795), np.float32(0.9099), np.float32(0.8782), np.float32(0.7871), np.float32(0.8023), np.float32(0.336), np.float32(0.1155), np.float32(0.6355), np.float32(0.7368), np.float32(0.0462), np.float32(0.0008), np.float32(0.9101), np.float32(0.0155), np.float32(0.8029), np.float32(0.3505), np.float32(0.4122), np.float32(0.3289), np.float32(0.8685), np.float32(0.9018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8003), np.float32(0.0), np.float32(0.3243), np.float32(0.5145), np.float32(0.9158), np.float32(0.859), np.float32(0.7207), np.float32(0.8039), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:05:04.856599: Epoch time: 119.84 s +2026-02-22 01:05:05.988320: +2026-02-22 01:05:05.991638: Epoch 398 +2026-02-22 01:05:05.992439: Current learning rate: 0.00633 +2026-02-22 01:07:00.351012: train_loss -0.0452 +2026-02-22 01:07:00.379252: val_loss -0.0878 +2026-02-22 01:07:00.384120: Pseudo dice [np.float32(0.9201), np.float32(0.9237), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8687), np.float32(nan), np.float32(0.9527), np.float32(nan), np.float32(0.9305), np.float32(0.1905), np.float32(0.885), np.float32(nan), np.float32(0.9051), np.float32(0.1813), np.float32(0.8225), np.float32(0.3472), np.float32(0.566), np.float32(0.8756), np.float32(0.9312), np.float32(0.8858), np.float32(0.6684), np.float32(0.7474), np.float32(0.085), np.float32(0.6266), np.float32(0.3213), np.float32(0.8126), np.float32(0.0425), np.float32(0.0), np.float32(0.9366), np.float32(0.0054), np.float32(0.8549), np.float32(0.3632), np.float32(0.3575), np.float32(0.3575), np.float32(0.9193), np.float32(0.9544), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7536), np.float32(0.0286), np.float32(0.0), np.float32(0.0), np.float32(0.7286), np.float32(0.746), np.float32(0.753), np.float32(0.8062), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:07:00.387272: Epoch time: 114.37 s +2026-02-22 01:07:01.290215: +2026-02-22 01:07:01.293937: Epoch 399 +2026-02-22 01:07:01.296477: Current learning rate: 0.00632 +2026-02-22 01:09:03.272869: train_loss -0.0414 +2026-02-22 01:09:03.277558: val_loss -0.0406 +2026-02-22 01:09:03.278826: Pseudo dice [np.float32(0.9298), np.float32(0.9481), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8264), np.float32(nan), np.float32(0.9074), np.float32(nan), np.float32(0.9266), np.float32(0.0), np.float32(0.8565), np.float32(nan), np.float32(0.8604), np.float32(0.4505), np.float32(0.8266), np.float32(0.1956), np.float32(0.6161), np.float32(0.867), np.float32(0.9183), np.float32(0.8896), np.float32(0.7358), np.float32(0.7786), np.float32(0.0936), np.float32(0.4644), np.float32(0.0868), np.float32(0.8435), np.float32(0.0), np.float32(0.0), np.float32(0.9269), np.float32(0.0031), np.float32(0.8018), np.float32(0.4431), np.float32(0.4716), np.float32(0.3744), np.float32(0.8455), np.float32(0.8549), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7744), np.float32(0.1177), np.float32(0.4261), np.float32(0.6821), np.float32(0.8821), np.float32(0.8376), np.float32(0.808), np.float32(0.8323), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:09:03.279572: Epoch time: 121.99 s +2026-02-22 01:09:05.553315: +2026-02-22 01:09:05.579258: Epoch 400 +2026-02-22 01:09:05.590021: Current learning rate: 0.00631 +2026-02-22 01:11:04.696669: train_loss -0.0567 +2026-02-22 01:11:04.705319: val_loss -0.0665 +2026-02-22 01:11:04.714208: Pseudo dice [np.float32(0.9531), np.float32(0.9429), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8893), np.float32(nan), np.float32(0.9355), np.float32(nan), np.float32(0.9156), np.float32(0.2576), np.float32(0.867), np.float32(nan), np.float32(0.8566), np.float32(0.4927), np.float32(0.8435), np.float32(0.6297), np.float32(0.7435), np.float32(0.8897), np.float32(0.9325), np.float32(0.8979), np.float32(0.7832), np.float32(0.8119), np.float32(0.0), np.float32(0.3146), np.float32(0.6398), np.float32(0.8523), np.float32(0.0488), np.float32(0.0999), np.float32(0.9183), np.float32(0.5388), np.float32(0.848), np.float32(0.0995), np.float32(0.414), np.float32(0.4126), np.float32(0.9369), np.float32(0.8163), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6613), np.float32(0.091), np.float32(0.2726), np.float32(0.1225), np.float32(0.1781), np.float32(0.6267), np.float32(0.8162), np.float32(0.8373), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:11:04.724122: Epoch time: 119.15 s +2026-02-22 01:11:06.181194: +2026-02-22 01:11:06.184793: Epoch 401 +2026-02-22 01:11:06.185632: Current learning rate: 0.0063 +2026-02-22 01:12:58.780188: train_loss -0.0533 +2026-02-22 01:12:58.783952: val_loss -0.0654 +2026-02-22 01:12:58.784970: Pseudo dice [np.float32(0.9524), np.float32(0.9427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8764), np.float32(nan), np.float32(0.9284), np.float32(nan), np.float32(0.901), np.float32(0.0042), np.float32(0.8692), np.float32(nan), np.float32(0.8628), np.float32(0.4381), np.float32(0.8499), np.float32(0.2591), np.float32(0.6254), np.float32(0.8694), np.float32(0.9321), np.float32(0.9049), np.float32(0.719), np.float32(0.7896), np.float32(0.7653), np.float32(0.4042), np.float32(0.0155), np.float32(0.8289), np.float32(0.0258), np.float32(0.0019), np.float32(0.9368), np.float32(0.1029), np.float32(0.838), np.float32(0.1827), np.float32(0.4178), np.float32(0.3272), np.float32(0.8728), np.float32(0.9067), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7378), np.float32(0.0171), np.float32(0.6915), np.float32(0.278), np.float32(0.7749), np.float32(0.7785), np.float32(0.7282), np.float32(0.7775), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:12:58.785820: Epoch time: 112.6 s +2026-02-22 01:12:59.706362: +2026-02-22 01:12:59.707568: Epoch 402 +2026-02-22 01:12:59.708387: Current learning rate: 0.0063 +2026-02-22 01:14:59.505297: train_loss -0.0702 +2026-02-22 01:14:59.511209: val_loss -0.0805 +2026-02-22 01:14:59.512253: Pseudo dice [np.float32(0.9457), np.float32(0.9149), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8748), np.float32(nan), np.float32(0.9652), np.float32(nan), np.float32(0.8713), np.float32(0.0821), np.float32(0.8781), np.float32(0.0), np.float32(0.8689), np.float32(0.3668), np.float32(0.8491), np.float32(0.2175), np.float32(0.7065), np.float32(0.8729), np.float32(0.9206), np.float32(0.9134), np.float32(0.763), np.float32(0.809), np.float32(0.0129), np.float32(0.3223), np.float32(0.251), np.float32(0.8859), np.float32(0.0501), np.float32(0.5635), np.float32(0.8815), np.float32(0.0), np.float32(0.8591), np.float32(0.5071), np.float32(0.4441), np.float32(0.4123), np.float32(0.8376), np.float32(0.8924), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8081), np.float32(0.2436), np.float32(0.1264), np.float32(0.0), np.float32(0.8692), np.float32(0.8231), np.float32(0.7568), np.float32(0.8053), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:14:59.513234: Epoch time: 119.8 s +2026-02-22 01:15:02.340656: +2026-02-22 01:15:02.342130: Epoch 403 +2026-02-22 01:15:02.343025: Current learning rate: 0.00629 +2026-02-22 01:17:01.809078: train_loss -0.055 +2026-02-22 01:17:01.814240: val_loss -0.0537 +2026-02-22 01:17:01.815529: Pseudo dice [np.float32(0.9142), np.float32(0.9255), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8831), np.float32(nan), np.float32(0.9362), np.float32(nan), np.float32(0.9504), np.float32(0.085), np.float32(0.8327), np.float32(nan), np.float32(0.8353), np.float32(0.2862), np.float32(0.8001), np.float32(0.5172), np.float32(0.6826), np.float32(0.8706), np.float32(0.9124), np.float32(0.898), np.float32(0.783), np.float32(0.7768), np.float32(0.1467), np.float32(0.2616), np.float32(0.0607), np.float32(0.8767), np.float32(0.2604), np.float32(0.114), np.float32(0.8113), np.float32(0.0), np.float32(0.7326), np.float32(0.0517), np.float32(0.4231), np.float32(0.4227), np.float32(0.913), np.float32(0.9156), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7323), np.float32(0.467), np.float32(0.0011), np.float32(0.0184), np.float32(0.8898), np.float32(0.9307), np.float32(0.7627), np.float32(0.8234), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:17:01.816531: Epoch time: 119.47 s +2026-02-22 01:17:02.728558: +2026-02-22 01:17:02.752826: Epoch 404 +2026-02-22 01:17:02.753684: Current learning rate: 0.00628 +2026-02-22 01:19:03.634489: train_loss -0.0539 +2026-02-22 01:19:03.644901: val_loss -0.0654 +2026-02-22 01:19:03.645984: Pseudo dice [np.float32(0.9554), np.float32(0.9252), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9388), np.float32(nan), np.float32(0.8747), np.float32(0.205), np.float32(0.8786), np.float32(nan), np.float32(0.8602), np.float32(0.1869), np.float32(0.827), np.float32(0.554), np.float32(0.666), np.float32(0.87), np.float32(0.9102), np.float32(0.9025), np.float32(0.7572), np.float32(0.8055), np.float32(0.8254), np.float32(0.2128), np.float32(0.2652), np.float32(0.8384), np.float32(0.0), np.float32(0.0), np.float32(0.8371), np.float32(0.0), np.float32(0.8072), np.float32(0.668), np.float32(0.331), np.float32(0.3782), np.float32(0.9122), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7492), np.float32(0.0002), np.float32(0.6236), np.float32(0.4689), np.float32(0.1971), np.float32(0.7516), np.float32(0.7804), np.float32(0.81), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:19:03.646745: Epoch time: 120.91 s +2026-02-22 01:19:04.689830: +2026-02-22 01:19:04.693477: Epoch 405 +2026-02-22 01:19:04.694290: Current learning rate: 0.00627 +2026-02-22 01:21:05.632794: train_loss -0.0649 +2026-02-22 01:21:05.637003: val_loss -0.1058 +2026-02-22 01:21:05.638031: Pseudo dice [np.float32(0.9412), np.float32(0.9447), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8743), np.float32(nan), np.float32(0.9582), np.float32(nan), np.float32(0.9464), np.float32(0.5423), np.float32(0.8911), np.float32(nan), np.float32(0.8967), np.float32(0.009), np.float32(0.8547), np.float32(0.1704), np.float32(0.6444), np.float32(0.8991), np.float32(0.9418), np.float32(0.92), np.float32(0.775), np.float32(0.8026), np.float32(0.4894), np.float32(0.5546), np.float32(0.4061), np.float32(0.8381), np.float32(0.0125), np.float32(0.0), np.float32(0.9123), np.float32(0.3863), np.float32(0.795), np.float32(0.4734), np.float32(0.4837), np.float32(0.4091), np.float32(0.9153), np.float32(0.9534), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.777), np.float32(0.0), np.float32(0.1875), np.float32(0.0786), np.float32(0.9412), np.float32(0.929), np.float32(0.8194), np.float32(0.8205), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:21:05.639027: Epoch time: 120.95 s +2026-02-22 01:21:06.540737: +2026-02-22 01:21:06.542977: Epoch 406 +2026-02-22 01:21:06.543780: Current learning rate: 0.00626 +2026-02-22 01:23:01.802639: train_loss -0.0313 +2026-02-22 01:23:01.805964: val_loss -0.0744 +2026-02-22 01:23:01.807199: Pseudo dice [np.float32(0.9494), np.float32(0.9378), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8618), np.float32(nan), np.float32(0.91), np.float32(nan), np.float32(0.9479), np.float32(0.4528), np.float32(0.8489), np.float32(nan), np.float32(0.8703), np.float32(0.5145), np.float32(0.8471), np.float32(0.4567), np.float32(0.6419), np.float32(0.8621), np.float32(0.9123), np.float32(0.8964), np.float32(0.7438), np.float32(0.7767), np.float32(0.565), np.float32(0.3866), np.float32(0.1774), np.float32(0.8661), np.float32(0.0085), np.float32(0.028), np.float32(0.9211), np.float32(0.0), np.float32(0.8317), np.float32(0.0954), np.float32(0.4148), np.float32(0.3095), np.float32(0.9273), np.float32(0.9523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6893), np.float32(0.0303), np.float32(0.7143), np.float32(0.6386), np.float32(0.8035), np.float32(0.783), np.float32(0.769), np.float32(0.7927), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:23:01.812057: Epoch time: 115.26 s +2026-02-22 01:23:02.783690: +2026-02-22 01:23:02.784767: Epoch 407 +2026-02-22 01:23:02.785572: Current learning rate: 0.00625 +2026-02-22 01:24:55.199564: train_loss -0.0503 +2026-02-22 01:24:55.218236: val_loss -0.0364 +2026-02-22 01:24:55.220018: Pseudo dice [np.float32(0.8825), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8864), np.float32(nan), np.float32(0.875), np.float32(nan), np.float32(0.925), np.float32(0.0459), np.float32(0.8646), np.float32(0.0), np.float32(0.9133), np.float32(0.4843), np.float32(0.8489), np.float32(0.718), np.float32(0.7), np.float32(0.8856), np.float32(0.9162), np.float32(0.8939), np.float32(0.7629), np.float32(0.766), np.float32(0.0095), np.float32(0.5284), np.float32(0.4958), np.float32(0.8058), np.float32(0.0768), np.float32(0.2683), np.float32(0.912), np.float32(0.3128), np.float32(0.8104), np.float32(0.5978), np.float32(0.4), np.float32(0.3467), np.float32(0.9173), np.float32(0.9309), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7273), np.float32(0.001), np.float32(0.622), np.float32(0.0), np.float32(0.634), np.float32(0.7185), np.float32(0.7877), np.float32(0.832), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:24:55.225462: Epoch time: 112.42 s +2026-02-22 01:24:56.229786: +2026-02-22 01:24:56.239230: Epoch 408 +2026-02-22 01:24:56.241667: Current learning rate: 0.00624 +2026-02-22 01:26:57.830615: train_loss -0.0645 +2026-02-22 01:26:57.839331: val_loss -0.0562 +2026-02-22 01:26:57.840729: Pseudo dice [np.float32(0.9168), np.float32(0.9201), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.911), np.float32(nan), np.float32(0.9014), np.float32(0.0), np.float32(0.8657), np.float32(0.0), np.float32(0.8489), np.float32(0.5235), np.float32(0.8361), np.float32(0.4625), np.float32(0.6398), np.float32(0.8693), np.float32(0.9094), np.float32(0.8952), np.float32(0.7226), np.float32(0.7753), np.float32(0.3874), np.float32(0.4295), np.float32(0.2881), np.float32(0.8255), np.float32(0.1031), np.float32(0.0181), np.float32(0.8442), np.float32(0.5039), np.float32(0.833), np.float32(0.3645), np.float32(0.3268), np.float32(0.3471), np.float32(0.9304), np.float32(0.9204), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6862), np.float32(0.2381), np.float32(0.3839), np.float32(0.1438), np.float32(0.3302), np.float32(0.7167), np.float32(0.7871), np.float32(0.8118), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:26:57.847227: Epoch time: 121.6 s +2026-02-22 01:26:58.812024: +2026-02-22 01:26:58.814056: Epoch 409 +2026-02-22 01:26:58.814887: Current learning rate: 0.00623 +2026-02-22 01:28:51.258725: train_loss -0.0396 +2026-02-22 01:28:51.265787: val_loss -0.0704 +2026-02-22 01:28:51.266810: Pseudo dice [np.float32(0.9434), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8684), np.float32(nan), np.float32(0.9588), np.float32(nan), np.float32(0.92), np.float32(0.0), np.float32(0.8562), np.float32(nan), np.float32(0.8688), np.float32(0.5792), np.float32(0.8446), np.float32(0.517), np.float32(0.6656), np.float32(0.8462), np.float32(0.9352), np.float32(0.8957), np.float32(0.7953), np.float32(0.7583), np.float32(0.0002), np.float32(0.4921), np.float32(0.1681), np.float32(0.8363), np.float32(0.0488), np.float32(0.0), np.float32(0.9272), np.float32(0.0), np.float32(0.816), np.float32(0.441), np.float32(0.5176), np.float32(0.3981), np.float32(0.8979), np.float32(0.9256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8115), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.5877), np.float32(0.7457), np.float32(0.7431), np.float32(0.8267), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:28:51.267822: Epoch time: 112.45 s +2026-02-22 01:28:52.166204: +2026-02-22 01:28:52.167148: Epoch 410 +2026-02-22 01:28:52.167968: Current learning rate: 0.00622 +2026-02-22 01:30:45.429204: train_loss -0.0351 +2026-02-22 01:30:45.440424: val_loss -0.0485 +2026-02-22 01:30:45.441450: Pseudo dice [np.float32(0.922), np.float32(0.94), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8639), np.float32(nan), np.float32(0.9092), np.float32(nan), np.float32(0.9406), np.float32(0.5543), np.float32(0.8684), np.float32(nan), np.float32(0.8606), np.float32(0.0883), np.float32(0.8364), np.float32(0.2424), np.float32(0.6623), np.float32(0.8813), np.float32(0.9158), np.float32(0.885), np.float32(0.7371), np.float32(0.74), np.float32(0.0625), np.float32(0.5273), np.float32(0.6184), np.float32(0.8565), np.float32(0.0376), np.float32(0.0192), np.float32(0.8933), np.float32(0.0006), np.float32(0.8471), np.float32(0.5194), np.float32(0.3856), np.float32(0.3282), np.float32(0.9002), np.float32(0.8943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6512), np.float32(0.0783), np.float32(0.2554), np.float32(0.3942), np.float32(0.657), np.float32(0.8001), np.float32(0.7368), np.float32(0.8014), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:30:45.442446: Epoch time: 113.27 s +2026-02-22 01:30:46.632006: +2026-02-22 01:30:46.635709: Epoch 411 +2026-02-22 01:30:46.637380: Current learning rate: 0.00621 +2026-02-22 01:32:49.711866: train_loss -0.0401 +2026-02-22 01:32:49.721331: val_loss -0.0269 +2026-02-22 01:32:49.723853: Pseudo dice [np.float32(0.9179), np.float32(0.9567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8626), np.float32(nan), np.float32(0.9114), np.float32(nan), np.float32(0.8964), np.float32(0.0), np.float32(0.8301), np.float32(nan), np.float32(0.8879), np.float32(0.3574), np.float32(0.8158), np.float32(0.5416), np.float32(0.6299), np.float32(0.8237), np.float32(0.9169), np.float32(0.8591), np.float32(0.7206), np.float32(0.7419), np.float32(0.0), np.float32(0.4321), np.float32(0.5625), np.float32(0.8447), np.float32(0.0), np.float32(0.0), np.float32(0.9126), np.float32(0.0874), np.float32(0.8018), np.float32(0.1837), np.float32(0.3731), np.float32(0.405), np.float32(0.8929), np.float32(0.9499), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.668), np.float32(0.0576), np.float32(0.4298), np.float32(0.249), np.float32(0.4444), np.float32(0.4107), np.float32(0.7734), np.float32(0.7926), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:32:49.724792: Epoch time: 123.08 s +2026-02-22 01:32:50.764019: +2026-02-22 01:32:50.767435: Epoch 412 +2026-02-22 01:32:50.768235: Current learning rate: 0.0062 +2026-02-22 01:34:50.713428: train_loss -0.0642 +2026-02-22 01:34:50.719785: val_loss -0.054 +2026-02-22 01:34:50.720810: Pseudo dice [np.float32(0.932), np.float32(0.9357), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8815), np.float32(nan), np.float32(0.9289), np.float32(nan), np.float32(0.8194), np.float32(0.267), np.float32(0.8796), np.float32(nan), np.float32(0.8962), np.float32(0.3741), np.float32(0.8429), np.float32(0.5965), np.float32(0.6885), np.float32(0.8603), np.float32(0.9225), np.float32(0.896), np.float32(0.7918), np.float32(0.8016), np.float32(0.0098), np.float32(0.4195), np.float32(0.0), np.float32(0.8623), np.float32(0.0698), np.float32(0.0273), np.float32(0.8967), np.float32(0.0653), np.float32(0.8633), np.float32(0.5899), np.float32(0.3992), np.float32(0.3194), np.float32(0.8455), np.float32(0.8519), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8464), np.float32(0.0082), np.float32(0.7332), np.float32(0.5156), np.float32(0.8556), np.float32(0.8689), np.float32(0.7816), np.float32(0.8172), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:34:50.721854: Epoch time: 119.95 s +2026-02-22 01:34:51.784532: +2026-02-22 01:34:51.800891: Epoch 413 +2026-02-22 01:34:51.801707: Current learning rate: 0.00619 +2026-02-22 01:36:54.507166: train_loss -0.0646 +2026-02-22 01:36:54.518243: val_loss -0.0224 +2026-02-22 01:36:54.520101: Pseudo dice [np.float32(0.9115), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8702), np.float32(nan), np.float32(0.8454), np.float32(nan), np.float32(0.8302), np.float32(0.187), np.float32(0.8648), np.float32(nan), np.float32(0.8782), np.float32(0.543), np.float32(0.8246), np.float32(0.7841), np.float32(0.7114), np.float32(0.8686), np.float32(0.9428), np.float32(0.8799), np.float32(0.7703), np.float32(0.7623), np.float32(0.0049), np.float32(0.2751), np.float32(0.6916), np.float32(0.7875), np.float32(0.2816), np.float32(0.052), np.float32(0.8727), np.float32(0.0831), np.float32(0.8421), np.float32(0.1277), np.float32(0.4357), np.float32(0.3753), np.float32(0.8661), np.float32(0.8232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7511), np.float32(0.1247), np.float32(0.5656), np.float32(0.3397), np.float32(0.7892), np.float32(0.7591), np.float32(0.7653), np.float32(0.7924), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:36:54.521050: Epoch time: 122.73 s +2026-02-22 01:36:55.583864: +2026-02-22 01:36:55.587224: Epoch 414 +2026-02-22 01:36:55.588058: Current learning rate: 0.00618 +2026-02-22 01:38:54.864895: train_loss -0.0292 +2026-02-22 01:38:54.874224: val_loss -0.0687 +2026-02-22 01:38:54.879351: Pseudo dice [np.float32(0.9112), np.float32(0.9232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8617), np.float32(nan), np.float32(0.9498), np.float32(nan), np.float32(0.8305), np.float32(0.0185), np.float32(0.847), np.float32(nan), np.float32(0.914), np.float32(0.4286), np.float32(0.8243), np.float32(0.7443), np.float32(0.6552), np.float32(0.8646), np.float32(0.9403), np.float32(0.8882), np.float32(0.7753), np.float32(0.7912), np.float32(0.2589), np.float32(0.5129), np.float32(0.0), np.float32(0.8123), np.float32(0.0014), np.float32(0.0), np.float32(0.9357), np.float32(0.0), np.float32(0.8331), np.float32(0.4429), np.float32(0.3722), np.float32(0.3387), np.float32(0.8879), np.float32(0.8926), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7046), np.float32(0.5489), np.float32(0.1435), np.float32(0.1892), np.float32(0.8158), np.float32(0.8866), np.float32(0.7506), np.float32(0.8232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:38:54.880367: Epoch time: 119.28 s +2026-02-22 01:38:55.840780: +2026-02-22 01:38:55.851677: Epoch 415 +2026-02-22 01:38:55.852617: Current learning rate: 0.00617 +2026-02-22 01:40:48.645155: train_loss -0.046 +2026-02-22 01:40:48.648664: val_loss -0.0682 +2026-02-22 01:40:48.649694: Pseudo dice [np.float32(0.9484), np.float32(0.9415), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8672), np.float32(nan), np.float32(0.9521), np.float32(nan), np.float32(0.8379), np.float32(0.0), np.float32(0.8753), np.float32(nan), np.float32(0.8942), np.float32(0.2967), np.float32(0.8508), np.float32(0.4912), np.float32(0.6909), np.float32(0.8762), np.float32(0.9302), np.float32(0.9104), np.float32(0.7614), np.float32(0.7996), np.float32(0.0027), np.float32(0.6843), np.float32(0.6029), np.float32(0.8641), np.float32(0.0814), np.float32(0.0058), np.float32(0.9029), np.float32(0.0578), np.float32(0.7596), np.float32(0.0), np.float32(0.4192), np.float32(0.334), np.float32(0.8305), np.float32(0.9062), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7557), np.float32(0.0004), np.float32(0.4341), np.float32(0.1745), np.float32(0.8298), np.float32(0.7751), np.float32(0.7859), np.float32(0.8104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:40:48.650696: Epoch time: 112.81 s +2026-02-22 01:40:49.743471: +2026-02-22 01:40:49.753064: Epoch 416 +2026-02-22 01:40:49.753867: Current learning rate: 0.00616 +2026-02-22 01:42:34.094192: train_loss -0.0452 +2026-02-22 01:42:34.099546: val_loss -0.0738 +2026-02-22 01:42:34.100819: Pseudo dice [np.float32(0.9518), np.float32(0.9338), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8761), np.float32(nan), np.float32(0.955), np.float32(nan), np.float32(0.9131), np.float32(0.0), np.float32(0.8728), np.float32(nan), np.float32(0.8922), np.float32(0.5122), np.float32(0.8327), np.float32(0.689), np.float32(0.7173), np.float32(0.8455), np.float32(0.9285), np.float32(0.9014), np.float32(0.7939), np.float32(0.8006), np.float32(0.0525), np.float32(0.5393), np.float32(0.663), np.float32(0.8576), np.float32(0.0), np.float32(0.0), np.float32(0.9172), np.float32(0.1229), np.float32(0.8403), np.float32(0.4795), np.float32(0.3756), np.float32(0.3902), np.float32(0.8712), np.float32(0.8657), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7978), np.float32(0.0), np.float32(0.5623), np.float32(0.3226), np.float32(0.7778), np.float32(0.8315), np.float32(0.782), np.float32(0.8141), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:42:34.101771: Epoch time: 104.35 s +2026-02-22 01:42:35.209437: +2026-02-22 01:42:35.212991: Epoch 417 +2026-02-22 01:42:35.213830: Current learning rate: 0.00615 +2026-02-22 01:44:36.199354: train_loss -0.0584 +2026-02-22 01:44:36.218559: val_loss -0.0707 +2026-02-22 01:44:36.223896: Pseudo dice [np.float32(0.943), np.float32(0.9486), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8926), np.float32(nan), np.float32(0.9463), np.float32(nan), np.float32(0.9441), np.float32(0.1511), np.float32(0.8383), np.float32(nan), np.float32(0.8527), np.float32(0.3288), np.float32(0.8291), np.float32(0.1186), np.float32(0.6389), np.float32(0.8644), np.float32(0.912), np.float32(0.9018), np.float32(0.7508), np.float32(0.7797), np.float32(0.0291), np.float32(0.5921), np.float32(0.3835), np.float32(0.7889), np.float32(0.0299), np.float32(0.2394), np.float32(0.9499), np.float32(0.1632), np.float32(0.809), np.float32(0.5144), np.float32(0.345), np.float32(0.3605), np.float32(0.9459), np.float32(0.9254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7047), np.float32(0.2111), np.float32(0.6997), np.float32(0.4665), np.float32(0.8241), np.float32(0.8634), np.float32(0.7931), np.float32(0.8413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:44:36.228689: Epoch time: 120.99 s +2026-02-22 01:44:37.199803: +2026-02-22 01:44:37.204230: Epoch 418 +2026-02-22 01:44:37.205780: Current learning rate: 0.00614 +2026-02-22 01:46:38.881246: train_loss -0.0497 +2026-02-22 01:46:38.893626: val_loss -0.0783 +2026-02-22 01:46:38.895103: Pseudo dice [np.float32(0.9069), np.float32(0.9097), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8781), np.float32(nan), np.float32(0.912), np.float32(nan), np.float32(0.9183), np.float32(0.5464), np.float32(0.8732), np.float32(nan), np.float32(0.9054), np.float32(0.2378), np.float32(0.8092), np.float32(0.0828), np.float32(0.5851), np.float32(0.8845), np.float32(0.8868), np.float32(0.8675), np.float32(0.7406), np.float32(0.7144), np.float32(0.8386), np.float32(0.0931), np.float32(0.0), np.float32(0.7911), np.float32(0.2305), np.float32(0.4164), np.float32(0.9603), np.float32(0.4474), np.float32(0.8616), np.float32(0.6109), np.float32(0.3626), np.float32(0.3637), np.float32(0.914), np.float32(0.9176), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7702), np.float32(0.0009), np.float32(0.5918), np.float32(0.4746), np.float32(0.8055), np.float32(0.6373), np.float32(0.7752), np.float32(0.8053), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:46:38.896119: Epoch time: 121.68 s +2026-02-22 01:46:38.896817: Yayy! New best EMA pseudo Dice: 0.6265000104904175 +2026-02-22 01:46:41.147651: +2026-02-22 01:46:41.149149: Epoch 419 +2026-02-22 01:46:41.149953: Current learning rate: 0.00613 +2026-02-22 01:48:41.473211: train_loss -0.0684 +2026-02-22 01:48:41.482090: val_loss -0.0795 +2026-02-22 01:48:41.483107: Pseudo dice [np.float32(0.9274), np.float32(0.8938), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8805), np.float32(nan), np.float32(0.9484), np.float32(nan), np.float32(0.9082), np.float32(0.0), np.float32(0.8644), np.float32(0.0), np.float32(0.8882), np.float32(0.5654), np.float32(0.839), np.float32(0.813), np.float32(0.661), np.float32(0.873), np.float32(0.9315), np.float32(0.902), np.float32(0.786), np.float32(0.7897), np.float32(0.0), np.float32(0.407), np.float32(0.3093), np.float32(0.8246), np.float32(0.056), np.float32(0.0845), np.float32(0.919), np.float32(0.0731), np.float32(0.8172), np.float32(0.0998), np.float32(0.3103), np.float32(0.3054), np.float32(0.939), np.float32(0.9138), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.675), np.float32(0.0), np.float32(0.4629), np.float32(0.5107), np.float32(0.8996), np.float32(0.8943), np.float32(0.7612), np.float32(0.7869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:48:41.484112: Epoch time: 120.33 s +2026-02-22 01:48:42.766369: +2026-02-22 01:48:42.777230: Epoch 420 +2026-02-22 01:48:42.780828: Current learning rate: 0.00612 +2026-02-22 01:50:36.651263: train_loss -0.0444 +2026-02-22 01:50:36.656615: val_loss -0.0486 +2026-02-22 01:50:36.657893: Pseudo dice [np.float32(0.9365), np.float32(0.9347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8265), np.float32(nan), np.float32(0.9119), np.float32(nan), np.float32(0.9124), np.float32(0.6099), np.float32(0.8612), np.float32(nan), np.float32(0.8185), np.float32(0.3074), np.float32(0.816), np.float32(0.0), np.float32(0.6003), np.float32(0.8687), np.float32(0.9212), np.float32(0.863), np.float32(0.7575), np.float32(0.7913), np.float32(0.5264), np.float32(0.236), np.float32(0.0), np.float32(0.7815), np.float32(0.2488), np.float32(0.0558), np.float32(0.8856), np.float32(0.2431), np.float32(0.8015), np.float32(0.5111), np.float32(0.3434), np.float32(0.3307), np.float32(0.889), np.float32(0.8883), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7024), np.float32(0.0777), np.float32(0.4873), np.float32(0.4184), np.float32(0.3345), np.float32(0.414), np.float32(0.7594), np.float32(0.7844), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:50:36.660817: Epoch time: 113.89 s +2026-02-22 01:50:37.619128: +2026-02-22 01:50:37.625562: Epoch 421 +2026-02-22 01:50:37.629539: Current learning rate: 0.00612 +2026-02-22 01:52:29.122614: train_loss -0.0576 +2026-02-22 01:52:29.128711: val_loss -0.0669 +2026-02-22 01:52:29.129717: Pseudo dice [np.float32(0.9283), np.float32(0.9315), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8761), np.float32(nan), np.float32(0.9537), np.float32(nan), np.float32(0.913), np.float32(0.0051), np.float32(0.8381), np.float32(nan), np.float32(0.8885), np.float32(0.1371), np.float32(0.8435), np.float32(0.6788), np.float32(0.6905), np.float32(0.8539), np.float32(0.9253), np.float32(0.9086), np.float32(0.7828), np.float32(0.7952), np.float32(0.1653), np.float32(0.252), np.float32(0.0), np.float32(0.8078), np.float32(0.2659), np.float32(0.312), np.float32(0.9278), np.float32(0.0136), np.float32(0.8421), np.float32(0.1066), np.float32(0.3988), np.float32(0.4057), np.float32(0.9255), np.float32(0.9104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7153), np.float32(0.0613), np.float32(0.5264), np.float32(0.4552), np.float32(0.5226), np.float32(0.6766), np.float32(0.7987), np.float32(0.8236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:52:29.130701: Epoch time: 111.51 s +2026-02-22 01:52:30.067007: +2026-02-22 01:52:30.088692: Epoch 422 +2026-02-22 01:52:30.098921: Current learning rate: 0.00611 +2026-02-22 01:54:38.152107: train_loss -0.0594 +2026-02-22 01:54:38.158652: val_loss -0.0688 +2026-02-22 01:54:38.159642: Pseudo dice [np.float32(0.9441), np.float32(0.9289), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.89), np.float32(nan), np.float32(0.9479), np.float32(nan), np.float32(0.8675), np.float32(0.032), np.float32(0.8605), np.float32(0.0), np.float32(0.876), np.float32(0.2465), np.float32(0.8498), np.float32(0.4681), np.float32(0.7051), np.float32(0.857), np.float32(0.91), np.float32(0.9011), np.float32(0.769), np.float32(0.7856), np.float32(0.0011), np.float32(0.1407), np.float32(0.6988), np.float32(0.8737), np.float32(0.2983), np.float32(0.334), np.float32(0.9167), np.float32(0.4368), np.float32(0.8332), np.float32(0.4078), np.float32(0.4873), np.float32(0.3657), np.float32(0.884), np.float32(0.8696), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6856), np.float32(0.4488), np.float32(0.7424), np.float32(0.4213), np.float32(0.9172), np.float32(0.8895), np.float32(0.7897), np.float32(0.7994), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:54:38.160634: Epoch time: 128.09 s +2026-02-22 01:54:39.028186: +2026-02-22 01:54:39.029166: Epoch 423 +2026-02-22 01:54:39.029955: Current learning rate: 0.0061 +2026-02-22 01:56:43.779589: train_loss -0.0511 +2026-02-22 01:56:43.794024: val_loss -0.0653 +2026-02-22 01:56:43.795308: Pseudo dice [np.float32(0.9353), np.float32(0.9463), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8767), np.float32(nan), np.float32(0.9479), np.float32(nan), np.float32(0.9357), np.float32(0.1616), np.float32(0.8546), np.float32(nan), np.float32(0.8527), np.float32(0.1349), np.float32(0.8249), np.float32(0.6993), np.float32(0.5962), np.float32(0.8763), np.float32(0.9286), np.float32(0.9187), np.float32(0.7404), np.float32(0.7861), np.float32(0.77), np.float32(0.5153), np.float32(0.1765), np.float32(0.8282), np.float32(0.0603), np.float32(0.1174), np.float32(0.9046), np.float32(0.0), np.float32(0.8169), np.float32(0.3298), np.float32(0.2821), np.float32(0.3858), np.float32(0.8654), np.float32(0.8591), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7968), np.float32(0.0698), np.float32(0.0), np.float32(0.0), np.float32(0.8542), np.float32(0.7976), np.float32(0.8028), np.float32(0.7778), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:56:43.796268: Epoch time: 124.75 s +2026-02-22 01:56:45.096770: +2026-02-22 01:56:45.115729: Epoch 424 +2026-02-22 01:56:45.120890: Current learning rate: 0.00609 +2026-02-22 01:58:41.091495: train_loss -0.0453 +2026-02-22 01:58:41.110941: val_loss -0.0699 +2026-02-22 01:58:41.117265: Pseudo dice [np.float32(0.943), np.float32(0.9197), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8806), np.float32(nan), np.float32(0.9462), np.float32(nan), np.float32(0.8229), np.float32(0.0042), np.float32(0.864), np.float32(nan), np.float32(0.8939), np.float32(0.5194), np.float32(0.8492), np.float32(0.5599), np.float32(0.6573), np.float32(0.8771), np.float32(0.9235), np.float32(0.8964), np.float32(0.7776), np.float32(0.7962), np.float32(0.0516), np.float32(0.5833), np.float32(0.1887), np.float32(0.8725), np.float32(0.1879), np.float32(0.1547), np.float32(0.9358), np.float32(0.3266), np.float32(0.8247), np.float32(0.4069), np.float32(0.3999), np.float32(0.3067), np.float32(0.8962), np.float32(0.8791), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6462), np.float32(0.0333), np.float32(0.2839), np.float32(0.3773), np.float32(0.9074), np.float32(0.9022), np.float32(0.7578), np.float32(0.8051), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 01:58:41.118209: Epoch time: 116.0 s +2026-02-22 01:58:42.097171: +2026-02-22 01:58:42.100231: Epoch 425 +2026-02-22 01:58:42.101055: Current learning rate: 0.00608 +2026-02-22 02:00:37.959470: train_loss -0.0486 +2026-02-22 02:00:37.963328: val_loss -0.063 +2026-02-22 02:00:37.964352: Pseudo dice [np.float32(0.9468), np.float32(0.9532), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8733), np.float32(nan), np.float32(0.9506), np.float32(nan), np.float32(0.8472), np.float32(0.0), np.float32(0.8441), np.float32(0.0), np.float32(0.8505), np.float32(0.6421), np.float32(0.8063), np.float32(0.4998), np.float32(0.6731), np.float32(0.8676), np.float32(0.9213), np.float32(0.8931), np.float32(0.7954), np.float32(0.8017), np.float32(0.5971), np.float32(0.6206), np.float32(0.8175), np.float32(0.8545), np.float32(0.1226), np.float32(0.0629), np.float32(0.9091), np.float32(0.093), np.float32(0.811), np.float32(0.109), np.float32(0.4706), np.float32(0.3723), np.float32(0.8407), np.float32(0.9211), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6656), np.float32(0.1169), np.float32(0.7813), np.float32(0.3472), np.float32(0.8967), np.float32(0.8355), np.float32(0.8019), np.float32(0.8181), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:00:37.965361: Epoch time: 115.86 s +2026-02-22 02:00:37.966057: Yayy! New best EMA pseudo Dice: 0.6277999877929688 +2026-02-22 02:00:39.819255: +2026-02-22 02:00:39.822169: Epoch 426 +2026-02-22 02:00:39.822968: Current learning rate: 0.00607 +2026-02-22 02:02:44.955810: train_loss -0.061 +2026-02-22 02:02:44.964205: val_loss -0.0488 +2026-02-22 02:02:44.965450: Pseudo dice [np.float32(0.9411), np.float32(0.9272), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8677), np.float32(nan), np.float32(0.9286), np.float32(nan), np.float32(0.9234), np.float32(0.0), np.float32(0.8403), np.float32(0.0), np.float32(0.8617), np.float32(0.4739), np.float32(0.7992), np.float32(0.3372), np.float32(0.6999), np.float32(0.8326), np.float32(0.8844), np.float32(0.8441), np.float32(0.7357), np.float32(0.7913), np.float32(0.0028), np.float32(0.3821), np.float32(0.7491), np.float32(0.8021), np.float32(0.0382), np.float32(0.1582), np.float32(0.9103), np.float32(0.3139), np.float32(0.8052), np.float32(0.4761), np.float32(0.3598), np.float32(0.355), np.float32(0.9784), np.float32(0.9794), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7804), np.float32(0.0), np.float32(0.6676), np.float32(0.5099), np.float32(0.7241), np.float32(0.766), np.float32(0.7101), np.float32(0.7734), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:02:44.966448: Epoch time: 125.14 s +2026-02-22 02:02:48.048228: +2026-02-22 02:02:48.050099: Epoch 427 +2026-02-22 02:02:48.051490: Current learning rate: 0.00606 +2026-02-22 02:04:45.509658: train_loss -0.0583 +2026-02-22 02:04:45.515181: val_loss -0.0862 +2026-02-22 02:04:45.520238: Pseudo dice [np.float32(0.932), np.float32(0.923), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.883), np.float32(nan), np.float32(0.9614), np.float32(nan), np.float32(0.9396), np.float32(0.0), np.float32(0.8736), np.float32(nan), np.float32(0.8397), np.float32(0.5763), np.float32(0.8553), np.float32(0.6236), np.float32(0.721), np.float32(0.8533), np.float32(0.9387), np.float32(0.9187), np.float32(0.8077), np.float32(0.8271), np.float32(0.0005), np.float32(0.3898), np.float32(0.6313), np.float32(0.8875), np.float32(0.2574), np.float32(0.3038), np.float32(0.8732), np.float32(0.389), np.float32(0.8676), np.float32(0.3639), np.float32(0.444), np.float32(0.4351), np.float32(0.94), np.float32(0.9649), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7024), np.float32(0.0), np.float32(0.2537), np.float32(0.1995), np.float32(0.8415), np.float32(0.8106), np.float32(0.8145), np.float32(0.8396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:04:45.525582: Epoch time: 117.46 s +2026-02-22 02:04:45.527255: Yayy! New best EMA pseudo Dice: 0.6304000020027161 +2026-02-22 02:04:48.068663: +2026-02-22 02:04:48.070933: Epoch 428 +2026-02-22 02:04:48.072032: Current learning rate: 0.00605 +2026-02-22 02:06:50.183268: train_loss -0.0584 +2026-02-22 02:06:50.197083: val_loss -0.0617 +2026-02-22 02:06:50.198960: Pseudo dice [np.float32(0.9432), np.float32(0.9406), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8801), np.float32(nan), np.float32(0.928), np.float32(nan), np.float32(0.851), np.float32(0.2616), np.float32(0.8486), np.float32(nan), np.float32(0.8394), np.float32(0.3327), np.float32(0.8232), np.float32(0.6948), np.float32(0.6903), np.float32(0.8744), np.float32(0.9057), np.float32(0.8936), np.float32(0.7394), np.float32(0.7684), np.float32(0.0005), np.float32(0.4286), np.float32(0.102), np.float32(0.8425), np.float32(0.0158), np.float32(0.23), np.float32(0.863), np.float32(0.0529), np.float32(0.7995), np.float32(0.403), np.float32(0.3741), np.float32(0.3634), np.float32(0.8635), np.float32(0.8922), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6693), np.float32(0.6323), np.float32(0.0), np.float32(0.004), np.float32(0.7938), np.float32(0.7118), np.float32(0.7618), np.float32(0.8049), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:06:50.203213: Epoch time: 122.12 s +2026-02-22 02:06:51.103023: +2026-02-22 02:06:51.104146: Epoch 429 +2026-02-22 02:06:51.104962: Current learning rate: 0.00604 +2026-02-22 02:08:50.618592: train_loss -0.0671 +2026-02-22 02:08:50.623485: val_loss -0.0828 +2026-02-22 02:08:50.624507: Pseudo dice [np.float32(0.9255), np.float32(0.8967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8904), np.float32(nan), np.float32(0.9567), np.float32(nan), np.float32(0.8806), np.float32(0.7211), np.float32(0.8711), np.float32(nan), np.float32(0.8602), np.float32(0.4237), np.float32(0.8592), np.float32(0.4434), np.float32(0.6916), np.float32(0.8851), np.float32(0.8994), np.float32(0.8979), np.float32(0.8001), np.float32(0.7526), np.float32(0.0795), np.float32(0.656), np.float32(0.491), np.float32(0.8053), np.float32(0.1497), np.float32(0.2432), np.float32(0.9191), np.float32(0.1687), np.float32(0.8485), np.float32(0.045), np.float32(0.499), np.float32(0.4083), np.float32(0.9727), np.float32(0.9811), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.732), np.float32(0.0), np.float32(0.7844), np.float32(0.1282), np.float32(0.6066), np.float32(0.8202), np.float32(0.738), np.float32(0.815), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:08:50.625541: Epoch time: 119.52 s +2026-02-22 02:08:50.626714: Yayy! New best EMA pseudo Dice: 0.6310999989509583 +2026-02-22 02:08:52.441671: +2026-02-22 02:08:52.443774: Epoch 430 +2026-02-22 02:08:52.444571: Current learning rate: 0.00603 +2026-02-22 02:10:40.160579: train_loss -0.0626 +2026-02-22 02:10:40.167901: val_loss -0.0917 +2026-02-22 02:10:40.169128: Pseudo dice [np.float32(0.958), np.float32(0.9339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8853), np.float32(nan), np.float32(0.9527), np.float32(nan), np.float32(0.8431), np.float32(0.7233), np.float32(0.8646), np.float32(0.0), np.float32(0.9051), np.float32(0.5138), np.float32(0.8608), np.float32(0.5464), np.float32(0.7146), np.float32(0.8904), np.float32(0.9309), np.float32(0.9147), np.float32(0.7633), np.float32(0.7794), np.float32(0.0043), np.float32(0.3764), np.float32(0.3728), np.float32(0.8818), np.float32(0.2171), np.float32(0.3219), np.float32(0.9), np.float32(0.0), np.float32(0.8255), np.float32(0.0324), np.float32(0.3831), np.float32(0.4122), np.float32(0.9264), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7742), np.float32(0.4703), np.float32(0.0), np.float32(0.0), np.float32(0.7374), np.float32(0.7989), np.float32(0.7847), np.float32(0.8106), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:10:40.170102: Epoch time: 107.72 s +2026-02-22 02:10:41.092662: +2026-02-22 02:10:41.093953: Epoch 431 +2026-02-22 02:10:41.094764: Current learning rate: 0.00602 +2026-02-22 02:12:52.378834: train_loss -0.056 +2026-02-22 02:12:52.382681: val_loss -0.0721 +2026-02-22 02:12:52.383719: Pseudo dice [np.float32(0.9455), np.float32(0.9635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.893), np.float32(nan), np.float32(0.9361), np.float32(nan), np.float32(0.9448), np.float32(0.0), np.float32(0.8738), np.float32(nan), np.float32(0.8845), np.float32(0.3191), np.float32(0.8321), np.float32(0.6643), np.float32(0.6334), np.float32(0.8943), np.float32(0.9264), np.float32(0.902), np.float32(0.7389), np.float32(0.7719), np.float32(0.3854), np.float32(0.2937), np.float32(0.6962), np.float32(0.8346), np.float32(0.4036), np.float32(0.4267), np.float32(0.924), np.float32(0.0922), np.float32(0.8238), np.float32(0.4347), np.float32(0.3682), np.float32(0.3636), np.float32(0.8753), np.float32(0.918), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.732), np.float32(0.7655), np.float32(0.0041), np.float32(0.0275), np.float32(0.8157), np.float32(0.85), np.float32(0.765), np.float32(0.8134), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:12:52.384727: Epoch time: 131.29 s +2026-02-22 02:12:52.385808: Yayy! New best EMA pseudo Dice: 0.633400022983551 +2026-02-22 02:12:54.203583: +2026-02-22 02:12:54.205174: Epoch 432 +2026-02-22 02:12:54.206245: Current learning rate: 0.00601 +2026-02-22 02:14:52.791059: train_loss -0.0546 +2026-02-22 02:14:52.819847: val_loss -0.0537 +2026-02-22 02:14:52.825779: Pseudo dice [np.float32(0.9169), np.float32(0.9158), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8663), np.float32(nan), np.float32(0.9149), np.float32(nan), np.float32(0.8525), np.float32(0.0065), np.float32(0.8416), np.float32(nan), np.float32(0.8739), np.float32(0.5447), np.float32(0.8112), np.float32(0.2296), np.float32(0.6439), np.float32(0.8742), np.float32(0.9206), np.float32(0.8863), np.float32(0.7565), np.float32(0.7681), np.float32(0.5375), np.float32(0.157), np.float32(0.1485), np.float32(0.8253), np.float32(0.2251), np.float32(0.0308), np.float32(0.8705), np.float32(0.1265), np.float32(0.8081), np.float32(0.4383), np.float32(0.4104), np.float32(0.3472), np.float32(0.8791), np.float32(0.9148), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6828), np.float32(0.1331), np.float32(0.6886), np.float32(0.0606), np.float32(0.8074), np.float32(0.801), np.float32(0.7823), np.float32(0.7992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:14:52.833765: Epoch time: 118.59 s +2026-02-22 02:14:53.930409: +2026-02-22 02:14:53.933825: Epoch 433 +2026-02-22 02:14:53.934635: Current learning rate: 0.006 +2026-02-22 02:16:47.166091: train_loss -0.0655 +2026-02-22 02:16:47.172829: val_loss -0.0359 +2026-02-22 02:16:47.173866: Pseudo dice [np.float32(0.931), np.float32(0.8831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.87), np.float32(nan), np.float32(0.9179), np.float32(nan), np.float32(0.7775), np.float32(0.0561), np.float32(0.8265), np.float32(nan), np.float32(0.8532), np.float32(0.5308), np.float32(0.8433), np.float32(0.125), np.float32(0.6455), np.float32(0.8598), np.float32(0.9069), np.float32(0.8902), np.float32(0.756), np.float32(0.7347), np.float32(0.0076), np.float32(0.6889), np.float32(0.368), np.float32(0.8102), np.float32(0.0), np.float32(0.0), np.float32(0.9071), np.float32(0.2267), np.float32(0.7977), np.float32(0.07), np.float32(0.3363), np.float32(0.3016), np.float32(0.8627), np.float32(0.8635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8159), np.float32(0.4606), np.float32(0.0), np.float32(0.0), np.float32(0.8645), np.float32(0.7505), np.float32(0.7556), np.float32(0.7998), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:16:47.174860: Epoch time: 113.24 s +2026-02-22 02:16:48.137464: +2026-02-22 02:16:48.140292: Epoch 434 +2026-02-22 02:16:48.141115: Current learning rate: 0.00599 +2026-02-22 02:18:41.178011: train_loss -0.0568 +2026-02-22 02:18:41.215445: val_loss -0.0608 +2026-02-22 02:18:41.220928: Pseudo dice [np.float32(0.9297), np.float32(0.9318), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8756), np.float32(nan), np.float32(0.9408), np.float32(nan), np.float32(0.9165), np.float32(0.1214), np.float32(0.8455), np.float32(nan), np.float32(0.866), np.float32(0.4201), np.float32(0.8386), np.float32(0.2961), np.float32(0.6576), np.float32(0.864), np.float32(0.8915), np.float32(0.8844), np.float32(0.7455), np.float32(0.7803), np.float32(0.3846), np.float32(0.4839), np.float32(0.0), np.float32(0.843), np.float32(0.1018), np.float32(0.1594), np.float32(0.9432), np.float32(0.7365), np.float32(0.8552), np.float32(0.5535), np.float32(0.369), np.float32(0.3659), np.float32(0.8352), np.float32(0.9136), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.832), np.float32(0.0), np.float32(0.4091), np.float32(0.0814), np.float32(0.565), np.float32(0.6066), np.float32(0.7519), np.float32(0.8033), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:18:41.230367: Epoch time: 113.04 s +2026-02-22 02:18:42.318332: +2026-02-22 02:18:42.335313: Epoch 435 +2026-02-22 02:18:42.336790: Current learning rate: 0.00598 +2026-02-22 02:20:36.222132: train_loss -0.044 +2026-02-22 02:20:36.228969: val_loss -0.0485 +2026-02-22 02:20:36.229985: Pseudo dice [np.float32(0.9152), np.float32(0.9305), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8925), np.float32(nan), np.float32(0.9199), np.float32(nan), np.float32(0.9308), np.float32(0.466), np.float32(0.7864), np.float32(nan), np.float32(0.901), np.float32(0.3904), np.float32(0.829), np.float32(0.6867), np.float32(0.7103), np.float32(0.8346), np.float32(0.9027), np.float32(0.8896), np.float32(0.7818), np.float32(0.7961), np.float32(0.0127), np.float32(0.6473), np.float32(0.6319), np.float32(0.8372), np.float32(0.043), np.float32(0.1927), np.float32(0.893), np.float32(0.4829), np.float32(0.7529), np.float32(0.3754), np.float32(0.428), np.float32(0.3813), np.float32(0.7544), np.float32(0.8697), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7723), np.float32(0.0), np.float32(0.0137), np.float32(0.1705), np.float32(0.7628), np.float32(0.7047), np.float32(0.7775), np.float32(0.8108), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:20:36.230980: Epoch time: 113.91 s +2026-02-22 02:20:37.423615: +2026-02-22 02:20:37.432206: Epoch 436 +2026-02-22 02:20:37.433527: Current learning rate: 0.00597 +2026-02-22 02:22:28.967243: train_loss -0.0734 +2026-02-22 02:22:29.000847: val_loss -0.0631 +2026-02-22 02:22:29.009353: Pseudo dice [np.float32(0.9162), np.float32(0.935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8542), np.float32(nan), np.float32(0.8954), np.float32(nan), np.float32(0.9459), np.float32(0.7147), np.float32(0.8597), np.float32(0.0), np.float32(0.8938), np.float32(0.1952), np.float32(0.8253), np.float32(0.2678), np.float32(0.6827), np.float32(0.8675), np.float32(0.9254), np.float32(0.8947), np.float32(0.7413), np.float32(0.7581), np.float32(0.2916), np.float32(0.1735), np.float32(0.5897), np.float32(0.8971), np.float32(0.2533), np.float32(0.2536), np.float32(0.8968), np.float32(0.4581), np.float32(0.8325), np.float32(0.5281), np.float32(0.4125), np.float32(0.3378), np.float32(0.8872), np.float32(0.8773), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7249), np.float32(0.0), np.float32(0.2584), np.float32(0.075), np.float32(0.8488), np.float32(0.7555), np.float32(0.755), np.float32(0.8186), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:22:29.010778: Epoch time: 111.55 s +2026-02-22 02:22:30.030088: +2026-02-22 02:22:30.034557: Epoch 437 +2026-02-22 02:22:30.035552: Current learning rate: 0.00596 +2026-02-22 02:24:31.562373: train_loss -0.0563 +2026-02-22 02:24:31.580204: val_loss -0.0651 +2026-02-22 02:24:31.584883: Pseudo dice [np.float32(0.9438), np.float32(0.9421), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8658), np.float32(nan), np.float32(0.94), np.float32(nan), np.float32(0.8956), np.float32(0.0808), np.float32(0.864), np.float32(nan), np.float32(0.8561), np.float32(0.4332), np.float32(0.8214), np.float32(0.6479), np.float32(0.6442), np.float32(0.852), np.float32(0.9218), np.float32(0.8983), np.float32(0.7677), np.float32(0.7771), np.float32(0.0158), np.float32(0.3797), np.float32(0.0), np.float32(0.788), np.float32(0.0223), np.float32(0.0), np.float32(0.93), np.float32(0.446), np.float32(0.8493), np.float32(0.4059), np.float32(0.4419), np.float32(0.3814), np.float32(0.9115), np.float32(0.9306), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8034), np.float32(0.0), np.float32(0.8077), np.float32(0.2357), np.float32(0.8013), np.float32(0.7079), np.float32(0.7998), np.float32(0.8244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:24:31.585980: Epoch time: 121.53 s +2026-02-22 02:24:32.476271: +2026-02-22 02:24:32.483957: Epoch 438 +2026-02-22 02:24:32.484936: Current learning rate: 0.00595 +2026-02-22 02:26:41.403080: train_loss -0.0366 +2026-02-22 02:26:41.406557: val_loss 0.0347 +2026-02-22 02:26:41.407591: Pseudo dice [np.float32(0.8411), np.float32(0.8973), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8019), np.float32(nan), np.float32(0.8583), np.float32(nan), np.float32(0.8822), np.float32(0.0), np.float32(0.7987), np.float32(nan), np.float32(0.8439), np.float32(0.3602), np.float32(0.797), np.float32(0.1121), np.float32(0.6066), np.float32(0.8423), np.float32(0.8849), np.float32(0.8812), np.float32(0.766), np.float32(0.7381), np.float32(0.0), np.float32(0.6104), np.float32(0.5852), np.float32(0.775), np.float32(0.0099), np.float32(0.0122), np.float32(0.8823), np.float32(0.0), np.float32(0.7801), np.float32(0.488), np.float32(0.3372), np.float32(0.2674), np.float32(0.8062), np.float32(0.8307), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6821), np.float32(0.0), np.float32(0.4136), np.float32(0.3823), np.float32(0.6855), np.float32(0.3311), np.float32(0.7561), np.float32(0.7943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:26:41.408600: Epoch time: 128.93 s +2026-02-22 02:26:42.710698: +2026-02-22 02:26:42.729111: Epoch 439 +2026-02-22 02:26:42.730425: Current learning rate: 0.00594 +2026-02-22 02:29:00.039292: train_loss -0.0651 +2026-02-22 02:29:00.046255: val_loss -0.0743 +2026-02-22 02:29:00.047508: Pseudo dice [np.float32(0.9073), np.float32(0.9358), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8522), np.float32(nan), np.float32(0.9468), np.float32(nan), np.float32(0.9071), np.float32(0.0183), np.float32(0.8504), np.float32(nan), np.float32(0.8702), np.float32(0.2301), np.float32(0.837), np.float32(0.4674), np.float32(0.6691), np.float32(0.863), np.float32(0.9113), np.float32(0.8632), np.float32(0.728), np.float32(0.7757), np.float32(0.2137), np.float32(0.1009), np.float32(0.0), np.float32(0.7695), np.float32(0.0), np.float32(0.0), np.float32(0.9549), np.float32(0.0007), np.float32(0.8045), np.float32(0.3783), np.float32(0.3365), np.float32(0.3503), np.float32(0.8954), np.float32(0.9131), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7123), np.float32(0.0264), np.float32(0.4402), np.float32(0.3387), np.float32(0.7839), np.float32(0.7725), np.float32(0.7814), np.float32(0.8282), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:29:00.048271: Epoch time: 137.33 s +2026-02-22 02:29:00.938234: +2026-02-22 02:29:00.947670: Epoch 440 +2026-02-22 02:29:00.952726: Current learning rate: 0.00593 +2026-02-22 02:31:03.757638: train_loss -0.0423 +2026-02-22 02:31:03.784054: val_loss -0.0397 +2026-02-22 02:31:03.785320: Pseudo dice [np.float32(0.9025), np.float32(0.8931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8667), np.float32(nan), np.float32(0.8995), np.float32(nan), np.float32(0.9412), np.float32(0.1128), np.float32(0.8432), np.float32(0.0), np.float32(0.8465), np.float32(1e-04), np.float32(0.813), np.float32(0.6311), np.float32(0.6477), np.float32(0.8518), np.float32(0.9235), np.float32(0.8957), np.float32(0.8037), np.float32(0.7882), np.float32(0.1086), np.float32(0.6247), np.float32(0.6027), np.float32(0.7471), np.float32(0.0114), np.float32(0.0124), np.float32(0.91), np.float32(0.1823), np.float32(0.8551), np.float32(0.3518), np.float32(0.4565), np.float32(0.3456), np.float32(0.9051), np.float32(0.9097), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7076), np.float32(0.0976), np.float32(0.7048), np.float32(0.104), np.float32(0.8023), np.float32(0.5718), np.float32(0.7726), np.float32(0.7966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:31:03.786287: Epoch time: 122.82 s +2026-02-22 02:31:04.893510: +2026-02-22 02:31:04.897324: Epoch 441 +2026-02-22 02:31:04.898291: Current learning rate: 0.00592 +2026-02-22 02:33:06.849576: train_loss -0.0445 +2026-02-22 02:33:06.860567: val_loss -0.0683 +2026-02-22 02:33:06.865823: Pseudo dice [np.float32(0.9429), np.float32(0.9534), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8744), np.float32(nan), np.float32(0.9313), np.float32(nan), np.float32(0.9022), np.float32(0.1884), np.float32(0.8653), np.float32(nan), np.float32(0.8374), np.float32(0.4643), np.float32(0.8337), np.float32(0.4315), np.float32(0.6929), np.float32(0.8659), np.float32(0.9242), np.float32(0.91), np.float32(0.7891), np.float32(0.8082), np.float32(0.1156), np.float32(0.0643), np.float32(0.605), np.float32(0.8447), np.float32(0.0018), np.float32(0.0947), np.float32(0.8942), np.float32(0.1948), np.float32(0.8016), np.float32(0.0), np.float32(0.3919), np.float32(0.3178), np.float32(0.8933), np.float32(0.8789), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7403), np.float32(0.7816), np.float32(0.5597), np.float32(0.3389), np.float32(0.9397), np.float32(0.9092), np.float32(0.7718), np.float32(0.827), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:33:06.867297: Epoch time: 121.96 s +2026-02-22 02:33:07.846913: +2026-02-22 02:33:07.854069: Epoch 442 +2026-02-22 02:33:07.864853: Current learning rate: 0.00592 +2026-02-22 02:35:09.971118: train_loss -0.0592 +2026-02-22 02:35:09.986532: val_loss -0.0324 +2026-02-22 02:35:09.987625: Pseudo dice [np.float32(0.88), np.float32(0.9218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8495), np.float32(nan), np.float32(0.898), np.float32(nan), np.float32(0.8869), np.float32(0.0), np.float32(0.8385), np.float32(nan), np.float32(0.8213), np.float32(0.4392), np.float32(0.8145), np.float32(0.2727), np.float32(0.6821), np.float32(0.8441), np.float32(0.8973), np.float32(0.8739), np.float32(0.7437), np.float32(0.7511), np.float32(0.1803), np.float32(0.5095), np.float32(0.3313), np.float32(0.8659), np.float32(0.0), np.float32(0.0085), np.float32(0.9165), np.float32(0.0692), np.float32(0.8044), np.float32(0.3134), np.float32(0.4466), np.float32(0.3759), np.float32(0.9053), np.float32(0.9253), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7745), np.float32(0.4325), np.float32(0.2518), np.float32(0.2509), np.float32(0.7986), np.float32(0.8359), np.float32(0.7667), np.float32(0.7946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:35:09.988674: Epoch time: 122.13 s +2026-02-22 02:35:11.201218: +2026-02-22 02:35:11.204512: Epoch 443 +2026-02-22 02:35:11.205310: Current learning rate: 0.00591 +2026-02-22 02:37:11.707639: train_loss -0.0541 +2026-02-22 02:37:11.722339: val_loss -0.0667 +2026-02-22 02:37:11.723409: Pseudo dice [np.float32(0.9483), np.float32(0.9427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8947), np.float32(nan), np.float32(0.9307), np.float32(nan), np.float32(0.9449), np.float32(0.4163), np.float32(0.8643), np.float32(0.0), np.float32(0.8809), np.float32(0.1044), np.float32(0.8408), np.float32(0.5571), np.float32(0.6934), np.float32(0.8668), np.float32(0.9252), np.float32(0.899), np.float32(0.7586), np.float32(0.745), np.float32(0.0649), np.float32(0.5428), np.float32(0.2502), np.float32(0.7413), np.float32(0.0), np.float32(0.0), np.float32(0.8934), np.float32(0.2293), np.float32(0.7909), np.float32(0.253), np.float32(0.3892), np.float32(0.3639), np.float32(0.9038), np.float32(0.9252), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7178), np.float32(0.0), np.float32(0.7668), np.float32(0.3595), np.float32(0.6634), np.float32(0.8568), np.float32(0.7902), np.float32(0.8174), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:37:11.724859: Epoch time: 120.51 s +2026-02-22 02:37:12.626592: +2026-02-22 02:37:12.643272: Epoch 444 +2026-02-22 02:37:12.648928: Current learning rate: 0.0059 +2026-02-22 02:39:03.309146: train_loss -0.0456 +2026-02-22 02:39:03.323638: val_loss -0.0311 +2026-02-22 02:39:03.324874: Pseudo dice [np.float32(0.9483), np.float32(0.878), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8872), np.float32(nan), np.float32(0.9288), np.float32(nan), np.float32(0.7936), np.float32(1e-04), np.float32(0.8189), np.float32(nan), np.float32(0.802), np.float32(0.4629), np.float32(0.8078), np.float32(0.5959), np.float32(0.6438), np.float32(0.8512), np.float32(0.8733), np.float32(0.8837), np.float32(0.7392), np.float32(0.7967), np.float32(0.383), np.float32(0.4468), np.float32(0.5114), np.float32(0.7606), np.float32(0.1472), np.float32(0.0021), np.float32(0.7928), np.float32(0.2479), np.float32(0.8303), np.float32(0.3089), np.float32(0.2837), np.float32(0.3927), np.float32(0.8497), np.float32(0.8548), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6659), np.float32(0.3886), np.float32(0.2214), np.float32(0.0), np.float32(0.5004), np.float32(0.4686), np.float32(0.7386), np.float32(0.8003), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:39:03.326112: Epoch time: 110.69 s +2026-02-22 02:39:04.208116: +2026-02-22 02:39:04.216130: Epoch 445 +2026-02-22 02:39:04.216908: Current learning rate: 0.00589 +2026-02-22 02:41:08.567109: train_loss -0.0412 +2026-02-22 02:41:08.590675: val_loss -0.054 +2026-02-22 02:41:08.594177: Pseudo dice [np.float32(0.9082), np.float32(0.9267), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8817), np.float32(nan), np.float32(0.9147), np.float32(nan), np.float32(0.9382), np.float32(0.7126), np.float32(0.8265), np.float32(0.0), np.float32(0.8227), np.float32(0.419), np.float32(0.8254), np.float32(0.165), np.float32(0.6033), np.float32(0.8408), np.float32(0.9078), np.float32(0.8703), np.float32(0.7177), np.float32(0.7721), np.float32(0.0), np.float32(0.2118), np.float32(0.2472), np.float32(0.775), np.float32(0.0018), np.float32(0.0), np.float32(0.9467), np.float32(0.3578), np.float32(0.8354), np.float32(0.6175), np.float32(0.3484), np.float32(0.4106), np.float32(0.9174), np.float32(0.9353), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7594), np.float32(0.0021), np.float32(0.4576), np.float32(0.4537), np.float32(0.8865), np.float32(0.9025), np.float32(0.7408), np.float32(0.7955), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:41:08.595151: Epoch time: 124.36 s +2026-02-22 02:41:09.481527: +2026-02-22 02:41:09.482596: Epoch 446 +2026-02-22 02:41:09.483417: Current learning rate: 0.00588 +2026-02-22 02:42:58.974506: train_loss -0.0641 +2026-02-22 02:42:58.979499: val_loss -0.0654 +2026-02-22 02:42:58.980525: Pseudo dice [np.float32(0.9423), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8721), np.float32(nan), np.float32(0.9393), np.float32(nan), np.float32(0.9169), np.float32(0.2746), np.float32(0.8562), np.float32(nan), np.float32(0.8359), np.float32(0.3613), np.float32(0.8183), np.float32(0.4696), np.float32(0.7031), np.float32(0.8501), np.float32(0.9206), np.float32(0.9033), np.float32(0.7367), np.float32(0.7925), np.float32(0.0013), np.float32(0.6174), np.float32(0.452), np.float32(0.7828), np.float32(0.3143), np.float32(0.0606), np.float32(0.9004), np.float32(0.4652), np.float32(0.785), np.float32(0.1736), np.float32(0.4369), np.float32(0.3599), np.float32(0.8923), np.float32(0.8959), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7791), np.float32(0.0913), np.float32(0.6315), np.float32(0.6404), np.float32(0.9471), np.float32(0.9226), np.float32(0.7657), np.float32(0.8177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:42:58.982530: Epoch time: 109.5 s +2026-02-22 02:42:59.866481: +2026-02-22 02:42:59.869502: Epoch 447 +2026-02-22 02:42:59.870313: Current learning rate: 0.00587 +2026-02-22 02:44:59.016761: train_loss -0.0557 +2026-02-22 02:44:59.020859: val_loss -0.0675 +2026-02-22 02:44:59.021882: Pseudo dice [np.float32(0.9066), np.float32(0.9222), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8824), np.float32(nan), np.float32(0.9269), np.float32(nan), np.float32(0.9061), np.float32(0.3177), np.float32(0.8437), np.float32(nan), np.float32(0.8623), np.float32(0.2531), np.float32(0.8565), np.float32(0.0), np.float32(0.7024), np.float32(0.8931), np.float32(0.8806), np.float32(0.8906), np.float32(0.7585), np.float32(0.7846), np.float32(0.4458), np.float32(0.4149), np.float32(0.6158), np.float32(0.7527), np.float32(0.2734), np.float32(0.2418), np.float32(0.9349), np.float32(0.0), np.float32(0.8599), np.float32(0.0006), np.float32(0.4281), np.float32(0.3806), np.float32(0.9158), np.float32(0.9299), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8061), np.float32(0.0), np.float32(0.228), np.float32(0.1989), np.float32(0.7106), np.float32(0.8503), np.float32(0.7644), np.float32(0.8189), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:44:59.022640: Epoch time: 119.15 s +2026-02-22 02:44:59.935537: +2026-02-22 02:44:59.943901: Epoch 448 +2026-02-22 02:44:59.944871: Current learning rate: 0.00586 +2026-02-22 02:46:52.037806: train_loss -0.0594 +2026-02-22 02:46:52.049408: val_loss -0.0806 +2026-02-22 02:46:52.051749: Pseudo dice [np.float32(0.9207), np.float32(0.9302), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.879), np.float32(nan), np.float32(0.9392), np.float32(nan), np.float32(0.9053), np.float32(0.6584), np.float32(0.8531), np.float32(nan), np.float32(0.8666), np.float32(0.3823), np.float32(0.8378), np.float32(0.6583), np.float32(0.655), np.float32(0.8556), np.float32(0.9295), np.float32(0.9113), np.float32(0.7816), np.float32(0.7893), np.float32(0.012), np.float32(0.1152), np.float32(0.32), np.float32(0.8677), np.float32(0.0), np.float32(0.0), np.float32(0.9053), np.float32(0.1581), np.float32(0.8732), np.float32(0.4208), np.float32(0.4501), np.float32(0.3922), np.float32(0.8998), np.float32(0.9154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7995), np.float32(0.1747), np.float32(0.0206), np.float32(0.1551), np.float32(0.8399), np.float32(0.863), np.float32(0.7726), np.float32(0.8097), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:46:52.052692: Epoch time: 112.1 s +2026-02-22 02:46:53.099713: +2026-02-22 02:46:53.109312: Epoch 449 +2026-02-22 02:46:53.110629: Current learning rate: 0.00585 +2026-02-22 02:49:03.397235: train_loss -0.0562 +2026-02-22 02:49:03.409847: val_loss -0.0947 +2026-02-22 02:49:03.411081: Pseudo dice [np.float32(0.9243), np.float32(0.9348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8847), np.float32(nan), np.float32(0.9502), np.float32(nan), np.float32(0.883), np.float32(0.4596), np.float32(0.8536), np.float32(nan), np.float32(0.876), np.float32(0.1768), np.float32(0.7961), np.float32(0.6864), np.float32(0.6801), np.float32(0.8712), np.float32(0.9412), np.float32(0.8942), np.float32(0.7909), np.float32(0.8063), np.float32(0.6879), np.float32(0.3925), np.float32(0.2943), np.float32(0.8226), np.float32(0.1291), np.float32(0.2101), np.float32(0.8951), np.float32(0.0014), np.float32(0.8264), np.float32(0.3645), np.float32(0.4605), np.float32(0.3654), np.float32(0.9573), np.float32(0.9321), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6346), np.float32(0.2371), np.float32(0.4617), np.float32(0.1172), np.float32(0.7749), np.float32(0.7934), np.float32(0.8129), np.float32(0.8133), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:49:03.412064: Epoch time: 130.3 s +2026-02-22 02:49:05.550018: +2026-02-22 02:49:05.551373: Epoch 450 +2026-02-22 02:49:05.552184: Current learning rate: 0.00584 +2026-02-22 02:51:08.555139: train_loss -0.07 +2026-02-22 02:51:08.560364: val_loss -0.078 +2026-02-22 02:51:08.561393: Pseudo dice [np.float32(0.9488), np.float32(0.9575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8767), np.float32(nan), np.float32(0.9134), np.float32(nan), np.float32(0.9276), np.float32(0.0003), np.float32(0.8651), np.float32(nan), np.float32(0.8922), np.float32(0.474), np.float32(0.8146), np.float32(0.6091), np.float32(0.6171), np.float32(0.8724), np.float32(0.9238), np.float32(0.9081), np.float32(0.7728), np.float32(0.7825), np.float32(0.8492), np.float32(0.5377), np.float32(0.0), np.float32(0.7652), np.float32(0.1443), np.float32(0.3023), np.float32(0.927), np.float32(1e-04), np.float32(0.8512), np.float32(0.4861), np.float32(0.446), np.float32(0.356), np.float32(0.9282), np.float32(0.9178), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6793), np.float32(0.3041), np.float32(0.5742), np.float32(0.3367), np.float32(0.7606), np.float32(0.7284), np.float32(0.7872), np.float32(0.8243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:51:08.562145: Epoch time: 123.01 s +2026-02-22 02:51:11.369508: +2026-02-22 02:51:11.372286: Epoch 451 +2026-02-22 02:51:11.373085: Current learning rate: 0.00583 +2026-02-22 02:53:05.857994: train_loss -0.0571 +2026-02-22 02:53:05.861954: val_loss -0.0817 +2026-02-22 02:53:05.862987: Pseudo dice [np.float32(0.9257), np.float32(0.9471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8762), np.float32(nan), np.float32(0.9456), np.float32(nan), np.float32(0.8927), np.float32(0.0), np.float32(0.8689), np.float32(nan), np.float32(0.9105), np.float32(0.6169), np.float32(0.8473), np.float32(0.4938), np.float32(0.6921), np.float32(0.8502), np.float32(0.9357), np.float32(0.8916), np.float32(0.7862), np.float32(0.8091), np.float32(0.1195), np.float32(0.5707), np.float32(0.3841), np.float32(0.8663), np.float32(0.0), np.float32(0.0), np.float32(0.887), np.float32(0.3515), np.float32(0.8365), np.float32(0.1376), np.float32(0.4381), np.float32(0.426), np.float32(0.9269), np.float32(0.8602), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6869), np.float32(0.0032), np.float32(0.7183), np.float32(0.4017), np.float32(0.8191), np.float32(0.8944), np.float32(0.7887), np.float32(0.8093), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:53:05.863734: Epoch time: 114.49 s +2026-02-22 02:53:06.754077: +2026-02-22 02:53:06.755320: Epoch 452 +2026-02-22 02:53:06.756067: Current learning rate: 0.00582 +2026-02-22 02:54:55.609105: train_loss -0.0594 +2026-02-22 02:54:55.637764: val_loss -0.0651 +2026-02-22 02:54:55.646004: Pseudo dice [np.float32(0.9516), np.float32(0.9417), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8886), np.float32(nan), np.float32(0.9495), np.float32(nan), np.float32(0.778), np.float32(0.0), np.float32(0.8612), np.float32(nan), np.float32(0.8504), np.float32(0.135), np.float32(0.8466), np.float32(0.1829), np.float32(0.6343), np.float32(0.8731), np.float32(0.9394), np.float32(0.9187), np.float32(0.7549), np.float32(0.8105), np.float32(0.259), np.float32(0.7034), np.float32(0.2383), np.float32(0.7879), np.float32(0.1063), np.float32(0.1288), np.float32(0.9249), np.float32(0.1221), np.float32(0.7916), np.float32(0.2965), np.float32(0.4129), np.float32(0.373), np.float32(0.8187), np.float32(0.8779), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6908), np.float32(0.6985), np.float32(0.7151), np.float32(0.3008), np.float32(0.9595), np.float32(0.9166), np.float32(0.7986), np.float32(0.8341), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:54:55.653130: Epoch time: 108.86 s +2026-02-22 02:54:56.788272: +2026-02-22 02:54:56.791483: Epoch 453 +2026-02-22 02:54:56.792307: Current learning rate: 0.00581 +2026-02-22 02:56:42.978741: train_loss -0.0538 +2026-02-22 02:56:42.989930: val_loss -0.0689 +2026-02-22 02:56:42.995809: Pseudo dice [np.float32(0.9369), np.float32(0.9055), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8678), np.float32(nan), np.float32(0.9436), np.float32(nan), np.float32(0.9107), np.float32(0.0), np.float32(0.8766), np.float32(nan), np.float32(0.8657), np.float32(0.0677), np.float32(0.8123), np.float32(0.5978), np.float32(0.6049), np.float32(0.8552), np.float32(0.9268), np.float32(0.888), np.float32(0.7215), np.float32(0.7887), np.float32(0.0025), np.float32(0.6015), np.float32(0.0), np.float32(0.8028), np.float32(0.1342), np.float32(0.0079), np.float32(0.9158), np.float32(0.3442), np.float32(0.8133), np.float32(0.0818), np.float32(0.3425), np.float32(0.3747), np.float32(0.9024), np.float32(0.9061), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7405), np.float32(0.3446), np.float32(0.6071), np.float32(0.0), np.float32(0.8122), np.float32(0.6482), np.float32(0.7876), np.float32(0.7989), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:56:42.996794: Epoch time: 106.19 s +2026-02-22 02:56:44.009214: +2026-02-22 02:56:44.023182: Epoch 454 +2026-02-22 02:56:44.024006: Current learning rate: 0.0058 +2026-02-22 02:58:38.109286: train_loss -0.0575 +2026-02-22 02:58:38.121574: val_loss -0.088 +2026-02-22 02:58:38.125628: Pseudo dice [np.float32(0.9541), np.float32(0.9456), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8575), np.float32(nan), np.float32(0.9501), np.float32(nan), np.float32(0.881), np.float32(0.3609), np.float32(0.8773), np.float32(nan), np.float32(0.9037), np.float32(0.6625), np.float32(0.8011), np.float32(0.6758), np.float32(0.6954), np.float32(0.8822), np.float32(0.9292), np.float32(0.9015), np.float32(0.7434), np.float32(0.807), np.float32(0.6483), np.float32(0.4244), np.float32(0.4795), np.float32(0.8178), np.float32(0.1063), np.float32(0.0616), np.float32(0.9291), np.float32(0.0049), np.float32(0.8372), np.float32(0.5635), np.float32(0.46), np.float32(0.3475), np.float32(0.8997), np.float32(0.8719), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6778), np.float32(0.5148), np.float32(0.8009), np.float32(0.1216), np.float32(0.864), np.float32(0.9134), np.float32(0.8125), np.float32(0.8398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 02:58:38.130842: Epoch time: 114.1 s +2026-02-22 02:58:38.131543: Yayy! New best EMA pseudo Dice: 0.6348000168800354 +2026-02-22 02:58:39.972848: +2026-02-22 02:58:39.974099: Epoch 455 +2026-02-22 02:58:39.974925: Current learning rate: 0.00579 +2026-02-22 03:00:45.306123: train_loss -0.0558 +2026-02-22 03:00:45.311402: val_loss -0.0767 +2026-02-22 03:00:45.313663: Pseudo dice [np.float32(0.9419), np.float32(0.9499), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8764), np.float32(nan), np.float32(0.9483), np.float32(nan), np.float32(0.9255), np.float32(0.0008), np.float32(0.8655), np.float32(nan), np.float32(0.8826), np.float32(0.4965), np.float32(0.8147), np.float32(0.3628), np.float32(0.659), np.float32(0.8656), np.float32(0.9294), np.float32(0.8997), np.float32(0.7833), np.float32(0.8083), np.float32(0.0159), np.float32(0.5205), np.float32(0.6633), np.float32(0.8155), np.float32(0.1329), np.float32(0.0127), np.float32(0.9188), np.float32(0.0), np.float32(0.7812), np.float32(0.5925), np.float32(0.4815), np.float32(0.3836), np.float32(0.9139), np.float32(0.8826), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7741), np.float32(0.0082), np.float32(0.39), np.float32(0.0983), np.float32(0.6912), np.float32(0.8013), np.float32(0.7678), np.float32(0.8276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:00:45.314758: Epoch time: 125.34 s +2026-02-22 03:00:46.282959: +2026-02-22 03:00:46.289268: Epoch 456 +2026-02-22 03:00:46.290323: Current learning rate: 0.00578 +2026-02-22 03:02:42.328560: train_loss -0.0493 +2026-02-22 03:02:42.342930: val_loss -0.0401 +2026-02-22 03:02:42.344925: Pseudo dice [np.float32(0.9075), np.float32(0.9342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8745), np.float32(nan), np.float32(0.8242), np.float32(nan), np.float32(0.9352), np.float32(0.0), np.float32(0.8534), np.float32(nan), np.float32(0.8794), np.float32(0.4276), np.float32(0.8339), np.float32(0.5237), np.float32(0.7438), np.float32(0.8683), np.float32(0.8683), np.float32(0.8709), np.float32(0.7762), np.float32(0.7142), np.float32(0.6975), np.float32(0.6317), np.float32(0.3011), np.float32(0.6669), np.float32(0.0), np.float32(1e-04), np.float32(0.8879), np.float32(0.0), np.float32(0.8048), np.float32(0.1756), np.float32(0.4497), np.float32(0.3841), np.float32(0.8445), np.float32(0.8724), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7181), np.float32(0.4488), np.float32(0.4062), np.float32(0.1531), np.float32(0.8366), np.float32(0.8802), np.float32(0.7964), np.float32(0.805), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:02:42.346413: Epoch time: 116.05 s +2026-02-22 03:02:43.221248: +2026-02-22 03:02:43.239398: Epoch 457 +2026-02-22 03:02:43.242738: Current learning rate: 0.00577 +2026-02-22 03:04:36.684216: train_loss -0.0479 +2026-02-22 03:04:36.688452: val_loss -0.0414 +2026-02-22 03:04:36.690088: Pseudo dice [np.float32(0.9335), np.float32(0.9016), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8641), np.float32(nan), np.float32(0.8792), np.float32(nan), np.float32(0.7927), np.float32(0.0119), np.float32(0.8577), np.float32(nan), np.float32(0.8425), np.float32(0.4619), np.float32(0.8236), np.float32(0.0958), np.float32(0.6205), np.float32(0.8528), np.float32(0.8615), np.float32(0.8743), np.float32(0.6814), np.float32(0.7781), np.float32(0.0004), np.float32(0.2376), np.float32(0.5338), np.float32(0.8099), np.float32(0.0), np.float32(0.0), np.float32(0.9336), np.float32(0.4549), np.float32(0.8208), np.float32(0.1233), np.float32(0.4038), np.float32(0.3383), np.float32(0.929), np.float32(0.931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7362), np.float32(0.7281), np.float32(0.7355), np.float32(0.0981), np.float32(0.6981), np.float32(0.847), np.float32(0.7614), np.float32(0.789), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:04:36.690907: Epoch time: 113.47 s +2026-02-22 03:04:37.563776: +2026-02-22 03:04:37.569419: Epoch 458 +2026-02-22 03:04:37.572660: Current learning rate: 0.00576 +2026-02-22 03:06:33.561191: train_loss -0.0533 +2026-02-22 03:06:33.567941: val_loss -0.0414 +2026-02-22 03:06:33.568984: Pseudo dice [np.float32(0.9051), np.float32(0.9343), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8896), np.float32(nan), np.float32(0.8942), np.float32(nan), np.float32(0.9232), np.float32(0.3794), np.float32(0.8535), np.float32(nan), np.float32(0.8519), np.float32(0.51), np.float32(0.8391), np.float32(0.3639), np.float32(0.631), np.float32(0.843), np.float32(0.9096), np.float32(0.8833), np.float32(0.7245), np.float32(0.7777), np.float32(0.8243), np.float32(0.6109), np.float32(0.3472), np.float32(0.7861), np.float32(0.2863), np.float32(0.0), np.float32(0.8927), np.float32(0.2982), np.float32(0.7975), np.float32(0.4261), np.float32(0.4149), np.float32(0.3267), np.float32(0.9086), np.float32(0.9175), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6503), np.float32(0.0473), np.float32(0.4841), np.float32(0.4504), np.float32(0.4449), np.float32(0.748), np.float32(0.7798), np.float32(0.8187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:06:33.569968: Epoch time: 116.0 s +2026-02-22 03:06:34.813372: +2026-02-22 03:06:34.818536: Epoch 459 +2026-02-22 03:06:34.819593: Current learning rate: 0.00575 +2026-02-22 03:08:36.613384: train_loss -0.0507 +2026-02-22 03:08:36.617867: val_loss -0.0705 +2026-02-22 03:08:36.619138: Pseudo dice [np.float32(0.9648), np.float32(0.9666), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8646), np.float32(nan), np.float32(0.948), np.float32(nan), np.float32(0.8886), np.float32(0.4366), np.float32(0.8554), np.float32(nan), np.float32(0.8622), np.float32(0.0889), np.float32(0.8425), np.float32(0.0257), np.float32(0.6354), np.float32(0.8624), np.float32(0.9357), np.float32(0.9055), np.float32(0.7581), np.float32(0.7921), np.float32(0.2468), np.float32(0.4158), np.float32(0.6334), np.float32(0.8392), np.float32(0.4242), np.float32(0.0089), np.float32(0.8429), np.float32(0.0476), np.float32(0.8572), np.float32(0.0042), np.float32(0.4344), np.float32(0.3542), np.float32(0.9056), np.float32(0.8846), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7031), np.float32(0.0002), np.float32(0.4047), np.float32(0.5311), np.float32(0.737), np.float32(0.6971), np.float32(0.7863), np.float32(0.8069), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:08:36.620395: Epoch time: 121.8 s +2026-02-22 03:08:37.485183: +2026-02-22 03:08:37.487342: Epoch 460 +2026-02-22 03:08:37.488384: Current learning rate: 0.00574 +2026-02-22 03:10:38.374260: train_loss -0.0524 +2026-02-22 03:10:38.378337: val_loss -0.0978 +2026-02-22 03:10:38.379381: Pseudo dice [np.float32(0.9342), np.float32(0.9468), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8653), np.float32(nan), np.float32(0.9572), np.float32(nan), np.float32(0.9193), np.float32(0.0), np.float32(0.8735), np.float32(nan), np.float32(0.8754), np.float32(0.4941), np.float32(0.8414), np.float32(0.2204), np.float32(0.6892), np.float32(0.8834), np.float32(0.9306), np.float32(0.9267), np.float32(0.7469), np.float32(0.7875), np.float32(0.0702), np.float32(0.4985), np.float32(0.4352), np.float32(0.8473), np.float32(0.2434), np.float32(0.2828), np.float32(0.9084), np.float32(0.0626), np.float32(0.8271), np.float32(0.3509), np.float32(0.5065), np.float32(0.4098), np.float32(0.939), np.float32(0.9249), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7914), np.float32(0.0032), np.float32(0.7645), np.float32(0.4723), np.float32(0.797), np.float32(0.8425), np.float32(0.7801), np.float32(0.8186), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:10:38.380363: Epoch time: 120.89 s +2026-02-22 03:10:39.253363: +2026-02-22 03:10:39.254696: Epoch 461 +2026-02-22 03:10:39.255506: Current learning rate: 0.00573 +2026-02-22 03:12:37.449815: train_loss -0.0683 +2026-02-22 03:12:37.456725: val_loss -0.0769 +2026-02-22 03:12:37.457757: Pseudo dice [np.float32(0.9024), np.float32(0.9398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8731), np.float32(nan), np.float32(0.8979), np.float32(nan), np.float32(0.8855), np.float32(0.0), np.float32(0.8646), np.float32(nan), np.float32(0.8929), np.float32(0.1241), np.float32(0.8285), np.float32(0.3097), np.float32(0.6511), np.float32(0.8713), np.float32(0.9199), np.float32(0.8785), np.float32(0.76), np.float32(0.7871), np.float32(0.7971), np.float32(0.6829), np.float32(0.6586), np.float32(0.8731), np.float32(0.0744), np.float32(0.0), np.float32(0.9158), np.float32(0.0162), np.float32(0.8317), np.float32(0.4978), np.float32(0.4137), np.float32(0.3753), np.float32(0.9631), np.float32(0.9486), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8312), np.float32(0.0004), np.float32(0.7429), np.float32(0.71), np.float32(0.9059), np.float32(0.8546), np.float32(0.7745), np.float32(0.8217), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:12:37.458751: Epoch time: 118.2 s +2026-02-22 03:12:37.459512: Yayy! New best EMA pseudo Dice: 0.6380000114440918 +2026-02-22 03:12:39.929509: +2026-02-22 03:12:39.931349: Epoch 462 +2026-02-22 03:12:39.932177: Current learning rate: 0.00572 +2026-02-22 03:14:39.254516: train_loss -0.0574 +2026-02-22 03:14:39.264582: val_loss -0.0774 +2026-02-22 03:14:39.266418: Pseudo dice [np.float32(0.9288), np.float32(0.9167), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8547), np.float32(nan), np.float32(0.9467), np.float32(nan), np.float32(0.948), np.float32(0.5791), np.float32(0.8536), np.float32(nan), np.float32(0.9138), np.float32(0.5048), np.float32(0.817), np.float32(0.6299), np.float32(0.627), np.float32(0.8605), np.float32(0.9316), np.float32(0.9013), np.float32(0.75), np.float32(0.7942), np.float32(0.8363), np.float32(0.2251), np.float32(0.6877), np.float32(0.8265), np.float32(0.0091), np.float32(0.0006), np.float32(0.9124), np.float32(0.0162), np.float32(0.8836), np.float32(0.0), np.float32(0.5002), np.float32(0.3982), np.float32(0.9297), np.float32(0.9225), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7076), np.float32(0.0011), np.float32(0.5495), np.float32(0.3864), np.float32(0.8373), np.float32(0.8697), np.float32(0.7712), np.float32(0.8106), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:14:39.270361: Epoch time: 119.33 s +2026-02-22 03:14:39.275867: Yayy! New best EMA pseudo Dice: 0.6403999924659729 +2026-02-22 03:14:41.461049: +2026-02-22 03:14:41.462389: Epoch 463 +2026-02-22 03:14:41.463191: Current learning rate: 0.00571 +2026-02-22 03:16:39.202695: train_loss -0.055 +2026-02-22 03:16:39.207405: val_loss -0.055 +2026-02-22 03:16:39.209551: Pseudo dice [np.float32(0.9189), np.float32(0.9103), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8526), np.float32(nan), np.float32(0.9172), np.float32(nan), np.float32(0.9038), np.float32(0.187), np.float32(0.8793), np.float32(nan), np.float32(0.8432), np.float32(0.6637), np.float32(0.8026), np.float32(0.2809), np.float32(0.6437), np.float32(0.8619), np.float32(0.9005), np.float32(0.8844), np.float32(0.7391), np.float32(0.7827), np.float32(0.0003), np.float32(0.4711), np.float32(0.6808), np.float32(0.8475), np.float32(0.0865), np.float32(0.0), np.float32(0.9037), np.float32(0.3573), np.float32(0.8403), np.float32(0.2739), np.float32(0.3869), np.float32(0.3771), np.float32(0.9315), np.float32(0.9562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7889), np.float32(0.0), np.float32(0.3339), np.float32(0.2291), np.float32(0.8051), np.float32(0.6781), np.float32(0.7406), np.float32(0.7896), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:16:39.211744: Epoch time: 117.74 s +2026-02-22 03:16:40.257652: +2026-02-22 03:16:40.276814: Epoch 464 +2026-02-22 03:16:40.278462: Current learning rate: 0.0057 +2026-02-22 03:18:43.580311: train_loss -0.0603 +2026-02-22 03:18:43.585515: val_loss -0.0385 +2026-02-22 03:18:43.586549: Pseudo dice [np.float32(0.917), np.float32(0.9232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8573), np.float32(nan), np.float32(0.9269), np.float32(nan), np.float32(0.8215), np.float32(0.0), np.float32(0.8448), np.float32(0.0), np.float32(0.8605), np.float32(0.5489), np.float32(0.8229), np.float32(0.1695), np.float32(0.6817), np.float32(0.8616), np.float32(0.922), np.float32(0.8875), np.float32(0.7598), np.float32(0.7682), np.float32(0.1763), np.float32(0.5604), np.float32(0.0), np.float32(0.8679), np.float32(0.2903), np.float32(0.1768), np.float32(0.9184), np.float32(0.0137), np.float32(0.8012), np.float32(0.227), np.float32(0.4056), np.float32(0.3678), np.float32(0.8287), np.float32(0.8292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7955), np.float32(0.0148), np.float32(0.0242), np.float32(0.0), np.float32(0.8907), np.float32(0.8192), np.float32(0.7443), np.float32(0.7834), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:18:43.587557: Epoch time: 123.33 s +2026-02-22 03:18:44.498771: +2026-02-22 03:18:44.500122: Epoch 465 +2026-02-22 03:18:44.500922: Current learning rate: 0.0057 +2026-02-22 03:20:44.415558: train_loss -0.0633 +2026-02-22 03:20:44.432454: val_loss -0.085 +2026-02-22 03:20:44.434850: Pseudo dice [np.float32(0.9469), np.float32(0.9292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8643), np.float32(nan), np.float32(0.9486), np.float32(nan), np.float32(0.8527), np.float32(0.2028), np.float32(0.8589), np.float32(nan), np.float32(0.8316), np.float32(0.3777), np.float32(0.8376), np.float32(0.1709), np.float32(0.6905), np.float32(0.8758), np.float32(0.9356), np.float32(0.9074), np.float32(0.7732), np.float32(0.7999), np.float32(0.0538), np.float32(0.4897), np.float32(0.6533), np.float32(0.8506), np.float32(0.2328), np.float32(0.3675), np.float32(0.8495), np.float32(0.3567), np.float32(0.8275), np.float32(0.4527), np.float32(0.463), np.float32(0.3953), np.float32(0.8709), np.float32(0.9206), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6967), np.float32(0.7279), np.float32(0.4771), np.float32(0.2971), np.float32(0.6267), np.float32(0.3222), np.float32(0.7869), np.float32(0.825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:20:44.435825: Epoch time: 119.92 s +2026-02-22 03:20:45.364760: +2026-02-22 03:20:45.379871: Epoch 466 +2026-02-22 03:20:45.386653: Current learning rate: 0.00569 +2026-02-22 03:22:51.492774: train_loss -0.0626 +2026-02-22 03:22:51.512767: val_loss -0.0723 +2026-02-22 03:22:51.517322: Pseudo dice [np.float32(0.9321), np.float32(0.918), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8525), np.float32(nan), np.float32(0.9446), np.float32(nan), np.float32(0.9071), np.float32(0.3303), np.float32(0.8715), np.float32(0.0), np.float32(0.8343), np.float32(0.526), np.float32(0.8261), np.float32(0.6036), np.float32(0.6648), np.float32(0.8835), np.float32(0.9282), np.float32(0.899), np.float32(0.7791), np.float32(0.807), np.float32(0.5672), np.float32(0.76), np.float32(0.6765), np.float32(0.8035), np.float32(0.0803), np.float32(0.0802), np.float32(0.8817), np.float32(0.5329), np.float32(0.8413), np.float32(0.4855), np.float32(0.5281), np.float32(0.4141), np.float32(0.9658), np.float32(0.959), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8223), np.float32(0.0), np.float32(0.0015), np.float32(0.0), np.float32(0.9283), np.float32(0.7982), np.float32(0.7706), np.float32(0.815), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:22:51.526306: Epoch time: 126.13 s +2026-02-22 03:22:52.418198: +2026-02-22 03:22:52.419547: Epoch 467 +2026-02-22 03:22:52.420357: Current learning rate: 0.00568 +2026-02-22 03:24:45.564277: train_loss -0.0637 +2026-02-22 03:24:45.594978: val_loss -0.0535 +2026-02-22 03:24:45.596210: Pseudo dice [np.float32(0.9261), np.float32(0.9263), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8783), np.float32(nan), np.float32(0.9261), np.float32(nan), np.float32(0.8528), np.float32(0.0), np.float32(0.8752), np.float32(nan), np.float32(0.8859), np.float32(0.2575), np.float32(0.8346), np.float32(0.3629), np.float32(0.6849), np.float32(0.8778), np.float32(0.928), np.float32(0.8934), np.float32(0.7725), np.float32(0.8063), np.float32(0.0036), np.float32(0.4291), np.float32(0.6134), np.float32(0.8486), np.float32(0.0023), np.float32(0.0565), np.float32(0.9308), np.float32(0.287), np.float32(0.8293), np.float32(0.2458), np.float32(0.3961), np.float32(0.3504), np.float32(0.8903), np.float32(0.871), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7896), np.float32(0.0289), np.float32(0.4901), np.float32(0.1457), np.float32(0.8214), np.float32(0.8824), np.float32(0.7689), np.float32(0.8123), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:24:45.596964: Epoch time: 113.15 s +2026-02-22 03:24:46.652349: +2026-02-22 03:24:46.663240: Epoch 468 +2026-02-22 03:24:46.664284: Current learning rate: 0.00567 +2026-02-22 03:26:44.624070: train_loss -0.0618 +2026-02-22 03:26:44.627977: val_loss -0.0481 +2026-02-22 03:26:44.629168: Pseudo dice [np.float32(0.9305), np.float32(0.9476), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.856), np.float32(nan), np.float32(0.9193), np.float32(nan), np.float32(0.8307), np.float32(0.1786), np.float32(0.8701), np.float32(nan), np.float32(0.8685), np.float32(0.4178), np.float32(0.8352), np.float32(0.4683), np.float32(0.6287), np.float32(0.8775), np.float32(0.8816), np.float32(0.8583), np.float32(0.7509), np.float32(0.7348), np.float32(0.0039), np.float32(0.1013), np.float32(0.4521), np.float32(0.8181), np.float32(0.0), np.float32(0.0), np.float32(0.8758), np.float32(0.096), np.float32(0.7876), np.float32(0.5012), np.float32(0.3746), np.float32(0.3682), np.float32(0.8406), np.float32(0.9182), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7183), np.float32(0.3436), np.float32(0.2203), np.float32(0.041), np.float32(0.9152), np.float32(0.8833), np.float32(0.7607), np.float32(0.7849), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:26:44.630004: Epoch time: 117.97 s +2026-02-22 03:26:45.833743: +2026-02-22 03:26:45.837333: Epoch 469 +2026-02-22 03:26:45.838156: Current learning rate: 0.00566 +2026-02-22 03:28:42.527497: train_loss -0.0388 +2026-02-22 03:28:42.535911: val_loss -0.0608 +2026-02-22 03:28:42.537149: Pseudo dice [np.float32(0.911), np.float32(0.92), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.887), np.float32(nan), np.float32(0.9268), np.float32(nan), np.float32(0.868), np.float32(0.728), np.float32(0.8624), np.float32(0.0), np.float32(0.8567), np.float32(0.2918), np.float32(0.8339), np.float32(0.7031), np.float32(0.6394), np.float32(0.8634), np.float32(0.9316), np.float32(0.8899), np.float32(0.7617), np.float32(0.7396), np.float32(0.3064), np.float32(0.4742), np.float32(0.6069), np.float32(0.7889), np.float32(0.0007), np.float32(0.0036), np.float32(0.9243), np.float32(0.1245), np.float32(0.798), np.float32(0.3028), np.float32(0.3581), np.float32(0.3838), np.float32(0.8685), np.float32(0.8992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7681), np.float32(0.4679), np.float32(0.4726), np.float32(0.6517), np.float32(0.9251), np.float32(0.9361), np.float32(0.7366), np.float32(0.8204), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:28:42.538347: Epoch time: 116.7 s +2026-02-22 03:28:43.567634: +2026-02-22 03:28:43.577610: Epoch 470 +2026-02-22 03:28:43.578695: Current learning rate: 0.00565 +2026-02-22 03:30:46.282225: train_loss -0.0638 +2026-02-22 03:30:46.302773: val_loss -0.066 +2026-02-22 03:30:46.304704: Pseudo dice [np.float32(0.9406), np.float32(0.9165), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8695), np.float32(nan), np.float32(0.9419), np.float32(nan), np.float32(0.9231), np.float32(0.4803), np.float32(0.8603), np.float32(nan), np.float32(0.8695), np.float32(0.3705), np.float32(0.787), np.float32(0.6654), np.float32(0.6067), np.float32(0.865), np.float32(0.9192), np.float32(0.8939), np.float32(0.7138), np.float32(0.7491), np.float32(0.036), np.float32(0.5638), np.float32(0.495), np.float32(0.8007), np.float32(0.2331), np.float32(0.0), np.float32(0.9), np.float32(0.0543), np.float32(0.8369), np.float32(0.5806), np.float32(0.4154), np.float32(0.3833), np.float32(0.9385), np.float32(0.9166), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7336), np.float32(0.6254), np.float32(0.7094), np.float32(0.3205), np.float32(0.8814), np.float32(0.8251), np.float32(0.7738), np.float32(0.8157), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:30:46.305697: Epoch time: 122.72 s +2026-02-22 03:30:47.384578: +2026-02-22 03:30:47.390043: Epoch 471 +2026-02-22 03:30:47.390931: Current learning rate: 0.00564 +2026-02-22 03:32:49.549441: train_loss -0.037 +2026-02-22 03:32:49.559210: val_loss -0.04 +2026-02-22 03:32:49.567477: Pseudo dice [np.float32(0.9139), np.float32(0.9244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8385), np.float32(nan), np.float32(0.93), np.float32(nan), np.float32(0.904), np.float32(0.4258), np.float32(0.8321), np.float32(0.0), np.float32(0.807), np.float32(0.4241), np.float32(0.8123), np.float32(0.5198), np.float32(0.6353), np.float32(0.8468), np.float32(0.8737), np.float32(0.8856), np.float32(0.7183), np.float32(0.7863), np.float32(0.0005), np.float32(0.354), np.float32(0.0), np.float32(0.8935), np.float32(0.0), np.float32(0.0), np.float32(0.8061), np.float32(0.0), np.float32(0.774), np.float32(0.3267), np.float32(0.5014), np.float32(0.3808), np.float32(0.8914), np.float32(0.877), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.731), np.float32(0.0), np.float32(0.6365), np.float32(0.5213), np.float32(0.8481), np.float32(0.8385), np.float32(0.7421), np.float32(0.7866), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:32:49.571321: Epoch time: 122.17 s +2026-02-22 03:32:50.456962: +2026-02-22 03:32:50.458511: Epoch 472 +2026-02-22 03:32:50.459334: Current learning rate: 0.00563 +2026-02-22 03:34:46.225240: train_loss -0.0639 +2026-02-22 03:34:46.246479: val_loss -0.0868 +2026-02-22 03:34:46.256354: Pseudo dice [np.float32(0.9495), np.float32(0.9311), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9307), np.float32(nan), np.float32(0.8365), np.float32(0.0226), np.float32(0.8681), np.float32(nan), np.float32(0.8978), np.float32(0.5157), np.float32(0.8326), np.float32(0.6249), np.float32(0.6266), np.float32(0.8813), np.float32(0.9343), np.float32(0.9016), np.float32(0.7588), np.float32(0.7788), np.float32(0.0034), np.float32(0.4618), np.float32(0.0552), np.float32(0.8561), np.float32(0.0716), np.float32(0.0005), np.float32(0.9136), np.float32(0.0162), np.float32(0.8138), np.float32(0.5041), np.float32(0.5056), np.float32(0.429), np.float32(0.9345), np.float32(0.9209), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8139), np.float32(0.0), np.float32(0.3005), np.float32(0.5472), np.float32(0.8242), np.float32(0.8039), np.float32(0.768), np.float32(0.8078), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:34:46.261960: Epoch time: 115.77 s +2026-02-22 03:34:47.351909: +2026-02-22 03:34:47.355981: Epoch 473 +2026-02-22 03:34:47.356799: Current learning rate: 0.00562 +2026-02-22 03:36:52.620502: train_loss -0.0457 +2026-02-22 03:36:52.644657: val_loss -0.0598 +2026-02-22 03:36:52.647862: Pseudo dice [np.float32(0.9141), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8796), np.float32(nan), np.float32(0.955), np.float32(nan), np.float32(0.8158), np.float32(0.0002), np.float32(0.8637), np.float32(nan), np.float32(0.8138), np.float32(0.3791), np.float32(0.812), np.float32(0.5714), np.float32(0.6456), np.float32(0.8753), np.float32(0.9276), np.float32(0.8998), np.float32(0.7444), np.float32(0.7839), np.float32(0.0), np.float32(0.2696), np.float32(0.276), np.float32(0.7964), np.float32(0.003), np.float32(1e-04), np.float32(0.9316), np.float32(0.0), np.float32(0.8408), np.float32(0.6279), np.float32(0.395), np.float32(0.3701), np.float32(0.9335), np.float32(0.8823), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8153), np.float32(0.8149), np.float32(0.0311), np.float32(0.0382), np.float32(0.9447), np.float32(0.9043), np.float32(0.7972), np.float32(0.8074), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:36:52.649624: Epoch time: 125.27 s +2026-02-22 03:36:53.539262: +2026-02-22 03:36:53.540345: Epoch 474 +2026-02-22 03:36:53.541137: Current learning rate: 0.00561 +2026-02-22 03:38:45.533697: train_loss -0.0631 +2026-02-22 03:38:45.555638: val_loss -0.037 +2026-02-22 03:38:45.556899: Pseudo dice [np.float32(0.9358), np.float32(0.9366), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8719), np.float32(nan), np.float32(0.8949), np.float32(nan), np.float32(0.9281), np.float32(0.5149), np.float32(0.8497), np.float32(nan), np.float32(0.8611), np.float32(0.4749), np.float32(0.8155), np.float32(0.395), np.float32(0.6622), np.float32(0.8769), np.float32(0.9089), np.float32(0.8827), np.float32(0.6954), np.float32(0.7889), np.float32(0.6293), np.float32(0.369), np.float32(0.2243), np.float32(0.8725), np.float32(0.0124), np.float32(0.0351), np.float32(0.9008), np.float32(0.2424), np.float32(0.777), np.float32(0.4448), np.float32(0.402), np.float32(0.3677), np.float32(0.885), np.float32(0.8918), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7386), np.float32(0.0015), np.float32(0.5302), np.float32(0.0009), np.float32(0.8096), np.float32(0.8498), np.float32(0.7652), np.float32(0.7982), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:38:45.558218: Epoch time: 112.0 s +2026-02-22 03:38:48.256100: +2026-02-22 03:38:48.261113: Epoch 475 +2026-02-22 03:38:48.261995: Current learning rate: 0.0056 +2026-02-22 03:40:33.384526: train_loss -0.0388 +2026-02-22 03:40:33.404332: val_loss -0.0417 +2026-02-22 03:40:33.410127: Pseudo dice [np.float32(0.9497), np.float32(0.9412), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8756), np.float32(nan), np.float32(0.924), np.float32(nan), np.float32(0.7902), np.float32(0.0), np.float32(0.8595), np.float32(nan), np.float32(0.8591), np.float32(0.535), np.float32(0.817), np.float32(0.721), np.float32(0.6826), np.float32(0.8296), np.float32(0.9266), np.float32(0.8829), np.float32(0.7646), np.float32(0.7918), np.float32(0.5139), np.float32(0.1072), np.float32(0.6789), np.float32(0.8548), np.float32(0.0), np.float32(0.0), np.float32(0.8698), np.float32(0.0), np.float32(0.8513), np.float32(0.227), np.float32(0.3731), np.float32(0.3684), np.float32(0.7941), np.float32(0.8676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6611), np.float32(0.2556), np.float32(0.6545), np.float32(0.6615), np.float32(0.6808), np.float32(0.8318), np.float32(0.8042), np.float32(0.8289), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:40:33.411201: Epoch time: 105.13 s +2026-02-22 03:40:34.274999: +2026-02-22 03:40:34.275986: Epoch 476 +2026-02-22 03:40:34.276786: Current learning rate: 0.00559 +2026-02-22 03:42:24.946301: train_loss -0.0297 +2026-02-22 03:42:24.952821: val_loss -0.0394 +2026-02-22 03:42:24.953861: Pseudo dice [np.float32(0.9258), np.float32(0.9031), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8579), np.float32(nan), np.float32(0.9398), np.float32(nan), np.float32(0.859), np.float32(0.1019), np.float32(0.8582), np.float32(nan), np.float32(0.8478), np.float32(0.557), np.float32(0.7878), np.float32(0.4836), np.float32(0.6236), np.float32(0.8555), np.float32(0.9041), np.float32(0.8769), np.float32(0.7549), np.float32(0.781), np.float32(0.5035), np.float32(0.1554), np.float32(0.2482), np.float32(0.7575), np.float32(0.0), np.float32(0.0003), np.float32(0.9486), np.float32(0.6744), np.float32(0.8122), np.float32(0.0), np.float32(0.3935), np.float32(0.3599), np.float32(0.9198), np.float32(0.9379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8097), np.float32(0.0), np.float32(0.5022), np.float32(0.634), np.float32(0.6749), np.float32(0.7849), np.float32(0.7449), np.float32(0.7888), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:42:24.954835: Epoch time: 110.67 s +2026-02-22 03:42:26.014957: +2026-02-22 03:42:26.019112: Epoch 477 +2026-02-22 03:42:26.019914: Current learning rate: 0.00558 +2026-02-22 03:44:21.683700: train_loss -0.0607 +2026-02-22 03:44:21.696348: val_loss -0.0795 +2026-02-22 03:44:21.698476: Pseudo dice [np.float32(0.9342), np.float32(0.8816), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.882), np.float32(nan), np.float32(0.9514), np.float32(nan), np.float32(0.9111), np.float32(0.2771), np.float32(0.8593), np.float32(nan), np.float32(0.7999), np.float32(0.2541), np.float32(0.8252), np.float32(0.5715), np.float32(0.6817), np.float32(0.8538), np.float32(0.918), np.float32(0.8989), np.float32(0.7205), np.float32(0.7805), np.float32(0.1775), np.float32(0.6234), np.float32(0.5493), np.float32(0.8552), np.float32(0.0669), np.float32(0.1573), np.float32(0.8951), np.float32(0.0022), np.float32(0.8523), np.float32(0.3989), np.float32(0.3807), np.float32(0.3761), np.float32(0.9646), np.float32(0.9453), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7189), np.float32(0.0), np.float32(0.8337), np.float32(0.5908), np.float32(0.9028), np.float32(0.9225), np.float32(0.8039), np.float32(0.821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:44:21.699470: Epoch time: 115.67 s +2026-02-22 03:44:22.698057: +2026-02-22 03:44:22.704764: Epoch 478 +2026-02-22 03:44:22.705546: Current learning rate: 0.00557 +2026-02-22 03:46:28.939775: train_loss -0.052 +2026-02-22 03:46:28.957984: val_loss -0.0053 +2026-02-22 03:46:28.958925: Pseudo dice [np.float32(0.8839), np.float32(0.896), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8565), np.float32(nan), np.float32(0.8704), np.float32(nan), np.float32(0.8408), np.float32(0.1379), np.float32(0.8006), np.float32(nan), np.float32(0.8083), np.float32(0.1168), np.float32(0.784), np.float32(0.0), np.float32(0.6262), np.float32(0.8562), np.float32(0.8448), np.float32(0.8168), np.float32(0.6752), np.float32(0.6705), np.float32(0.831), np.float32(0.3758), np.float32(0.0336), np.float32(0.7806), np.float32(0.1152), np.float32(0.3407), np.float32(0.8811), np.float32(0.4569), np.float32(0.7729), np.float32(0.0), np.float32(0.3854), np.float32(0.3695), np.float32(0.8417), np.float32(0.8829), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7538), np.float32(0.0), np.float32(0.013), np.float32(0.0073), np.float32(0.7539), np.float32(0.8071), np.float32(0.707), np.float32(0.7837), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:46:28.960011: Epoch time: 126.24 s +2026-02-22 03:46:29.901546: +2026-02-22 03:46:29.902744: Epoch 479 +2026-02-22 03:46:29.903820: Current learning rate: 0.00556 +2026-02-22 03:48:31.029700: train_loss -0.048 +2026-02-22 03:48:31.033643: val_loss -0.0589 +2026-02-22 03:48:31.035729: Pseudo dice [np.float32(0.9401), np.float32(0.9028), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.9471), np.float32(nan), np.float32(0.8929), np.float32(0.0), np.float32(0.8457), np.float32(nan), np.float32(0.8598), np.float32(0.1362), np.float32(0.839), np.float32(0.2951), np.float32(0.6731), np.float32(0.8497), np.float32(0.9084), np.float32(0.8908), np.float32(0.7278), np.float32(0.7657), np.float32(0.0098), np.float32(0.5677), np.float32(0.6909), np.float32(0.8503), np.float32(0.0), np.float32(0.0), np.float32(0.9409), np.float32(0.2015), np.float32(0.8284), np.float32(0.0), np.float32(0.455), np.float32(0.3927), np.float32(0.8648), np.float32(0.8891), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6341), np.float32(0.4587), np.float32(0.7497), np.float32(0.376), np.float32(0.9336), np.float32(0.924), np.float32(0.7843), np.float32(0.8399), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:48:31.037199: Epoch time: 121.13 s +2026-02-22 03:48:31.908488: +2026-02-22 03:48:31.912969: Epoch 480 +2026-02-22 03:48:31.913771: Current learning rate: 0.00555 +2026-02-22 03:50:30.836930: train_loss -0.0535 +2026-02-22 03:50:30.860009: val_loss -0.0823 +2026-02-22 03:50:30.868260: Pseudo dice [np.float32(0.9371), np.float32(0.918), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8624), np.float32(nan), np.float32(0.9538), np.float32(nan), np.float32(0.8819), np.float32(0.0), np.float32(0.8597), np.float32(nan), np.float32(0.899), np.float32(0.0353), np.float32(0.8269), np.float32(0.2601), np.float32(0.633), np.float32(0.8736), np.float32(0.9032), np.float32(0.9125), np.float32(0.739), np.float32(0.7942), np.float32(0.2779), np.float32(0.4544), np.float32(0.7702), np.float32(0.7613), np.float32(0.1286), np.float32(0.0616), np.float32(0.9349), np.float32(0.0264), np.float32(0.7822), np.float32(0.2257), np.float32(0.3199), np.float32(0.421), np.float32(0.9693), np.float32(0.9753), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8054), np.float32(0.0052), np.float32(0.5716), np.float32(0.0016), np.float32(0.9048), np.float32(0.8037), np.float32(0.7675), np.float32(0.8143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:50:30.874155: Epoch time: 118.93 s +2026-02-22 03:50:32.100489: +2026-02-22 03:50:32.104136: Epoch 481 +2026-02-22 03:50:32.104961: Current learning rate: 0.00554 +2026-02-22 03:52:38.307870: train_loss -0.0461 +2026-02-22 03:52:38.343956: val_loss -0.0914 +2026-02-22 03:52:38.353904: Pseudo dice [np.float32(0.9427), np.float32(0.9445), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8704), np.float32(nan), np.float32(0.9583), np.float32(nan), np.float32(0.9335), np.float32(0.6873), np.float32(0.875), np.float32(nan), np.float32(0.88), np.float32(0.3161), np.float32(0.8374), np.float32(0.6644), np.float32(0.6243), np.float32(0.8753), np.float32(0.9182), np.float32(0.91), np.float32(0.7491), np.float32(0.8122), np.float32(0.793), np.float32(0.4334), np.float32(0.7457), np.float32(0.872), np.float32(0.4224), np.float32(0.0492), np.float32(0.9539), np.float32(0.0803), np.float32(0.8157), np.float32(0.3741), np.float32(0.477), np.float32(0.3599), np.float32(0.916), np.float32(0.9058), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.772), np.float32(0.0041), np.float32(0.6104), np.float32(0.0102), np.float32(0.9182), np.float32(0.9235), np.float32(0.8087), np.float32(0.8352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:52:38.358190: Epoch time: 126.21 s +2026-02-22 03:52:39.339306: +2026-02-22 03:52:39.346180: Epoch 482 +2026-02-22 03:52:39.347063: Current learning rate: 0.00553 +2026-02-22 03:54:34.386200: train_loss -0.0614 +2026-02-22 03:54:34.391492: val_loss -0.0779 +2026-02-22 03:54:34.399591: Pseudo dice [np.float32(0.9394), np.float32(0.9377), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8714), np.float32(nan), np.float32(0.9596), np.float32(nan), np.float32(0.8496), np.float32(0.0222), np.float32(0.8605), np.float32(nan), np.float32(0.8856), np.float32(0.198), np.float32(0.8226), np.float32(0.2049), np.float32(0.7213), np.float32(0.8699), np.float32(0.9331), np.float32(0.9187), np.float32(0.7579), np.float32(0.7817), np.float32(0.0276), np.float32(0.3743), np.float32(0.5918), np.float32(0.8108), np.float32(0.0952), np.float32(0.0034), np.float32(0.8857), np.float32(0.0024), np.float32(0.8725), np.float32(0.6031), np.float32(0.4819), np.float32(0.3821), np.float32(0.9227), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6421), np.float32(0.0407), np.float32(0.6412), np.float32(0.6299), np.float32(0.8358), np.float32(0.8672), np.float32(0.8011), np.float32(0.8363), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:54:34.404029: Epoch time: 115.05 s +2026-02-22 03:54:35.501522: +2026-02-22 03:54:35.514781: Epoch 483 +2026-02-22 03:54:35.516150: Current learning rate: 0.00552 +2026-02-22 03:56:41.355500: train_loss -0.0491 +2026-02-22 03:56:41.361330: val_loss -0.0581 +2026-02-22 03:56:41.363003: Pseudo dice [np.float32(0.9281), np.float32(0.9489), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8869), np.float32(nan), np.float32(0.932), np.float32(nan), np.float32(0.8718), np.float32(0.0912), np.float32(0.8724), np.float32(nan), np.float32(0.871), np.float32(0.431), np.float32(0.8109), np.float32(0.0), np.float32(0.6781), np.float32(0.8469), np.float32(0.9264), np.float32(0.9079), np.float32(0.7614), np.float32(0.8067), np.float32(0.0), np.float32(0.242), np.float32(0.0), np.float32(0.8264), np.float32(0.0203), np.float32(0.0), np.float32(0.8753), np.float32(0.1036), np.float32(0.8027), np.float32(0.4696), np.float32(0.3923), np.float32(0.373), np.float32(0.8936), np.float32(0.9015), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8014), np.float32(0.0), np.float32(0.4646), np.float32(0.4785), np.float32(0.9183), np.float32(0.9455), np.float32(0.789), np.float32(0.8215), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:56:41.364140: Epoch time: 125.86 s +2026-02-22 03:56:42.332577: +2026-02-22 03:56:42.338658: Epoch 484 +2026-02-22 03:56:42.348146: Current learning rate: 0.00551 +2026-02-22 03:58:29.205134: train_loss -0.0682 +2026-02-22 03:58:29.235685: val_loss -0.0569 +2026-02-22 03:58:29.237667: Pseudo dice [np.float32(0.9132), np.float32(0.9142), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8821), np.float32(nan), np.float32(0.9255), np.float32(nan), np.float32(0.8562), np.float32(0.0), np.float32(0.8165), np.float32(nan), np.float32(0.8401), np.float32(0.3428), np.float32(0.8319), np.float32(0.5607), np.float32(0.6721), np.float32(0.8629), np.float32(0.8855), np.float32(0.8751), np.float32(0.7532), np.float32(0.7911), np.float32(0.0016), np.float32(0.392), np.float32(0.0091), np.float32(0.8428), np.float32(0.0), np.float32(0.0), np.float32(0.9009), np.float32(0.0008), np.float32(0.8454), np.float32(0.506), np.float32(0.4633), np.float32(0.4622), np.float32(0.9385), np.float32(0.9471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8271), np.float32(0.0), np.float32(0.7209), np.float32(0.7211), np.float32(0.8814), np.float32(0.8779), np.float32(0.7658), np.float32(0.8007), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 03:58:29.239966: Epoch time: 106.88 s +2026-02-22 03:58:30.377847: +2026-02-22 03:58:30.383324: Epoch 485 +2026-02-22 03:58:30.384354: Current learning rate: 0.0055 +2026-02-22 04:00:29.014479: train_loss -0.0584 +2026-02-22 04:00:29.031007: val_loss -0.0365 +2026-02-22 04:00:29.032028: Pseudo dice [np.float32(0.922), np.float32(0.9223), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.867), np.float32(nan), np.float32(0.9282), np.float32(nan), np.float32(0.9072), np.float32(0.5456), np.float32(0.8405), np.float32(nan), np.float32(0.8552), np.float32(0.5589), np.float32(0.8031), np.float32(0.7587), np.float32(0.6707), np.float32(0.8581), np.float32(0.9234), np.float32(0.8823), np.float32(0.7521), np.float32(0.7826), np.float32(0.1922), np.float32(0.3139), np.float32(0.6968), np.float32(0.7964), np.float32(0.0785), np.float32(0.073), np.float32(0.92), np.float32(0.1378), np.float32(0.7831), np.float32(0.3629), np.float32(0.4042), np.float32(0.3668), np.float32(0.7031), np.float32(0.7982), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6827), np.float32(0.5633), np.float32(0.4123), np.float32(0.0785), np.float32(0.8543), np.float32(0.7945), np.float32(0.7925), np.float32(0.8288), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:00:29.033386: Epoch time: 118.64 s +2026-02-22 04:00:29.954735: +2026-02-22 04:00:29.955756: Epoch 486 +2026-02-22 04:00:29.956568: Current learning rate: 0.00549 +2026-02-22 04:02:42.796149: train_loss -0.0651 +2026-02-22 04:02:42.799712: val_loss -0.0605 +2026-02-22 04:02:42.800743: Pseudo dice [np.float32(0.9403), np.float32(0.9244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9368), np.float32(nan), np.float32(0.8635), np.float32(0.0159), np.float32(0.8639), np.float32(nan), np.float32(0.8296), np.float32(0.5441), np.float32(0.813), np.float32(0.4096), np.float32(0.6747), np.float32(0.8718), np.float32(0.9191), np.float32(0.8963), np.float32(0.7531), np.float32(0.7701), np.float32(0.4858), np.float32(0.6632), np.float32(0.3401), np.float32(0.7761), np.float32(0.0591), np.float32(0.082), np.float32(0.9546), np.float32(0.5394), np.float32(0.796), np.float32(0.5553), np.float32(0.4861), np.float32(0.4187), np.float32(0.9242), np.float32(0.9387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6781), np.float32(0.0), np.float32(0.7209), np.float32(0.2729), np.float32(0.9073), np.float32(0.8848), np.float32(0.7594), np.float32(0.8161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:02:42.801738: Epoch time: 132.84 s +2026-02-22 04:02:43.720305: +2026-02-22 04:02:43.721684: Epoch 487 +2026-02-22 04:02:43.722481: Current learning rate: 0.00548 +2026-02-22 04:04:48.455868: train_loss -0.0641 +2026-02-22 04:04:48.493808: val_loss -0.0652 +2026-02-22 04:04:48.500073: Pseudo dice [np.float32(0.9496), np.float32(0.921), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8891), np.float32(nan), np.float32(0.9423), np.float32(nan), np.float32(0.8464), np.float32(0.0), np.float32(0.8594), np.float32(nan), np.float32(0.8585), np.float32(0.5693), np.float32(0.8488), np.float32(0.608), np.float32(0.6722), np.float32(0.8523), np.float32(0.9277), np.float32(0.9098), np.float32(0.7767), np.float32(0.7843), np.float32(0.0103), np.float32(0.5687), np.float32(0.5749), np.float32(0.8248), np.float32(0.0263), np.float32(0.0425), np.float32(0.9405), np.float32(0.2033), np.float32(0.8354), np.float32(0.6628), np.float32(0.3841), np.float32(0.3944), np.float32(0.8542), np.float32(0.8915), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8089), np.float32(0.0), np.float32(0.2595), np.float32(0.2148), np.float32(0.9133), np.float32(0.9178), np.float32(0.7905), np.float32(0.8326), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:04:48.505994: Epoch time: 124.74 s +2026-02-22 04:04:49.445567: +2026-02-22 04:04:49.450537: Epoch 488 +2026-02-22 04:04:49.453821: Current learning rate: 0.00547 +2026-02-22 04:06:49.217860: train_loss -0.0581 +2026-02-22 04:06:49.221676: val_loss -0.0833 +2026-02-22 04:06:49.222708: Pseudo dice [np.float32(0.9669), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8818), np.float32(nan), np.float32(0.9587), np.float32(nan), np.float32(0.8653), np.float32(0.1397), np.float32(0.8442), np.float32(nan), np.float32(0.8851), np.float32(0.5642), np.float32(0.8517), np.float32(0.0351), np.float32(0.6918), np.float32(0.8715), np.float32(0.9329), np.float32(0.9239), np.float32(0.7542), np.float32(0.7958), np.float32(0.5264), np.float32(0.5069), np.float32(0.7332), np.float32(0.8747), np.float32(0.3307), np.float32(0.0055), np.float32(0.9173), np.float32(0.4379), np.float32(0.8335), np.float32(0.545), np.float32(0.4436), np.float32(0.4088), np.float32(0.9008), np.float32(0.8371), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6959), np.float32(0.0), np.float32(0.4807), np.float32(0.0), np.float32(0.8518), np.float32(0.8602), np.float32(0.8042), np.float32(0.8302), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:06:49.223702: Epoch time: 119.77 s +2026-02-22 04:06:49.224405: Yayy! New best EMA pseudo Dice: 0.6403999924659729 +2026-02-22 04:06:51.355734: +2026-02-22 04:06:51.357555: Epoch 489 +2026-02-22 04:06:51.358371: Current learning rate: 0.00546 +2026-02-22 04:08:57.653161: train_loss -0.0667 +2026-02-22 04:08:57.664968: val_loss -0.0974 +2026-02-22 04:08:57.686307: Pseudo dice [np.float32(0.9671), np.float32(0.9607), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8804), np.float32(nan), np.float32(0.9609), np.float32(nan), np.float32(0.9573), np.float32(0.4115), np.float32(0.8529), np.float32(nan), np.float32(0.9154), np.float32(0.3697), np.float32(0.8489), np.float32(0.5222), np.float32(0.7082), np.float32(0.8736), np.float32(0.9487), np.float32(0.9225), np.float32(0.8094), np.float32(0.8064), np.float32(0.0018), np.float32(0.5415), np.float32(0.0), np.float32(0.8311), np.float32(0.1796), np.float32(0.4124), np.float32(0.8633), np.float32(0.2007), np.float32(0.849), np.float32(0.2522), np.float32(0.4609), np.float32(0.3508), np.float32(0.8666), np.float32(0.9197), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7455), np.float32(0.0107), np.float32(0.5675), np.float32(0.6441), np.float32(0.8456), np.float32(0.8773), np.float32(0.794), np.float32(0.7947), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:08:57.692556: Epoch time: 126.3 s +2026-02-22 04:08:57.701238: Yayy! New best EMA pseudo Dice: 0.6424000263214111 +2026-02-22 04:08:59.743199: +2026-02-22 04:08:59.752557: Epoch 490 +2026-02-22 04:08:59.754294: Current learning rate: 0.00546 +2026-02-22 04:11:01.248705: train_loss -0.05 +2026-02-22 04:11:01.267727: val_loss -0.0602 +2026-02-22 04:11:01.271152: Pseudo dice [np.float32(0.9469), np.float32(0.9139), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8835), np.float32(nan), np.float32(0.9494), np.float32(nan), np.float32(0.8547), np.float32(0.0265), np.float32(0.8564), np.float32(nan), np.float32(0.8689), np.float32(0.3045), np.float32(0.8423), np.float32(0.0), np.float32(0.587), np.float32(0.8633), np.float32(0.9194), np.float32(0.8951), np.float32(0.7571), np.float32(0.7878), np.float32(0.0011), np.float32(0.4993), np.float32(0.6643), np.float32(0.7952), np.float32(0.0062), np.float32(0.0718), np.float32(0.9431), np.float32(0.1156), np.float32(0.7676), np.float32(0.4595), np.float32(0.3656), np.float32(0.3697), np.float32(0.9326), np.float32(0.9425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.602), np.float32(0.1508), np.float32(0.5583), np.float32(0.5307), np.float32(0.6959), np.float32(0.7936), np.float32(0.7552), np.float32(0.816), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:11:01.273757: Epoch time: 121.51 s +2026-02-22 04:11:02.367920: +2026-02-22 04:11:02.374703: Epoch 491 +2026-02-22 04:11:02.376590: Current learning rate: 0.00545 +2026-02-22 04:13:08.856099: train_loss -0.061 +2026-02-22 04:13:08.861680: val_loss -0.034 +2026-02-22 04:13:08.863465: Pseudo dice [np.float32(0.9211), np.float32(0.9131), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8721), np.float32(nan), np.float32(0.9062), np.float32(nan), np.float32(0.8544), np.float32(0.374), np.float32(0.8532), np.float32(nan), np.float32(0.8284), np.float32(0.3427), np.float32(0.8224), np.float32(0.3847), np.float32(0.6484), np.float32(0.8346), np.float32(0.8945), np.float32(0.858), np.float32(0.739), np.float32(0.7819), np.float32(0.4639), np.float32(0.4509), np.float32(0.4001), np.float32(0.7975), np.float32(0.0081), np.float32(0.0366), np.float32(0.915), np.float32(0.3592), np.float32(0.883), np.float32(0.4978), np.float32(0.3175), np.float32(0.3732), np.float32(0.9372), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6429), np.float32(0.5479), np.float32(0.062), np.float32(0.0071), np.float32(0.7445), np.float32(0.8087), np.float32(0.733), np.float32(0.7716), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:13:08.864461: Epoch time: 126.49 s +2026-02-22 04:13:09.803462: +2026-02-22 04:13:09.808162: Epoch 492 +2026-02-22 04:13:09.808982: Current learning rate: 0.00544 +2026-02-22 04:15:11.804342: train_loss -0.053 +2026-02-22 04:15:11.823483: val_loss -0.0258 +2026-02-22 04:15:11.826390: Pseudo dice [np.float32(0.8969), np.float32(0.8802), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8651), np.float32(nan), np.float32(0.9099), np.float32(nan), np.float32(0.8213), np.float32(0.0746), np.float32(0.8306), np.float32(nan), np.float32(0.8029), np.float32(0.0), np.float32(0.8236), np.float32(0.0), np.float32(0.6877), np.float32(0.86), np.float32(0.8981), np.float32(0.8963), np.float32(0.7476), np.float32(0.7716), np.float32(0.0079), np.float32(0.3904), np.float32(0.6871), np.float32(0.7608), np.float32(0.0637), np.float32(0.4003), np.float32(0.8508), np.float32(0.0845), np.float32(0.782), np.float32(0.0553), np.float32(0.4207), np.float32(0.2943), np.float32(0.8655), np.float32(0.8587), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6235), np.float32(0.1053), np.float32(0.4821), np.float32(0.0432), np.float32(0.7391), np.float32(0.7855), np.float32(0.7632), np.float32(0.8149), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:15:11.827405: Epoch time: 122.0 s +2026-02-22 04:15:12.933453: +2026-02-22 04:15:12.936934: Epoch 493 +2026-02-22 04:15:12.937765: Current learning rate: 0.00543 +2026-02-22 04:17:08.169326: train_loss -0.0535 +2026-02-22 04:17:08.211314: val_loss -0.0971 +2026-02-22 04:17:08.213848: Pseudo dice [np.float32(0.9547), np.float32(0.9321), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8914), np.float32(nan), np.float32(0.9412), np.float32(nan), np.float32(0.9156), np.float32(0.0622), np.float32(0.8883), np.float32(nan), np.float32(0.9025), np.float32(0.0159), np.float32(0.8562), np.float32(0.1542), np.float32(0.6762), np.float32(0.8591), np.float32(0.9127), np.float32(0.9), np.float32(0.7442), np.float32(0.7953), np.float32(0.1263), np.float32(0.5749), np.float32(0.6981), np.float32(0.7935), np.float32(0.014), np.float32(0.2939), np.float32(0.9141), np.float32(0.4161), np.float32(0.8116), np.float32(0.4808), np.float32(0.3273), np.float32(0.389), np.float32(0.9366), np.float32(0.9372), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.812), np.float32(0.0), np.float32(0.1009), np.float32(0.0371), np.float32(0.946), np.float32(0.9427), np.float32(0.7388), np.float32(0.803), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:17:08.215203: Epoch time: 115.24 s +2026-02-22 04:17:09.462121: +2026-02-22 04:17:09.465806: Epoch 494 +2026-02-22 04:17:09.466601: Current learning rate: 0.00542 +2026-02-22 04:18:58.099848: train_loss -0.0383 +2026-02-22 04:18:58.106124: val_loss -0.0549 +2026-02-22 04:18:58.108912: Pseudo dice [np.float32(0.9448), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9373), np.float32(nan), np.float32(0.8895), np.float32(0.3354), np.float32(0.8321), np.float32(nan), np.float32(0.8633), np.float32(0.4626), np.float32(0.8453), np.float32(0.0006), np.float32(0.6791), np.float32(0.8314), np.float32(0.916), np.float32(0.8763), np.float32(0.7596), np.float32(0.7577), np.float32(0.4688), np.float32(0.1718), np.float32(0.5197), np.float32(0.8419), np.float32(0.0493), np.float32(0.0), np.float32(0.8317), np.float32(0.3327), np.float32(0.7746), np.float32(0.4487), np.float32(0.3974), np.float32(0.373), np.float32(0.8833), np.float32(0.8977), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.751), np.float32(0.0), np.float32(0.6208), np.float32(0.6861), np.float32(0.7682), np.float32(0.8037), np.float32(0.7735), np.float32(0.8006), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:18:58.113710: Epoch time: 108.64 s +2026-02-22 04:18:59.054709: +2026-02-22 04:18:59.059944: Epoch 495 +2026-02-22 04:18:59.060757: Current learning rate: 0.00541 +2026-02-22 04:21:05.709829: train_loss -0.0725 +2026-02-22 04:21:05.744675: val_loss -0.064 +2026-02-22 04:21:05.746196: Pseudo dice [np.float32(0.9125), np.float32(0.9459), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8684), np.float32(nan), np.float32(0.9307), np.float32(nan), np.float32(0.9098), np.float32(0.3621), np.float32(0.864), np.float32(nan), np.float32(0.8509), np.float32(0.4392), np.float32(0.843), np.float32(0.4155), np.float32(0.6576), np.float32(0.8721), np.float32(0.9182), np.float32(0.887), np.float32(0.7476), np.float32(0.7618), np.float32(0.6391), np.float32(0.2784), np.float32(0.0161), np.float32(0.7865), np.float32(0.2607), np.float32(0.3604), np.float32(0.9233), np.float32(0.304), np.float32(0.8161), np.float32(0.3729), np.float32(0.3932), np.float32(0.3713), np.float32(0.9001), np.float32(0.9287), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6884), np.float32(0.0755), np.float32(0.5296), np.float32(0.0003), np.float32(0.8222), np.float32(0.8155), np.float32(0.793), np.float32(0.8306), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:21:05.747417: Epoch time: 126.66 s +2026-02-22 04:21:06.891800: +2026-02-22 04:21:06.894794: Epoch 496 +2026-02-22 04:21:06.895616: Current learning rate: 0.0054 +2026-02-22 04:23:13.813076: train_loss -0.0554 +2026-02-22 04:23:13.839322: val_loss -0.0704 +2026-02-22 04:23:13.842784: Pseudo dice [np.float32(0.9547), np.float32(0.9437), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.9472), np.float32(nan), np.float32(0.9189), np.float32(0.0026), np.float32(0.8739), np.float32(nan), np.float32(0.8788), np.float32(0.6386), np.float32(0.8287), np.float32(0.6073), np.float32(0.6648), np.float32(0.886), np.float32(0.9067), np.float32(0.8977), np.float32(0.7654), np.float32(0.7687), np.float32(0.0167), np.float32(0.5557), np.float32(0.2143), np.float32(0.823), np.float32(0.4099), np.float32(0.2381), np.float32(0.8799), np.float32(0.5258), np.float32(0.758), np.float32(0.0719), np.float32(0.315), np.float32(0.3319), np.float32(0.9273), np.float32(0.9449), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6592), np.float32(0.0), np.float32(0.0749), np.float32(0.0003), np.float32(0.8764), np.float32(0.8976), np.float32(0.7741), np.float32(0.8054), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:23:13.843641: Epoch time: 126.92 s +2026-02-22 04:23:14.806717: +2026-02-22 04:23:14.808323: Epoch 497 +2026-02-22 04:23:14.809154: Current learning rate: 0.00539 +2026-02-22 04:25:14.879200: train_loss -0.0705 +2026-02-22 04:25:14.890121: val_loss -0.0866 +2026-02-22 04:25:14.891396: Pseudo dice [np.float32(0.9404), np.float32(0.9049), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8762), np.float32(nan), np.float32(0.967), np.float32(nan), np.float32(0.7752), np.float32(0.0484), np.float32(0.8811), np.float32(nan), np.float32(0.9156), np.float32(0.1936), np.float32(0.8477), np.float32(0.524), np.float32(0.6959), np.float32(0.8529), np.float32(0.9235), np.float32(0.9145), np.float32(0.7477), np.float32(0.7836), np.float32(0.009), np.float32(0.5851), np.float32(0.3404), np.float32(0.8235), np.float32(0.2403), np.float32(0.0127), np.float32(0.923), np.float32(0.3959), np.float32(0.8064), np.float32(0.5463), np.float32(0.376), np.float32(0.3629), np.float32(0.8261), np.float32(0.8703), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8039), np.float32(0.0), np.float32(0.7873), np.float32(0.3062), np.float32(0.9135), np.float32(0.8849), np.float32(0.8082), np.float32(0.8396), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:25:14.892398: Epoch time: 120.08 s +2026-02-22 04:25:15.983027: +2026-02-22 04:25:15.987379: Epoch 498 +2026-02-22 04:25:15.988222: Current learning rate: 0.00538 +2026-02-22 04:27:26.475960: train_loss -0.0568 +2026-02-22 04:27:26.508509: val_loss -0.0665 +2026-02-22 04:27:26.509616: Pseudo dice [np.float32(0.8945), np.float32(0.9051), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8895), np.float32(nan), np.float32(0.9174), np.float32(nan), np.float32(0.9212), np.float32(0.409), np.float32(0.8585), np.float32(nan), np.float32(0.869), np.float32(0.3857), np.float32(0.8582), np.float32(1e-04), np.float32(0.6952), np.float32(0.8904), np.float32(0.9063), np.float32(0.8849), np.float32(0.7604), np.float32(0.7958), np.float32(0.549), np.float32(0.4524), np.float32(0.6889), np.float32(0.8429), np.float32(0.3765), np.float32(0.3049), np.float32(0.8544), np.float32(0.3701), np.float32(0.8317), np.float32(0.3611), np.float32(0.4767), np.float32(0.4062), np.float32(0.9065), np.float32(0.8953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6798), np.float32(0.0), np.float32(0.5922), np.float32(0.567), np.float32(0.6281), np.float32(0.7604), np.float32(0.8153), np.float32(0.8213), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:27:26.510647: Epoch time: 130.5 s +2026-02-22 04:27:27.684493: +2026-02-22 04:27:27.699523: Epoch 499 +2026-02-22 04:27:27.700335: Current learning rate: 0.00537 +2026-02-22 04:29:27.905030: train_loss -0.0637 +2026-02-22 04:29:27.914685: val_loss -0.0648 +2026-02-22 04:29:27.915831: Pseudo dice [np.float32(0.9303), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.9176), np.float32(nan), np.float32(0.9098), np.float32(0.0454), np.float32(0.8605), np.float32(nan), np.float32(0.8715), np.float32(0.5119), np.float32(0.8265), np.float32(0.3202), np.float32(0.7031), np.float32(0.8755), np.float32(0.9301), np.float32(0.9109), np.float32(0.7606), np.float32(0.7526), np.float32(0.0025), np.float32(0.5983), np.float32(0.191), np.float32(0.7942), np.float32(0.0792), np.float32(0.007), np.float32(0.9506), np.float32(0.145), np.float32(0.7792), np.float32(0.4812), np.float32(0.4209), np.float32(0.4046), np.float32(0.9386), np.float32(0.9416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7066), np.float32(0.6156), np.float32(0.7061), np.float32(0.1253), np.float32(0.8985), np.float32(0.911), np.float32(0.7329), np.float32(0.8113), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:29:27.916798: Epoch time: 120.22 s +2026-02-22 04:29:32.278167: +2026-02-22 04:29:32.279292: Epoch 500 +2026-02-22 04:29:32.280105: Current learning rate: 0.00536 +2026-02-22 04:31:13.645489: train_loss -0.0492 +2026-02-22 04:31:13.659912: val_loss -0.0756 +2026-02-22 04:31:13.661331: Pseudo dice [np.float32(0.9411), np.float32(0.9284), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.9332), np.float32(nan), np.float32(0.8707), np.float32(0.4668), np.float32(0.8693), np.float32(0.0), np.float32(0.8983), np.float32(0.3481), np.float32(0.8421), np.float32(0.4923), np.float32(0.6904), np.float32(0.8767), np.float32(0.9253), np.float32(0.8928), np.float32(0.7797), np.float32(0.7706), np.float32(0.5015), np.float32(0.386), np.float32(0.1512), np.float32(0.8612), np.float32(0.0), np.float32(0.0087), np.float32(0.9142), np.float32(0.5227), np.float32(0.8287), np.float32(0.0793), np.float32(0.4155), np.float32(0.3792), np.float32(0.9117), np.float32(0.8777), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7511), np.float32(0.5584), np.float32(0.4448), np.float32(0.4897), np.float32(0.774), np.float32(0.8285), np.float32(0.7956), np.float32(0.8433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:31:13.662310: Epoch time: 101.37 s +2026-02-22 04:31:14.744333: +2026-02-22 04:31:14.753399: Epoch 501 +2026-02-22 04:31:14.754287: Current learning rate: 0.00535 +2026-02-22 04:33:11.157652: train_loss -0.0499 +2026-02-22 04:33:11.186426: val_loss -0.0734 +2026-02-22 04:33:11.192232: Pseudo dice [np.float32(0.9354), np.float32(0.9154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8804), np.float32(nan), np.float32(0.9567), np.float32(nan), np.float32(0.9235), np.float32(0.4471), np.float32(0.8264), np.float32(nan), np.float32(0.8432), np.float32(0.0813), np.float32(0.8053), np.float32(0.8105), np.float32(0.659), np.float32(0.879), np.float32(0.9055), np.float32(0.9076), np.float32(0.7421), np.float32(0.7945), np.float32(0.7065), np.float32(0.3336), np.float32(0.0404), np.float32(0.8459), np.float32(0.2924), np.float32(0.2235), np.float32(0.9512), np.float32(0.1375), np.float32(0.8204), np.float32(0.5938), np.float32(0.4297), np.float32(0.3701), np.float32(0.9189), np.float32(0.9305), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7712), np.float32(0.0), np.float32(0.3233), np.float32(0.3873), np.float32(0.9629), np.float32(0.9522), np.float32(0.78), np.float32(0.8229), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:33:11.199443: Epoch time: 116.42 s +2026-02-22 04:33:12.127959: +2026-02-22 04:33:12.129071: Epoch 502 +2026-02-22 04:33:12.130378: Current learning rate: 0.00534 +2026-02-22 04:35:09.455313: train_loss -0.0733 +2026-02-22 04:35:09.489049: val_loss -0.0879 +2026-02-22 04:35:09.493217: Pseudo dice [np.float32(0.9614), np.float32(0.9676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8832), np.float32(nan), np.float32(0.9363), np.float32(nan), np.float32(0.9202), np.float32(0.348), np.float32(0.8284), np.float32(nan), np.float32(0.8862), np.float32(0.5768), np.float32(0.8238), np.float32(0.6467), np.float32(0.7112), np.float32(0.8888), np.float32(0.9394), np.float32(0.903), np.float32(0.7988), np.float32(0.7899), np.float32(0.0035), np.float32(0.5429), np.float32(0.02), np.float32(0.8252), np.float32(0.3178), np.float32(0.3729), np.float32(0.9436), np.float32(0.0543), np.float32(0.741), np.float32(0.0), np.float32(0.4602), np.float32(0.3605), np.float32(0.8304), np.float32(0.8854), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6664), np.float32(0.0), np.float32(0.1618), np.float32(0.1653), np.float32(0.95), np.float32(0.9208), np.float32(0.7847), np.float32(0.8347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:35:09.501531: Epoch time: 117.33 s +2026-02-22 04:35:10.460636: +2026-02-22 04:35:10.468027: Epoch 503 +2026-02-22 04:35:10.474427: Current learning rate: 0.00533 +2026-02-22 04:37:13.229144: train_loss -0.053 +2026-02-22 04:37:13.257835: val_loss -0.0445 +2026-02-22 04:37:13.262115: Pseudo dice [np.float32(0.9209), np.float32(0.9241), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8691), np.float32(nan), np.float32(0.8818), np.float32(nan), np.float32(0.9159), np.float32(0.6269), np.float32(0.8439), np.float32(nan), np.float32(0.8494), np.float32(0.6394), np.float32(0.8124), np.float32(0.2042), np.float32(0.6641), np.float32(0.867), np.float32(0.8959), np.float32(0.8443), np.float32(0.6949), np.float32(0.7529), np.float32(0.1816), np.float32(0.503), np.float32(0.6587), np.float32(0.7976), np.float32(0.1199), np.float32(0.1191), np.float32(0.8972), np.float32(0.5263), np.float32(0.7931), np.float32(0.3651), np.float32(0.3808), np.float32(0.2657), np.float32(0.9351), np.float32(0.9251), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7093), np.float32(0.007), np.float32(0.8037), np.float32(0.0597), np.float32(0.8942), np.float32(0.9395), np.float32(0.7435), np.float32(0.787), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:37:13.266579: Epoch time: 122.77 s +2026-02-22 04:37:13.282784: Yayy! New best EMA pseudo Dice: 0.6424000263214111 +2026-02-22 04:37:15.476631: +2026-02-22 04:37:15.478070: Epoch 504 +2026-02-22 04:37:15.478888: Current learning rate: 0.00532 +2026-02-22 04:39:19.633530: train_loss -0.065 +2026-02-22 04:39:19.647884: val_loss -0.0485 +2026-02-22 04:39:19.653062: Pseudo dice [np.float32(0.9064), np.float32(0.9285), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8168), np.float32(nan), np.float32(0.9254), np.float32(nan), np.float32(0.8419), np.float32(0.19), np.float32(0.8611), np.float32(0.0), np.float32(0.8384), np.float32(0.495), np.float32(0.7851), np.float32(0.3997), np.float32(0.6404), np.float32(0.8645), np.float32(0.9005), np.float32(0.8834), np.float32(0.7358), np.float32(0.789), np.float32(0.3962), np.float32(0.1601), np.float32(0.523), np.float32(0.7059), np.float32(0.0039), np.float32(0.0002), np.float32(0.9222), np.float32(0.1315), np.float32(0.7966), np.float32(0.4218), np.float32(0.4257), np.float32(0.4148), np.float32(0.9539), np.float32(0.9531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.644), np.float32(0.2271), np.float32(0.324), np.float32(0.308), np.float32(0.3471), np.float32(0.579), np.float32(0.7682), np.float32(0.8265), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:39:19.663692: Epoch time: 124.16 s +2026-02-22 04:39:20.555424: +2026-02-22 04:39:20.557376: Epoch 505 +2026-02-22 04:39:20.558318: Current learning rate: 0.00531 +2026-02-22 04:41:25.754404: train_loss -0.0766 +2026-02-22 04:41:25.779427: val_loss -0.0904 +2026-02-22 04:41:25.780670: Pseudo dice [np.float32(0.9551), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8982), np.float32(nan), np.float32(0.9326), np.float32(nan), np.float32(0.9311), np.float32(0.5885), np.float32(0.8533), np.float32(nan), np.float32(0.8956), np.float32(0.0367), np.float32(0.8571), np.float32(0.0007), np.float32(0.6462), np.float32(0.8839), np.float32(0.9387), np.float32(0.9233), np.float32(0.7964), np.float32(0.8155), np.float32(0.7403), np.float32(0.6969), np.float32(0.3525), np.float32(0.8617), np.float32(0.066), np.float32(0.034), np.float32(0.902), np.float32(0.482), np.float32(0.8616), np.float32(0.6875), np.float32(0.4633), np.float32(0.4058), np.float32(0.9547), np.float32(0.9436), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6821), np.float32(0.039), np.float32(0.7167), np.float32(0.2605), np.float32(0.6856), np.float32(0.7321), np.float32(0.7694), np.float32(0.8367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:41:25.781662: Epoch time: 125.2 s +2026-02-22 04:41:26.979464: +2026-02-22 04:41:27.003641: Epoch 506 +2026-02-22 04:41:27.007721: Current learning rate: 0.0053 +2026-02-22 04:43:21.068309: train_loss -0.0637 +2026-02-22 04:43:21.089113: val_loss -0.0831 +2026-02-22 04:43:21.094818: Pseudo dice [np.float32(0.9135), np.float32(0.9254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.872), np.float32(nan), np.float32(0.9458), np.float32(nan), np.float32(0.9036), np.float32(0.3839), np.float32(0.861), np.float32(nan), np.float32(0.8919), np.float32(0.5529), np.float32(0.8247), np.float32(0.6034), np.float32(0.671), np.float32(0.8831), np.float32(0.9042), np.float32(0.8926), np.float32(0.7921), np.float32(0.7838), np.float32(0.7073), np.float32(0.265), np.float32(0.6179), np.float32(0.859), np.float32(0.0), np.float32(0.0), np.float32(0.9521), np.float32(0.0482), np.float32(0.8201), np.float32(0.649), np.float32(0.4819), np.float32(0.3976), np.float32(0.8744), np.float32(0.8104), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7591), np.float32(0.1941), np.float32(0.1479), np.float32(0.1245), np.float32(0.8431), np.float32(0.8655), np.float32(0.7878), np.float32(0.7975), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:43:21.101259: Epoch time: 114.09 s +2026-02-22 04:43:22.007274: +2026-02-22 04:43:22.008625: Epoch 507 +2026-02-22 04:43:22.009439: Current learning rate: 0.00529 +2026-02-22 04:45:22.529890: train_loss -0.0666 +2026-02-22 04:45:22.534893: val_loss -0.0555 +2026-02-22 04:45:22.536212: Pseudo dice [np.float32(0.9124), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8646), np.float32(nan), np.float32(0.9149), np.float32(nan), np.float32(0.8968), np.float32(0.3999), np.float32(0.8796), np.float32(nan), np.float32(0.8542), np.float32(0.6681), np.float32(0.8286), np.float32(0.2153), np.float32(0.6688), np.float32(0.8574), np.float32(0.9193), np.float32(0.8969), np.float32(0.7518), np.float32(0.7617), np.float32(0.0568), np.float32(0.4466), np.float32(0.6783), np.float32(0.7497), np.float32(0.0354), np.float32(0.0), np.float32(0.9299), np.float32(0.0169), np.float32(0.813), np.float32(0.4647), np.float32(0.3924), np.float32(0.3914), np.float32(0.8687), np.float32(0.8573), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8284), np.float32(0.0), np.float32(0.0), np.float32(0.2682), np.float32(0.7992), np.float32(0.8669), np.float32(0.8024), np.float32(0.8185), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:45:22.537200: Epoch time: 120.53 s +2026-02-22 04:45:23.620945: +2026-02-22 04:45:23.624487: Epoch 508 +2026-02-22 04:45:23.625309: Current learning rate: 0.00528 +2026-02-22 04:47:19.296572: train_loss -0.0798 +2026-02-22 04:47:19.305511: val_loss -0.0955 +2026-02-22 04:47:19.306995: Pseudo dice [np.float32(0.9616), np.float32(0.9546), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.889), np.float32(nan), np.float32(0.9626), np.float32(nan), np.float32(0.9322), np.float32(0.1046), np.float32(0.8654), np.float32(0.0), np.float32(0.8969), np.float32(0.5275), np.float32(0.8395), np.float32(0.5134), np.float32(0.6624), np.float32(0.8788), np.float32(0.9409), np.float32(0.9128), np.float32(0.772), np.float32(0.7792), np.float32(0.3966), np.float32(0.6987), np.float32(0.2465), np.float32(0.7956), np.float32(0.3321), np.float32(0.0955), np.float32(0.9408), np.float32(0.29), np.float32(0.822), np.float32(0.1543), np.float32(0.4403), np.float32(0.3766), np.float32(0.8798), np.float32(0.7962), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7281), np.float32(0.0038), np.float32(0.4898), np.float32(0.3266), np.float32(0.773), np.float32(0.5652), np.float32(0.8105), np.float32(0.8473), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:47:19.308010: Epoch time: 115.68 s +2026-02-22 04:47:20.354875: +2026-02-22 04:47:20.358686: Epoch 509 +2026-02-22 04:47:20.359477: Current learning rate: 0.00527 +2026-02-22 04:49:17.212493: train_loss -0.055 +2026-02-22 04:49:17.240870: val_loss -0.0621 +2026-02-22 04:49:17.246243: Pseudo dice [np.float32(0.9423), np.float32(0.9299), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8775), np.float32(nan), np.float32(0.9489), np.float32(nan), np.float32(0.9246), np.float32(0.3145), np.float32(0.8563), np.float32(nan), np.float32(0.8524), np.float32(0.0861), np.float32(0.8272), np.float32(0.3871), np.float32(0.6605), np.float32(0.8751), np.float32(0.9205), np.float32(0.8886), np.float32(0.7447), np.float32(0.7829), np.float32(0.0092), np.float32(0.4336), np.float32(0.0), np.float32(0.7925), np.float32(0.018), np.float32(0.0728), np.float32(0.893), np.float32(0.0034), np.float32(0.8264), np.float32(0.0023), np.float32(0.4125), np.float32(0.3317), np.float32(0.8366), np.float32(0.8825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6563), np.float32(0.0), np.float32(0.5294), np.float32(0.1048), np.float32(0.7718), np.float32(0.7737), np.float32(0.8017), np.float32(0.8206), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:49:17.248151: Epoch time: 116.86 s +2026-02-22 04:49:18.391469: +2026-02-22 04:49:18.394937: Epoch 510 +2026-02-22 04:49:18.395744: Current learning rate: 0.00526 +2026-02-22 04:51:25.180653: train_loss -0.0664 +2026-02-22 04:51:25.205672: val_loss -0.0975 +2026-02-22 04:51:25.212843: Pseudo dice [np.float32(0.9465), np.float32(0.9496), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8872), np.float32(nan), np.float32(0.938), np.float32(nan), np.float32(0.8731), np.float32(0.6003), np.float32(0.8595), np.float32(nan), np.float32(0.8427), np.float32(0.4459), np.float32(0.8392), np.float32(0.6973), np.float32(0.6482), np.float32(0.8577), np.float32(0.9387), np.float32(0.9111), np.float32(0.7828), np.float32(0.7828), np.float32(0.137), np.float32(0.449), np.float32(0.7606), np.float32(0.8172), np.float32(0.0002), np.float32(0.0052), np.float32(0.9032), np.float32(0.0061), np.float32(0.8628), np.float32(0.493), np.float32(0.4816), np.float32(0.5104), np.float32(0.9035), np.float32(0.9297), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8343), np.float32(0.0), np.float32(0.0729), np.float32(0.0), np.float32(0.7362), np.float32(0.766), np.float32(0.8039), np.float32(0.8399), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:51:25.214998: Epoch time: 126.79 s +2026-02-22 04:51:26.237988: +2026-02-22 04:51:26.244228: Epoch 511 +2026-02-22 04:51:26.245087: Current learning rate: 0.00525 +2026-02-22 04:53:30.663799: train_loss -0.0589 +2026-02-22 04:53:30.685079: val_loss -0.0717 +2026-02-22 04:53:30.686518: Pseudo dice [np.float32(0.9404), np.float32(0.9323), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.882), np.float32(nan), np.float32(0.935), np.float32(nan), np.float32(0.9279), np.float32(0.022), np.float32(0.8482), np.float32(nan), np.float32(0.8705), np.float32(0.5886), np.float32(0.8445), np.float32(0.7553), np.float32(0.6124), np.float32(0.8694), np.float32(0.9155), np.float32(0.9113), np.float32(0.7678), np.float32(0.7852), np.float32(0.0235), np.float32(0.5939), np.float32(0.0), np.float32(0.7651), np.float32(0.2711), np.float32(0.3906), np.float32(0.9298), np.float32(0.0412), np.float32(0.8657), np.float32(0.4562), np.float32(0.4249), np.float32(0.3958), np.float32(0.9342), np.float32(0.9014), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.712), np.float32(0.0196), np.float32(0.7335), np.float32(0.5562), np.float32(0.4481), np.float32(0.6375), np.float32(0.7851), np.float32(0.8325), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:53:30.687967: Epoch time: 124.43 s +2026-02-22 04:53:31.829877: +2026-02-22 04:53:31.833359: Epoch 512 +2026-02-22 04:53:31.834247: Current learning rate: 0.00524 +2026-02-22 04:55:23.394837: train_loss -0.0728 +2026-02-22 04:55:23.406126: val_loss -0.0872 +2026-02-22 04:55:23.407613: Pseudo dice [np.float32(0.9491), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8863), np.float32(nan), np.float32(0.96), np.float32(nan), np.float32(0.9192), np.float32(0.5447), np.float32(0.8769), np.float32(nan), np.float32(0.8582), np.float32(0.2838), np.float32(0.8736), np.float32(0.0), np.float32(0.7085), np.float32(0.8853), np.float32(0.9426), np.float32(0.9177), np.float32(0.8001), np.float32(0.8158), np.float32(0.753), np.float32(0.6384), np.float32(0.1996), np.float32(0.8574), np.float32(0.1945), np.float32(0.2982), np.float32(0.913), np.float32(1e-04), np.float32(0.8548), np.float32(0.1054), np.float32(0.4254), np.float32(0.4599), np.float32(0.8502), np.float32(0.9391), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6646), np.float32(0.5353), np.float32(0.035), np.float32(0.0521), np.float32(0.8443), np.float32(0.8723), np.float32(0.8168), np.float32(0.8425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:55:23.412394: Epoch time: 111.57 s +2026-02-22 04:55:24.545081: +2026-02-22 04:55:24.551439: Epoch 513 +2026-02-22 04:55:24.552483: Current learning rate: 0.00523 +2026-02-22 04:57:25.655921: train_loss -0.0738 +2026-02-22 04:57:25.659634: val_loss -0.0692 +2026-02-22 04:57:25.660672: Pseudo dice [np.float32(0.9546), np.float32(0.9485), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8699), np.float32(nan), np.float32(0.9528), np.float32(nan), np.float32(0.9568), np.float32(0.7338), np.float32(0.8476), np.float32(nan), np.float32(0.8643), np.float32(0.6056), np.float32(0.7972), np.float32(0.4688), np.float32(0.572), np.float32(0.8452), np.float32(0.9227), np.float32(0.8847), np.float32(0.7649), np.float32(0.7988), np.float32(0.8678), np.float32(0.3537), np.float32(0.4288), np.float32(0.8141), np.float32(0.2667), np.float32(0.377), np.float32(0.8645), np.float32(0.311), np.float32(0.8374), np.float32(0.3154), np.float32(0.3665), np.float32(0.3847), np.float32(0.9577), np.float32(0.9523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6818), np.float32(0.087), np.float32(0.7602), np.float32(0.4284), np.float32(0.8247), np.float32(0.8649), np.float32(0.801), np.float32(0.8144), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:57:25.661712: Epoch time: 121.11 s +2026-02-22 04:57:25.662407: Yayy! New best EMA pseudo Dice: 0.6428999900817871 +2026-02-22 04:57:27.867326: +2026-02-22 04:57:27.869400: Epoch 514 +2026-02-22 04:57:27.870648: Current learning rate: 0.00522 +2026-02-22 04:59:31.113562: train_loss -0.0701 +2026-02-22 04:59:31.141106: val_loss -0.0712 +2026-02-22 04:59:31.143758: Pseudo dice [np.float32(0.9536), np.float32(0.9373), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8872), np.float32(nan), np.float32(0.955), np.float32(nan), np.float32(0.9091), np.float32(0.0599), np.float32(0.8922), np.float32(nan), np.float32(0.8524), np.float32(0.3832), np.float32(0.8253), np.float32(0.359), np.float32(0.6534), np.float32(0.9007), np.float32(0.9214), np.float32(0.9032), np.float32(0.777), np.float32(0.7668), np.float32(0.0263), np.float32(0.5882), np.float32(0.4374), np.float32(0.8729), np.float32(0.1466), np.float32(0.0117), np.float32(0.8436), np.float32(0.2597), np.float32(0.7769), np.float32(0.238), np.float32(0.3631), np.float32(0.3732), np.float32(0.7758), np.float32(0.8651), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7079), np.float32(0.0), np.float32(0.3223), np.float32(0.5508), np.float32(0.8255), np.float32(0.742), np.float32(0.7785), np.float32(0.7964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 04:59:31.155318: Epoch time: 123.25 s +2026-02-22 04:59:32.080589: +2026-02-22 04:59:32.094884: Epoch 515 +2026-02-22 04:59:32.106555: Current learning rate: 0.00521 +2026-02-22 05:01:24.368646: train_loss -0.0496 +2026-02-22 05:01:24.480676: val_loss -0.0415 +2026-02-22 05:01:24.482376: Pseudo dice [np.float32(0.9453), np.float32(0.9424), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8434), np.float32(nan), np.float32(0.9217), np.float32(nan), np.float32(0.8709), np.float32(0.0333), np.float32(0.8059), np.float32(nan), np.float32(0.8503), np.float32(0.3745), np.float32(0.8082), np.float32(0.5246), np.float32(0.654), np.float32(0.8515), np.float32(0.9051), np.float32(0.8878), np.float32(0.6796), np.float32(0.7534), np.float32(0.0074), np.float32(0.3265), np.float32(0.6895), np.float32(0.768), np.float32(0.168), np.float32(0.4266), np.float32(0.9314), np.float32(0.0085), np.float32(0.8159), np.float32(0.6567), np.float32(0.3532), np.float32(0.4108), np.float32(0.9051), np.float32(0.8987), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7004), np.float32(0.0144), np.float32(0.8287), np.float32(0.2932), np.float32(0.7787), np.float32(0.8731), np.float32(0.7549), np.float32(0.7711), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:01:24.493286: Epoch time: 112.29 s +2026-02-22 05:01:25.670880: +2026-02-22 05:01:25.684400: Epoch 516 +2026-02-22 05:01:25.686208: Current learning rate: 0.0052 +2026-02-22 05:03:31.246678: train_loss -0.0418 +2026-02-22 05:03:31.258433: val_loss -0.0535 +2026-02-22 05:03:31.261230: Pseudo dice [np.float32(0.9071), np.float32(0.949), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8737), np.float32(nan), np.float32(0.8868), np.float32(nan), np.float32(0.89), np.float32(0.3407), np.float32(0.8791), np.float32(nan), np.float32(0.8335), np.float32(0.1847), np.float32(0.8377), np.float32(0.0), np.float32(0.6284), np.float32(0.8614), np.float32(0.9018), np.float32(0.8958), np.float32(0.7687), np.float32(0.7209), np.float32(0.2634), np.float32(0.4036), np.float32(0.5085), np.float32(0.8571), np.float32(0.0), np.float32(0.0), np.float32(0.9352), np.float32(0.4981), np.float32(0.8457), np.float32(0.5901), np.float32(0.294), np.float32(0.3667), np.float32(0.9388), np.float32(0.9255), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6841), np.float32(0.0), np.float32(0.711), np.float32(0.3018), np.float32(0.8653), np.float32(0.82), np.float32(0.7923), np.float32(0.7929), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:03:31.262871: Epoch time: 125.58 s +2026-02-22 05:03:32.387695: +2026-02-22 05:03:32.414922: Epoch 517 +2026-02-22 05:03:32.420437: Current learning rate: 0.00519 +2026-02-22 05:05:28.764271: train_loss -0.0437 +2026-02-22 05:05:28.775984: val_loss -0.0707 +2026-02-22 05:05:28.776989: Pseudo dice [np.float32(0.9171), np.float32(0.9312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8206), np.float32(nan), np.float32(0.9506), np.float32(nan), np.float32(0.9416), np.float32(0.1102), np.float32(0.8768), np.float32(nan), np.float32(0.8749), np.float32(0.1157), np.float32(0.834), np.float32(0.3978), np.float32(0.5669), np.float32(0.8787), np.float32(0.9196), np.float32(0.9095), np.float32(0.7482), np.float32(0.7417), np.float32(0.0263), np.float32(0.3937), np.float32(0.608), np.float32(0.8656), np.float32(0.0353), np.float32(0.0), np.float32(0.8898), np.float32(0.4233), np.float32(0.7885), np.float32(0.5836), np.float32(0.3691), np.float32(0.2372), np.float32(0.8236), np.float32(0.7825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8227), np.float32(0.1585), np.float32(0.4573), np.float32(0.0), np.float32(0.4615), np.float32(0.7004), np.float32(0.7406), np.float32(0.8016), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:05:28.779010: Epoch time: 116.38 s +2026-02-22 05:05:29.808797: +2026-02-22 05:05:29.811866: Epoch 518 +2026-02-22 05:05:29.812968: Current learning rate: 0.00518 +2026-02-22 05:07:37.973983: train_loss -0.0701 +2026-02-22 05:07:38.002866: val_loss -0.0824 +2026-02-22 05:07:38.009595: Pseudo dice [np.float32(0.9574), np.float32(0.9575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8706), np.float32(nan), np.float32(0.9102), np.float32(nan), np.float32(0.9501), np.float32(0.5258), np.float32(0.8562), np.float32(nan), np.float32(0.8814), np.float32(0.3768), np.float32(0.8502), np.float32(0.4801), np.float32(0.6738), np.float32(0.8901), np.float32(0.9323), np.float32(0.9018), np.float32(0.7733), np.float32(0.8035), np.float32(0.0301), np.float32(0.4312), np.float32(0.3588), np.float32(0.8345), np.float32(0.0005), np.float32(0.0), np.float32(0.8927), np.float32(0.1659), np.float32(0.8315), np.float32(0.0), np.float32(0.345), np.float32(0.4495), np.float32(0.9181), np.float32(0.9501), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7708), np.float32(0.5849), np.float32(0.4617), np.float32(0.4813), np.float32(0.7758), np.float32(0.85), np.float32(0.7917), np.float32(0.8245), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:07:38.010675: Epoch time: 128.17 s +2026-02-22 05:07:39.035153: +2026-02-22 05:07:39.048301: Epoch 519 +2026-02-22 05:07:39.049439: Current learning rate: 0.00518 +2026-02-22 05:09:36.610798: train_loss -0.0729 +2026-02-22 05:09:36.615645: val_loss -0.0909 +2026-02-22 05:09:36.616669: Pseudo dice [np.float32(0.9383), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8896), np.float32(nan), np.float32(0.9297), np.float32(nan), np.float32(0.8829), np.float32(0.0099), np.float32(0.8772), np.float32(nan), np.float32(0.8892), np.float32(0.4697), np.float32(0.8455), np.float32(0.3717), np.float32(0.7028), np.float32(0.8873), np.float32(0.9294), np.float32(0.9121), np.float32(0.7861), np.float32(0.8295), np.float32(0.0007), np.float32(0.5484), np.float32(0.7423), np.float32(0.8348), np.float32(0.3058), np.float32(0.0968), np.float32(0.9321), np.float32(0.3602), np.float32(0.8634), np.float32(0.6795), np.float32(0.4448), np.float32(0.4006), np.float32(0.9418), np.float32(0.9234), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8619), np.float32(0.0), np.float32(0.5598), np.float32(0.0), np.float32(0.7241), np.float32(0.7817), np.float32(0.7807), np.float32(0.8167), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:09:36.617682: Epoch time: 117.58 s +2026-02-22 05:09:37.539141: +2026-02-22 05:09:37.558770: Epoch 520 +2026-02-22 05:09:37.559573: Current learning rate: 0.00517 +2026-02-22 05:11:35.308900: train_loss -0.0584 +2026-02-22 05:11:35.314833: val_loss -0.0338 +2026-02-22 05:11:35.316075: Pseudo dice [np.float32(0.9245), np.float32(0.9251), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8858), np.float32(nan), np.float32(0.9205), np.float32(nan), np.float32(0.8283), np.float32(0.2259), np.float32(0.8384), np.float32(0.0), np.float32(0.8206), np.float32(0.3822), np.float32(0.8281), np.float32(0.4849), np.float32(0.6835), np.float32(0.8337), np.float32(0.913), np.float32(0.8794), np.float32(0.7918), np.float32(0.7937), np.float32(0.0), np.float32(0.1877), np.float32(0.4617), np.float32(0.7673), np.float32(0.0216), np.float32(0.0008), np.float32(0.8635), np.float32(0.3735), np.float32(0.8051), np.float32(0.0326), np.float32(0.4599), np.float32(0.3866), np.float32(0.8808), np.float32(0.8972), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6421), np.float32(0.1667), np.float32(0.2011), np.float32(0.2831), np.float32(0.8594), np.float32(0.8951), np.float32(0.7664), np.float32(0.8289), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:11:35.317071: Epoch time: 117.77 s +2026-02-22 05:11:36.300963: +2026-02-22 05:11:36.305338: Epoch 521 +2026-02-22 05:11:36.307544: Current learning rate: 0.00516 +2026-02-22 05:13:22.665200: train_loss -0.0751 +2026-02-22 05:13:22.803269: val_loss -0.0809 +2026-02-22 05:13:22.810285: Pseudo dice [np.float32(0.9529), np.float32(0.9134), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8756), np.float32(nan), np.float32(0.9543), np.float32(nan), np.float32(0.9509), np.float32(0.6739), np.float32(0.8528), np.float32(nan), np.float32(0.8789), np.float32(0.3326), np.float32(0.8327), np.float32(0.6779), np.float32(0.6611), np.float32(0.8681), np.float32(0.9327), np.float32(0.9019), np.float32(0.7786), np.float32(0.8156), np.float32(0.6509), np.float32(0.3747), np.float32(0.7644), np.float32(0.8014), np.float32(0.1287), np.float32(0.057), np.float32(0.917), np.float32(0.4086), np.float32(0.7269), np.float32(0.6151), np.float32(0.4627), np.float32(0.3109), np.float32(0.9332), np.float32(0.9408), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8166), np.float32(0.5705), np.float32(0.4008), np.float32(0.4755), np.float32(0.8687), np.float32(0.847), np.float32(0.786), np.float32(0.829), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:13:22.828812: Epoch time: 106.37 s +2026-02-22 05:13:23.759286: +2026-02-22 05:13:23.762491: Epoch 522 +2026-02-22 05:13:23.763286: Current learning rate: 0.00515 +2026-02-22 05:15:23.263632: train_loss -0.0486 +2026-02-22 05:15:23.280356: val_loss -0.0628 +2026-02-22 05:15:23.283044: Pseudo dice [np.float32(0.9363), np.float32(0.8883), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8703), np.float32(nan), np.float32(0.9376), np.float32(nan), np.float32(0.8682), np.float32(0.0), np.float32(0.8285), np.float32(nan), np.float32(0.863), np.float32(0.2068), np.float32(0.8164), np.float32(0.301), np.float32(0.6935), np.float32(0.8572), np.float32(0.8941), np.float32(0.8863), np.float32(0.7496), np.float32(0.7744), np.float32(0.0332), np.float32(0.241), np.float32(0.4425), np.float32(0.7), np.float32(0.0046), np.float32(0.0029), np.float32(0.9218), np.float32(0.1389), np.float32(0.8206), np.float32(0.3102), np.float32(0.3427), np.float32(0.3334), np.float32(0.9314), np.float32(0.9086), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7099), np.float32(0.316), np.float32(0.5363), np.float32(0.6727), np.float32(0.7995), np.float32(0.8235), np.float32(0.736), np.float32(0.7812), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:15:23.287175: Epoch time: 119.51 s +2026-02-22 05:15:26.450701: +2026-02-22 05:15:26.456383: Epoch 523 +2026-02-22 05:15:26.457188: Current learning rate: 0.00514 +2026-02-22 05:17:25.162693: train_loss -0.0677 +2026-02-22 05:17:25.166331: val_loss -0.0574 +2026-02-22 05:17:25.169812: Pseudo dice [np.float32(0.9137), np.float32(0.942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.896), np.float32(nan), np.float32(0.912), np.float32(nan), np.float32(0.9408), np.float32(0.4676), np.float32(0.8669), np.float32(nan), np.float32(0.9011), np.float32(0.3252), np.float32(0.8367), np.float32(0.5637), np.float32(0.6427), np.float32(0.8957), np.float32(0.9261), np.float32(0.8954), np.float32(0.742), np.float32(0.8014), np.float32(0.4223), np.float32(0.1126), np.float32(0.2784), np.float32(0.8804), np.float32(0.0721), np.float32(0.0178), np.float32(0.9396), np.float32(0.0463), np.float32(0.8582), np.float32(0.73), np.float32(0.4235), np.float32(0.3132), np.float32(0.8718), np.float32(0.8598), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6274), np.float32(0.4981), np.float32(0.4508), np.float32(0.5278), np.float32(0.8881), np.float32(0.8667), np.float32(0.7798), np.float32(0.8128), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:17:25.176174: Epoch time: 118.71 s +2026-02-22 05:17:26.324000: +2026-02-22 05:17:26.331901: Epoch 524 +2026-02-22 05:17:26.332743: Current learning rate: 0.00513 +2026-02-22 05:19:20.931736: train_loss -0.0554 +2026-02-22 05:19:20.952671: val_loss -0.0634 +2026-02-22 05:19:20.956122: Pseudo dice [np.float32(0.9232), np.float32(0.9282), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8701), np.float32(nan), np.float32(0.9231), np.float32(nan), np.float32(0.9167), np.float32(0.3977), np.float32(0.834), np.float32(nan), np.float32(0.8916), np.float32(0.2833), np.float32(0.8327), np.float32(0.1895), np.float32(0.6697), np.float32(0.852), np.float32(0.9042), np.float32(0.89), np.float32(0.7926), np.float32(0.8105), np.float32(0.0055), np.float32(0.3903), np.float32(0.0), np.float32(0.8632), np.float32(0.0056), np.float32(0.0065), np.float32(0.9163), np.float32(0.0205), np.float32(0.8428), np.float32(0.0899), np.float32(0.329), np.float32(0.4164), np.float32(0.9099), np.float32(0.9374), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6011), np.float32(0.2952), np.float32(0.5591), np.float32(0.6077), np.float32(0.9141), np.float32(0.901), np.float32(0.8018), np.float32(0.8076), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:19:20.959085: Epoch time: 114.61 s +2026-02-22 05:19:22.037950: +2026-02-22 05:19:22.049002: Epoch 525 +2026-02-22 05:19:22.049851: Current learning rate: 0.00512 +2026-02-22 05:21:18.625475: train_loss -0.0521 +2026-02-22 05:21:18.730083: val_loss 0.0004 +2026-02-22 05:21:18.738944: Pseudo dice [np.float32(0.8922), np.float32(0.9367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8788), np.float32(nan), np.float32(0.7062), np.float32(nan), np.float32(0.8758), np.float32(0.3882), np.float32(0.8274), np.float32(nan), np.float32(0.8542), np.float32(0.5216), np.float32(0.8213), np.float32(0.0), np.float32(0.6633), np.float32(0.8323), np.float32(0.903), np.float32(0.8686), np.float32(0.7486), np.float32(0.7879), np.float32(0.0005), np.float32(0.2632), np.float32(0.3339), np.float32(0.7905), np.float32(0.0071), np.float32(0.0999), np.float32(0.7758), np.float32(0.0067), np.float32(0.8527), np.float32(0.5738), np.float32(0.4253), np.float32(0.4079), np.float32(0.9155), np.float32(0.9107), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7661), np.float32(nan), np.float32(0.6733), np.float32(0.7855), np.float32(0.761), np.float32(0.7844), np.float32(0.7519), np.float32(0.8004), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:21:18.742743: Epoch time: 116.59 s +2026-02-22 05:21:19.792372: +2026-02-22 05:21:19.795710: Epoch 526 +2026-02-22 05:21:19.796520: Current learning rate: 0.00511 +2026-02-22 05:23:20.968196: train_loss -0.0278 +2026-02-22 05:23:20.973153: val_loss -0.0875 +2026-02-22 05:23:20.974311: Pseudo dice [np.float32(0.9484), np.float32(0.9217), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.9505), np.float32(nan), np.float32(0.92), np.float32(0.8296), np.float32(0.8783), np.float32(nan), np.float32(0.8511), np.float32(0.0899), np.float32(0.8285), np.float32(0.505), np.float32(0.6787), np.float32(0.8663), np.float32(0.9326), np.float32(0.9005), np.float32(0.7216), np.float32(0.7748), np.float32(0.5712), np.float32(0.44), np.float32(0.1752), np.float32(0.9042), np.float32(0.0374), np.float32(0.0), np.float32(0.9236), np.float32(0.2719), np.float32(0.8324), np.float32(0.1772), np.float32(0.4204), np.float32(0.4011), np.float32(0.9354), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6201), np.float32(0.1185), np.float32(0.7227), np.float32(0.5556), np.float32(0.9173), np.float32(0.9319), np.float32(0.7918), np.float32(0.813), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:23:20.976675: Epoch time: 121.18 s +2026-02-22 05:23:21.949762: +2026-02-22 05:23:21.950819: Epoch 527 +2026-02-22 05:23:21.951638: Current learning rate: 0.0051 +2026-02-22 05:25:23.667565: train_loss -0.0585 +2026-02-22 05:25:23.690640: val_loss -0.0936 +2026-02-22 05:25:23.696053: Pseudo dice [np.float32(0.9661), np.float32(0.9517), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8852), np.float32(nan), np.float32(0.9563), np.float32(nan), np.float32(0.8841), np.float32(0.13), np.float32(0.8862), np.float32(nan), np.float32(0.8998), np.float32(0.5687), np.float32(0.849), np.float32(0.3863), np.float32(0.7128), np.float32(0.8872), np.float32(0.9256), np.float32(0.9115), np.float32(0.7596), np.float32(0.7973), np.float32(0.7096), np.float32(0.5437), np.float32(0.5412), np.float32(0.8539), np.float32(0.3972), np.float32(0.5044), np.float32(0.9206), np.float32(0.014), np.float32(0.8598), np.float32(0.4658), np.float32(0.4631), np.float32(0.4507), np.float32(0.9299), np.float32(0.9154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7147), np.float32(0.5052), np.float32(0.4795), np.float32(0.392), np.float32(0.6611), np.float32(0.7787), np.float32(0.8083), np.float32(0.8439), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:25:23.697626: Epoch time: 121.72 s +2026-02-22 05:25:23.699182: Yayy! New best EMA pseudo Dice: 0.6470000147819519 +2026-02-22 05:25:26.019470: +2026-02-22 05:25:26.026742: Epoch 528 +2026-02-22 05:25:26.027886: Current learning rate: 0.00509 +2026-02-22 05:27:23.260414: train_loss -0.0544 +2026-02-22 05:27:23.271495: val_loss -0.0811 +2026-02-22 05:27:23.272545: Pseudo dice [np.float32(0.9363), np.float32(0.9502), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.9429), np.float32(nan), np.float32(0.9324), np.float32(0.1747), np.float32(0.8442), np.float32(nan), np.float32(0.8579), np.float32(0.3381), np.float32(0.8299), np.float32(0.5841), np.float32(0.6554), np.float32(0.8812), np.float32(0.9341), np.float32(0.9008), np.float32(0.7932), np.float32(0.7677), np.float32(0.2381), np.float32(0.3942), np.float32(0.7026), np.float32(0.7556), np.float32(0.0006), np.float32(0.0049), np.float32(0.9347), np.float32(0.2797), np.float32(0.8033), np.float32(0.5992), np.float32(0.3997), np.float32(0.3935), np.float32(0.9633), np.float32(0.943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7149), np.float32(0.0), np.float32(0.665), np.float32(0.4882), np.float32(0.9402), np.float32(0.9136), np.float32(0.8152), np.float32(0.8314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:27:23.273515: Epoch time: 117.24 s +2026-02-22 05:27:23.274225: Yayy! New best EMA pseudo Dice: 0.6488999724388123 +2026-02-22 05:27:25.356850: +2026-02-22 05:27:25.358175: Epoch 529 +2026-02-22 05:27:25.358977: Current learning rate: 0.00508 +2026-02-22 05:29:29.833002: train_loss -0.0613 +2026-02-22 05:29:29.848292: val_loss -0.0929 +2026-02-22 05:29:29.854457: Pseudo dice [np.float32(0.9318), np.float32(0.9143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8709), np.float32(nan), np.float32(0.9605), np.float32(nan), np.float32(0.9517), np.float32(0.2771), np.float32(0.8878), np.float32(nan), np.float32(0.9035), np.float32(0.1581), np.float32(0.8338), np.float32(0.6777), np.float32(0.7097), np.float32(0.8696), np.float32(0.9372), np.float32(0.9099), np.float32(0.7749), np.float32(0.8201), np.float32(0.4633), np.float32(0.3029), np.float32(0.7826), np.float32(0.8441), np.float32(0.1926), np.float32(0.2116), np.float32(0.9278), np.float32(0.2212), np.float32(0.8502), np.float32(0.3731), np.float32(0.4545), np.float32(0.4124), np.float32(0.9238), np.float32(0.9131), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6448), np.float32(0.0501), np.float32(0.4228), np.float32(0.6249), np.float32(0.8234), np.float32(0.5651), np.float32(0.835), np.float32(0.8431), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:29:29.861192: Epoch time: 124.48 s +2026-02-22 05:29:29.866696: Yayy! New best EMA pseudo Dice: 0.6509000062942505 +2026-02-22 05:29:32.042060: +2026-02-22 05:29:32.043874: Epoch 530 +2026-02-22 05:29:32.044685: Current learning rate: 0.00507 +2026-02-22 05:31:24.202450: train_loss -0.0547 +2026-02-22 05:31:24.239469: val_loss -0.0272 +2026-02-22 05:31:24.244913: Pseudo dice [np.float32(0.9468), np.float32(0.9154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.9196), np.float32(nan), np.float32(0.8613), np.float32(0.3132), np.float32(0.8389), np.float32(nan), np.float32(0.839), np.float32(0.1271), np.float32(0.8224), np.float32(0.2142), np.float32(0.6106), np.float32(0.8258), np.float32(0.8863), np.float32(0.8685), np.float32(0.748), np.float32(0.7944), np.float32(0.8402), np.float32(0.3832), np.float32(0.0004), np.float32(0.7599), np.float32(0.0907), np.float32(0.23), np.float32(0.8998), np.float32(0.0073), np.float32(0.7797), np.float32(0.427), np.float32(0.408), np.float32(0.4279), np.float32(0.9093), np.float32(0.8432), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7373), np.float32(0.6116), np.float32(0.4577), np.float32(0.1457), np.float32(0.8645), np.float32(0.7872), np.float32(0.7426), np.float32(0.7664), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:31:24.250419: Epoch time: 112.16 s +2026-02-22 05:31:25.270640: +2026-02-22 05:31:25.277007: Epoch 531 +2026-02-22 05:31:25.277803: Current learning rate: 0.00506 +2026-02-22 05:33:30.034248: train_loss -0.076 +2026-02-22 05:33:30.044247: val_loss -0.0852 +2026-02-22 05:33:30.045308: Pseudo dice [np.float32(0.9225), np.float32(0.9009), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8859), np.float32(nan), np.float32(0.9219), np.float32(nan), np.float32(0.8497), np.float32(0.1068), np.float32(0.8906), np.float32(nan), np.float32(0.888), np.float32(0.467), np.float32(0.8617), np.float32(0.6152), np.float32(0.6923), np.float32(0.9031), np.float32(0.9008), np.float32(0.9011), np.float32(0.7583), np.float32(0.8088), np.float32(0.7631), np.float32(0.4089), np.float32(0.7803), np.float32(0.8773), np.float32(0.237), np.float32(0.0), np.float32(0.9305), np.float32(0.2519), np.float32(0.8525), np.float32(0.0053), np.float32(0.4746), np.float32(0.4053), np.float32(0.9093), np.float32(0.8935), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6696), np.float32(0.3705), np.float32(0.8018), np.float32(0.5316), np.float32(0.9291), np.float32(0.9239), np.float32(0.7919), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:33:30.048080: Epoch time: 124.77 s +2026-02-22 05:33:30.051295: Yayy! New best EMA pseudo Dice: 0.6528000235557556 +2026-02-22 05:33:32.527432: +2026-02-22 05:33:32.529049: Epoch 532 +2026-02-22 05:33:32.529876: Current learning rate: 0.00505 +2026-02-22 05:35:33.112300: train_loss -0.07 +2026-02-22 05:35:33.116218: val_loss -0.1043 +2026-02-22 05:35:33.117503: Pseudo dice [np.float32(0.9289), np.float32(0.9319), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8742), np.float32(nan), np.float32(0.9582), np.float32(nan), np.float32(0.9009), np.float32(0.0971), np.float32(0.8676), np.float32(nan), np.float32(0.8939), np.float32(0.5998), np.float32(0.8554), np.float32(0.6657), np.float32(0.7182), np.float32(0.8965), np.float32(0.9454), np.float32(0.9235), np.float32(0.7759), np.float32(0.7954), np.float32(0.4771), np.float32(0.5298), np.float32(0.0793), np.float32(0.8082), np.float32(0.2617), np.float32(0.2982), np.float32(0.923), np.float32(0.3337), np.float32(0.8403), np.float32(0.6125), np.float32(0.4759), np.float32(0.4087), np.float32(0.9363), np.float32(0.8986), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7125), np.float32(0.6546), np.float32(0.6404), np.float32(0.2738), np.float32(0.8931), np.float32(0.941), np.float32(0.7965), np.float32(0.8266), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:35:33.119383: Epoch time: 120.59 s +2026-02-22 05:35:33.121963: Yayy! New best EMA pseudo Dice: 0.6574000120162964 +2026-02-22 05:35:35.081953: +2026-02-22 05:35:35.094317: Epoch 533 +2026-02-22 05:35:35.096851: Current learning rate: 0.00504 +2026-02-22 05:37:41.615982: train_loss -0.0888 +2026-02-22 05:37:41.647327: val_loss -0.0856 +2026-02-22 05:37:41.651093: Pseudo dice [np.float32(0.9382), np.float32(0.9553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8895), np.float32(nan), np.float32(0.9431), np.float32(nan), np.float32(0.96), np.float32(0.0), np.float32(0.8689), np.float32(0.0), np.float32(0.8821), np.float32(0.4726), np.float32(0.8486), np.float32(0.7008), np.float32(0.6965), np.float32(0.8844), np.float32(0.9332), np.float32(0.9258), np.float32(0.7997), np.float32(0.8145), np.float32(0.7347), np.float32(0.6256), np.float32(0.6656), np.float32(0.8347), np.float32(0.3274), np.float32(0.0609), np.float32(0.9078), np.float32(0.39), np.float32(0.8014), np.float32(0.6978), np.float32(0.4014), np.float32(0.4121), np.float32(0.8313), np.float32(0.8318), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7994), np.float32(0.005), np.float32(0.649), np.float32(0.1868), np.float32(0.8937), np.float32(0.8848), np.float32(0.8385), np.float32(0.8456), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:37:41.651888: Epoch time: 126.54 s +2026-02-22 05:37:41.652584: Yayy! New best EMA pseudo Dice: 0.659500002861023 +2026-02-22 05:37:43.688340: +2026-02-22 05:37:43.691637: Epoch 534 +2026-02-22 05:37:43.692462: Current learning rate: 0.00503 +2026-02-22 05:39:37.495424: train_loss -0.0783 +2026-02-22 05:39:37.499698: val_loss -0.0875 +2026-02-22 05:39:37.500843: Pseudo dice [np.float32(0.9599), np.float32(0.965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.887), np.float32(nan), np.float32(0.9465), np.float32(nan), np.float32(0.9466), np.float32(0.2379), np.float32(0.8589), np.float32(nan), np.float32(0.8278), np.float32(0.3574), np.float32(0.8539), np.float32(0.4772), np.float32(0.6915), np.float32(0.8719), np.float32(0.9334), np.float32(0.9086), np.float32(0.7745), np.float32(0.7655), np.float32(0.0005), np.float32(0.1439), np.float32(0.527), np.float32(0.7814), np.float32(0.1684), np.float32(0.3332), np.float32(0.9307), np.float32(0.3207), np.float32(0.8408), np.float32(0.744), np.float32(0.4614), np.float32(0.4498), np.float32(0.8891), np.float32(0.9282), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7891), np.float32(0.0), np.float32(0.0076), np.float32(0.0), np.float32(0.7523), np.float32(0.8314), np.float32(0.8179), np.float32(0.8285), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:39:37.502497: Epoch time: 113.81 s +2026-02-22 05:39:38.400400: +2026-02-22 05:39:38.401528: Epoch 535 +2026-02-22 05:39:38.402450: Current learning rate: 0.00502 +2026-02-22 05:41:39.564193: train_loss -0.0874 +2026-02-22 05:41:39.586719: val_loss -0.0918 +2026-02-22 05:41:39.594466: Pseudo dice [np.float32(0.9515), np.float32(0.9568), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8819), np.float32(nan), np.float32(0.9511), np.float32(nan), np.float32(0.9436), np.float32(0.0039), np.float32(0.8481), np.float32(nan), np.float32(0.8617), np.float32(0.4506), np.float32(0.8449), np.float32(0.3525), np.float32(0.7005), np.float32(0.8853), np.float32(0.9235), np.float32(0.9164), np.float32(0.7747), np.float32(0.77), np.float32(0.1991), np.float32(0.262), np.float32(0.0191), np.float32(0.8747), np.float32(0.0005), np.float32(0.0589), np.float32(0.9173), np.float32(0.5146), np.float32(0.7735), np.float32(0.4889), np.float32(0.4253), np.float32(0.3921), np.float32(0.8989), np.float32(0.9239), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7513), np.float32(0.0), np.float32(0.7365), np.float32(0.4376), np.float32(0.8298), np.float32(0.8398), np.float32(0.7753), np.float32(0.8146), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:41:39.602461: Epoch time: 121.17 s +2026-02-22 05:41:40.747349: +2026-02-22 05:41:40.762562: Epoch 536 +2026-02-22 05:41:40.765228: Current learning rate: 0.00501 +2026-02-22 05:43:38.453218: train_loss -0.0733 +2026-02-22 05:43:38.462593: val_loss -0.0729 +2026-02-22 05:43:38.464061: Pseudo dice [np.float32(0.9606), np.float32(0.9431), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8675), np.float32(nan), np.float32(0.9379), np.float32(nan), np.float32(0.8495), np.float32(0.0028), np.float32(0.8588), np.float32(nan), np.float32(0.8732), np.float32(0.6457), np.float32(0.8521), np.float32(0.5686), np.float32(0.6636), np.float32(0.8752), np.float32(0.9362), np.float32(0.9267), np.float32(0.7753), np.float32(0.7916), np.float32(0.0012), np.float32(0.2457), np.float32(0.0), np.float32(0.8083), np.float32(0.0136), np.float32(0.0), np.float32(0.9162), np.float32(0.2057), np.float32(0.8172), np.float32(0.0022), np.float32(0.4184), np.float32(0.4127), np.float32(0.8815), np.float32(0.9018), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7165), np.float32(0.2438), np.float32(0.674), np.float32(0.5571), np.float32(0.76), np.float32(0.8522), np.float32(0.806), np.float32(0.8061), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:43:38.467867: Epoch time: 117.71 s +2026-02-22 05:43:39.525874: +2026-02-22 05:43:39.529853: Epoch 537 +2026-02-22 05:43:39.530744: Current learning rate: 0.005 +2026-02-22 05:45:40.328251: train_loss -0.0606 +2026-02-22 05:45:40.406700: val_loss -0.0713 +2026-02-22 05:45:40.414471: Pseudo dice [np.float32(0.9531), np.float32(0.9074), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8762), np.float32(nan), np.float32(0.9311), np.float32(nan), np.float32(0.9292), np.float32(0.2221), np.float32(0.8408), np.float32(nan), np.float32(0.8857), np.float32(0.3392), np.float32(0.8445), np.float32(0.3341), np.float32(0.5895), np.float32(0.8753), np.float32(0.9064), np.float32(0.8867), np.float32(0.7197), np.float32(0.7649), np.float32(0.0137), np.float32(0.4995), np.float32(0.0773), np.float32(0.819), np.float32(0.0009), np.float32(0.0), np.float32(0.8632), np.float32(0.3282), np.float32(0.7895), np.float32(0.1175), np.float32(0.3928), np.float32(0.3493), np.float32(0.9653), np.float32(0.9293), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8172), np.float32(0.0), np.float32(0.6895), np.float32(0.1075), np.float32(0.8535), np.float32(0.6279), np.float32(0.7703), np.float32(0.8088), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:45:40.419096: Epoch time: 120.8 s +2026-02-22 05:45:41.405261: +2026-02-22 05:45:41.409214: Epoch 538 +2026-02-22 05:45:41.410522: Current learning rate: 0.00499 +2026-02-22 05:47:40.926007: train_loss -0.0497 +2026-02-22 05:47:40.961630: val_loss -0.0704 +2026-02-22 05:47:40.963754: Pseudo dice [np.float32(0.9346), np.float32(0.945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8425), np.float32(nan), np.float32(0.9271), np.float32(nan), np.float32(0.9352), np.float32(0.2889), np.float32(0.8682), np.float32(nan), np.float32(0.863), np.float32(0.4671), np.float32(0.8296), np.float32(0.757), np.float32(0.6672), np.float32(0.8544), np.float32(0.9312), np.float32(0.8768), np.float32(0.6647), np.float32(0.729), np.float32(0.0139), np.float32(0.2185), np.float32(0.0947), np.float32(0.8331), np.float32(0.5386), np.float32(0.2152), np.float32(0.9271), np.float32(0.0646), np.float32(0.8316), np.float32(0.527), np.float32(0.4757), np.float32(0.3498), np.float32(0.9517), np.float32(0.9675), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.706), np.float32(0.6387), np.float32(0.2777), np.float32(0.3729), np.float32(0.863), np.float32(0.8905), np.float32(0.7757), np.float32(0.8081), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:47:40.966133: Epoch time: 119.52 s +2026-02-22 05:47:42.248301: +2026-02-22 05:47:42.251509: Epoch 539 +2026-02-22 05:47:42.252301: Current learning rate: 0.00498 +2026-02-22 05:49:38.302918: train_loss -0.0382 +2026-02-22 05:49:38.314528: val_loss -0.0462 +2026-02-22 05:49:38.315805: Pseudo dice [np.float32(0.932), np.float32(0.9445), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.8947), np.float32(nan), np.float32(0.9019), np.float32(0.2722), np.float32(0.8331), np.float32(0.0), np.float32(0.8886), np.float32(0.2067), np.float32(0.8383), np.float32(0.235), np.float32(0.6848), np.float32(0.8946), np.float32(0.9065), np.float32(0.8607), np.float32(0.7794), np.float32(0.7505), np.float32(0.2229), np.float32(0.5053), np.float32(0.0), np.float32(0.8209), np.float32(0.2764), np.float32(0.1901), np.float32(0.9209), np.float32(0.0041), np.float32(0.7771), np.float32(0.489), np.float32(0.2689), np.float32(0.4019), np.float32(0.9183), np.float32(0.9311), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7513), np.float32(0.0027), np.float32(0.2121), np.float32(0.059), np.float32(0.5797), np.float32(0.5981), np.float32(0.7667), np.float32(0.7985), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:49:38.316784: Epoch time: 116.06 s +2026-02-22 05:49:39.335650: +2026-02-22 05:49:39.355630: Epoch 540 +2026-02-22 05:49:39.370166: Current learning rate: 0.00497 +2026-02-22 05:51:42.899172: train_loss -0.0568 +2026-02-22 05:51:42.911992: val_loss -0.0677 +2026-02-22 05:51:42.916044: Pseudo dice [np.float32(0.9313), np.float32(0.9442), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8771), np.float32(nan), np.float32(0.943), np.float32(nan), np.float32(0.9381), np.float32(0.0215), np.float32(0.8604), np.float32(nan), np.float32(0.8837), np.float32(0.5655), np.float32(0.8181), np.float32(0.6044), np.float32(0.6634), np.float32(0.8252), np.float32(0.9387), np.float32(0.9092), np.float32(0.8044), np.float32(0.8125), np.float32(0.0159), np.float32(0.4601), np.float32(0.6055), np.float32(0.8156), np.float32(0.0), np.float32(0.0049), np.float32(0.949), np.float32(0.333), np.float32(0.839), np.float32(0.0566), np.float32(0.5244), np.float32(0.3916), np.float32(0.9083), np.float32(0.8709), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7493), np.float32(0.0), np.float32(0.5916), np.float32(0.0446), np.float32(0.8516), np.float32(0.8607), np.float32(0.7815), np.float32(0.7785), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:51:42.917454: Epoch time: 123.57 s +2026-02-22 05:51:44.164346: +2026-02-22 05:51:44.170272: Epoch 541 +2026-02-22 05:51:44.171335: Current learning rate: 0.00496 +2026-02-22 05:53:47.749730: train_loss -0.0708 +2026-02-22 05:53:47.766186: val_loss -0.0938 +2026-02-22 05:53:47.771097: Pseudo dice [np.float32(0.9613), np.float32(0.9402), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8809), np.float32(nan), np.float32(0.9641), np.float32(nan), np.float32(0.931), np.float32(0.3974), np.float32(0.867), np.float32(nan), np.float32(0.9142), np.float32(0.0925), np.float32(0.826), np.float32(0.3416), np.float32(0.645), np.float32(0.8837), np.float32(0.9368), np.float32(0.9045), np.float32(0.7892), np.float32(0.8166), np.float32(0.2357), np.float32(0.293), np.float32(0.0), np.float32(0.7973), np.float32(0.2299), np.float32(0.0529), np.float32(0.9368), np.float32(0.3863), np.float32(0.8259), np.float32(0.3424), np.float32(0.5415), np.float32(0.4252), np.float32(0.9481), np.float32(0.9534), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6387), np.float32(0.2998), np.float32(0.5683), np.float32(0.1818), np.float32(0.8687), np.float32(0.8748), np.float32(0.7981), np.float32(0.8308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:53:47.776494: Epoch time: 123.59 s +2026-02-22 05:53:49.006933: +2026-02-22 05:53:49.015415: Epoch 542 +2026-02-22 05:53:49.016784: Current learning rate: 0.00495 +2026-02-22 05:56:03.006792: train_loss -0.064 +2026-02-22 05:56:03.029553: val_loss -0.0779 +2026-02-22 05:56:03.032464: Pseudo dice [np.float32(0.9528), np.float32(0.9391), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8649), np.float32(nan), np.float32(0.933), np.float32(nan), np.float32(0.9226), np.float32(0.036), np.float32(0.8581), np.float32(nan), np.float32(0.8826), np.float32(0.2103), np.float32(0.8428), np.float32(0.733), np.float32(0.6109), np.float32(0.8833), np.float32(0.9231), np.float32(0.8964), np.float32(0.8014), np.float32(0.7422), np.float32(0.2096), np.float32(0.2219), np.float32(0.0), np.float32(0.8361), np.float32(0.1033), np.float32(0.0984), np.float32(0.9094), np.float32(0.0445), np.float32(0.8235), np.float32(0.293), np.float32(0.4987), np.float32(0.4283), np.float32(0.9602), np.float32(0.9431), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7147), np.float32(0.3365), np.float32(0.6132), np.float32(0.453), np.float32(0.8643), np.float32(0.9114), np.float32(0.7411), np.float32(0.7936), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:56:03.042486: Epoch time: 134.0 s +2026-02-22 05:56:04.060308: +2026-02-22 05:56:04.076649: Epoch 543 +2026-02-22 05:56:04.077802: Current learning rate: 0.00494 +2026-02-22 05:58:15.278549: train_loss -0.0754 +2026-02-22 05:58:15.282103: val_loss -0.0733 +2026-02-22 05:58:15.283504: Pseudo dice [np.float32(0.9233), np.float32(0.9268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.9523), np.float32(nan), np.float32(0.9145), np.float32(0.2443), np.float32(0.8605), np.float32(nan), np.float32(0.8677), np.float32(0.3391), np.float32(0.8197), np.float32(0.5267), np.float32(0.6108), np.float32(0.8563), np.float32(0.917), np.float32(0.8824), np.float32(0.7662), np.float32(0.7572), np.float32(0.0236), np.float32(0.381), np.float32(0.0395), np.float32(0.823), np.float32(0.2418), np.float32(0.195), np.float32(0.9162), np.float32(0.013), np.float32(0.8543), np.float32(0.5857), np.float32(0.401), np.float32(0.3686), np.float32(0.9358), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.744), np.float32(0.0), np.float32(0.761), np.float32(0.1805), np.float32(0.9162), np.float32(0.9361), np.float32(0.7726), np.float32(0.8081), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 05:58:15.284502: Epoch time: 131.22 s +2026-02-22 05:58:16.198237: +2026-02-22 05:58:16.199357: Epoch 544 +2026-02-22 05:58:16.200930: Current learning rate: 0.00493 +2026-02-22 06:00:27.002500: train_loss -0.0588 +2026-02-22 06:00:27.028686: val_loss -0.0589 +2026-02-22 06:00:27.029783: Pseudo dice [np.float32(0.8941), np.float32(0.9264), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8433), np.float32(nan), np.float32(0.9207), np.float32(nan), np.float32(0.9205), np.float32(0.1523), np.float32(0.8726), np.float32(0.0), np.float32(0.8416), np.float32(0.5415), np.float32(0.8394), np.float32(0.4533), np.float32(0.7042), np.float32(0.8633), np.float32(0.9161), np.float32(0.9007), np.float32(0.7507), np.float32(0.7751), np.float32(0.1898), np.float32(0.1001), np.float32(0.0858), np.float32(0.8139), np.float32(0.0895), np.float32(0.0006), np.float32(0.907), np.float32(0.5263), np.float32(0.7628), np.float32(0.1632), np.float32(0.4736), np.float32(0.4609), np.float32(0.8583), np.float32(0.8859), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7463), np.float32(0.336), np.float32(0.7537), np.float32(0.1576), np.float32(0.5923), np.float32(0.5317), np.float32(0.7769), np.float32(0.8048), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:00:27.031014: Epoch time: 130.81 s +2026-02-22 06:00:28.125916: +2026-02-22 06:00:28.136545: Epoch 545 +2026-02-22 06:00:28.137346: Current learning rate: 0.00492 +2026-02-22 06:02:23.304870: train_loss -0.0885 +2026-02-22 06:02:23.334650: val_loss -0.0685 +2026-02-22 06:02:23.341941: Pseudo dice [np.float32(0.9264), np.float32(0.9237), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8709), np.float32(nan), np.float32(0.9379), np.float32(nan), np.float32(0.9356), np.float32(0.24), np.float32(0.8168), np.float32(nan), np.float32(0.8896), np.float32(0.3566), np.float32(0.8288), np.float32(0.0362), np.float32(0.6802), np.float32(0.8518), np.float32(0.9086), np.float32(0.8823), np.float32(0.783), np.float32(0.7941), np.float32(0.0034), np.float32(0.2647), np.float32(0.069), np.float32(0.8215), np.float32(0.2775), np.float32(0.2275), np.float32(0.9033), np.float32(0.1869), np.float32(0.8176), np.float32(0.6778), np.float32(0.3822), np.float32(0.4021), np.float32(0.9638), np.float32(0.967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7537), np.float32(0.0005), np.float32(0.5783), np.float32(0.5379), np.float32(0.824), np.float32(0.7567), np.float32(0.7882), np.float32(0.8107), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:02:23.342898: Epoch time: 115.18 s +2026-02-22 06:02:24.411703: +2026-02-22 06:02:24.423660: Epoch 546 +2026-02-22 06:02:24.424461: Current learning rate: 0.00491 +2026-02-22 06:04:18.400131: train_loss -0.0465 +2026-02-22 06:04:18.479210: val_loss -0.0969 +2026-02-22 06:04:18.480859: Pseudo dice [np.float32(0.964), np.float32(0.9562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.875), np.float32(nan), np.float32(0.9519), np.float32(nan), np.float32(0.9196), np.float32(0.0722), np.float32(0.8726), np.float32(nan), np.float32(0.8928), np.float32(0.2369), np.float32(0.834), np.float32(0.7051), np.float32(0.6741), np.float32(0.8747), np.float32(0.9223), np.float32(0.8979), np.float32(0.7787), np.float32(0.7514), np.float32(0.301), np.float32(0.4533), np.float32(0.8052), np.float32(0.8356), np.float32(0.0607), np.float32(0.0806), np.float32(0.9271), np.float32(0.057), np.float32(0.7903), np.float32(0.3234), np.float32(0.3791), np.float32(0.454), np.float32(0.9284), np.float32(0.9338), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8023), np.float32(0.0), np.float32(0.7142), np.float32(0.5362), np.float32(0.9351), np.float32(0.9279), np.float32(0.7815), np.float32(0.8285), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:04:18.481830: Epoch time: 113.99 s +2026-02-22 06:04:19.668406: +2026-02-22 06:04:19.673651: Epoch 547 +2026-02-22 06:04:19.674483: Current learning rate: 0.0049 +2026-02-22 06:06:26.183854: train_loss -0.0615 +2026-02-22 06:06:26.208374: val_loss -0.0837 +2026-02-22 06:06:26.215236: Pseudo dice [np.float32(0.9228), np.float32(0.9336), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.875), np.float32(nan), np.float32(0.955), np.float32(nan), np.float32(0.8596), np.float32(0.0406), np.float32(0.8775), np.float32(nan), np.float32(0.894), np.float32(0.4228), np.float32(0.812), np.float32(0.6083), np.float32(0.6678), np.float32(0.8774), np.float32(0.9372), np.float32(0.9158), np.float32(0.7692), np.float32(0.7754), np.float32(0.8019), np.float32(0.1711), np.float32(0.0), np.float32(0.7953), np.float32(0.0), np.float32(0.1576), np.float32(0.9215), np.float32(0.022), np.float32(0.8479), np.float32(0.5189), np.float32(0.408), np.float32(0.4342), np.float32(0.9203), np.float32(0.9278), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6619), np.float32(0.2645), np.float32(0.0257), np.float32(0.018), np.float32(0.3611), np.float32(0.7761), np.float32(0.7969), np.float32(0.8386), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:06:26.218619: Epoch time: 126.52 s +2026-02-22 06:06:27.176459: +2026-02-22 06:06:27.177420: Epoch 548 +2026-02-22 06:06:27.178214: Current learning rate: 0.00489 +2026-02-22 06:08:28.904161: train_loss -0.0566 +2026-02-22 06:08:28.929615: val_loss -0.0612 +2026-02-22 06:08:28.937418: Pseudo dice [np.float32(0.9531), np.float32(0.9273), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8679), np.float32(nan), np.float32(0.9644), np.float32(nan), np.float32(0.91), np.float32(0.138), np.float32(0.8274), np.float32(nan), np.float32(0.832), np.float32(0.4177), np.float32(0.8317), np.float32(0.0), np.float32(0.62), np.float32(0.8659), np.float32(0.9399), np.float32(0.9043), np.float32(0.7374), np.float32(0.7993), np.float32(0.0739), np.float32(0.4025), np.float32(0.0), np.float32(0.7955), np.float32(0.0056), np.float32(0.0005), np.float32(0.9135), np.float32(0.1635), np.float32(0.7694), np.float32(0.1551), np.float32(0.4254), np.float32(0.3258), np.float32(0.8863), np.float32(0.8849), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7063), np.float32(0.119), np.float32(0.5679), np.float32(0.1102), np.float32(0.7356), np.float32(0.6224), np.float32(0.7749), np.float32(0.8295), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:08:29.019866: Epoch time: 121.73 s +2026-02-22 06:08:29.957166: +2026-02-22 06:08:29.969040: Epoch 549 +2026-02-22 06:08:30.000786: Current learning rate: 0.00488 +2026-02-22 06:10:32.367898: train_loss -0.0635 +2026-02-22 06:10:32.387256: val_loss -0.0739 +2026-02-22 06:10:32.389544: Pseudo dice [np.float32(0.9303), np.float32(0.9264), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8539), np.float32(nan), np.float32(0.9335), np.float32(nan), np.float32(0.8935), np.float32(0.3713), np.float32(0.8793), np.float32(0.0), np.float32(0.8761), np.float32(0.5943), np.float32(0.8582), np.float32(0.7153), np.float32(0.7223), np.float32(0.8836), np.float32(0.9273), np.float32(0.8817), np.float32(0.7901), np.float32(0.8067), np.float32(0.0928), np.float32(0.2978), np.float32(0.0), np.float32(0.7813), np.float32(0.0269), np.float32(0.3189), np.float32(0.927), np.float32(0.4546), np.float32(0.8094), np.float32(0.0), np.float32(0.481), np.float32(0.409), np.float32(0.9285), np.float32(0.9357), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8346), np.float32(0.0), np.float32(0.0), np.float32(0.0), np.float32(0.6398), np.float32(0.7255), np.float32(0.7789), np.float32(0.824), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:10:32.390779: Epoch time: 122.41 s +2026-02-22 06:10:34.576636: +2026-02-22 06:10:34.577986: Epoch 550 +2026-02-22 06:10:34.578801: Current learning rate: 0.00487 +2026-02-22 06:12:33.865240: train_loss -0.0369 +2026-02-22 06:12:33.922985: val_loss -0.059 +2026-02-22 06:12:33.929248: Pseudo dice [np.float32(0.9278), np.float32(0.9048), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8554), np.float32(nan), np.float32(0.926), np.float32(nan), np.float32(0.8659), np.float32(0.1057), np.float32(0.8698), np.float32(nan), np.float32(0.8863), np.float32(0.3621), np.float32(0.8253), np.float32(0.6629), np.float32(0.6514), np.float32(0.8659), np.float32(0.8984), np.float32(0.8733), np.float32(0.7501), np.float32(0.7913), np.float32(0.6251), np.float32(0.534), np.float32(0.0052), np.float32(0.8169), np.float32(0.2057), np.float32(0.1601), np.float32(0.927), np.float32(0.1955), np.float32(0.7721), np.float32(0.3019), np.float32(0.4276), np.float32(0.3196), np.float32(0.8046), np.float32(0.8579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.646), np.float32(0.4743), np.float32(0.7791), np.float32(0.5026), np.float32(0.9085), np.float32(0.9408), np.float32(0.7642), np.float32(0.8095), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:12:33.932450: Epoch time: 119.29 s +2026-02-22 06:12:35.057010: +2026-02-22 06:12:35.070292: Epoch 551 +2026-02-22 06:12:35.071337: Current learning rate: 0.00486 +2026-02-22 06:14:32.817150: train_loss -0.0695 +2026-02-22 06:14:32.855392: val_loss -0.075 +2026-02-22 06:14:32.861223: Pseudo dice [np.float32(0.9378), np.float32(0.9447), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8942), np.float32(nan), np.float32(0.9261), np.float32(nan), np.float32(0.9327), np.float32(0.4584), np.float32(0.8569), np.float32(nan), np.float32(0.9077), np.float32(0.0185), np.float32(0.8353), np.float32(0.6791), np.float32(0.667), np.float32(0.8882), np.float32(0.9124), np.float32(0.9034), np.float32(0.7552), np.float32(0.7851), np.float32(0.0328), np.float32(0.456), np.float32(0.7305), np.float32(0.8351), np.float32(0.2548), np.float32(0.4766), np.float32(0.9145), np.float32(0.1372), np.float32(0.8426), np.float32(0.1728), np.float32(0.4932), np.float32(0.4233), np.float32(0.9189), np.float32(0.8833), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6547), np.float32(0.467), np.float32(0.5977), np.float32(0.3426), np.float32(0.8467), np.float32(0.8521), np.float32(0.8011), np.float32(0.8407), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:14:32.862181: Epoch time: 117.76 s +2026-02-22 06:14:34.168500: +2026-02-22 06:14:34.171891: Epoch 552 +2026-02-22 06:14:34.172697: Current learning rate: 0.00485 +2026-02-22 06:16:39.593277: train_loss -0.0616 +2026-02-22 06:16:39.600687: val_loss -0.0491 +2026-02-22 06:16:39.602536: Pseudo dice [np.float32(0.9208), np.float32(0.9254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8784), np.float32(nan), np.float32(0.9438), np.float32(nan), np.float32(0.809), np.float32(0.0), np.float32(0.8467), np.float32(nan), np.float32(0.8543), np.float32(0.2274), np.float32(0.8176), np.float32(0.5572), np.float32(0.6179), np.float32(0.8608), np.float32(0.92), np.float32(0.8937), np.float32(0.7625), np.float32(0.7649), np.float32(0.4853), np.float32(0.39), np.float32(0.0153), np.float32(0.8197), np.float32(0.0066), np.float32(0.0004), np.float32(0.9297), np.float32(0.3663), np.float32(0.8081), np.float32(0.5555), np.float32(0.4059), np.float32(0.3826), np.float32(0.9272), np.float32(0.8885), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6559), np.float32(0.0), np.float32(0.2387), np.float32(0.0527), np.float32(0.8989), np.float32(0.8879), np.float32(0.7473), np.float32(0.7756), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:16:39.605061: Epoch time: 125.43 s +2026-02-22 06:16:40.576923: +2026-02-22 06:16:40.581040: Epoch 553 +2026-02-22 06:16:40.584574: Current learning rate: 0.00484 +2026-02-22 06:18:47.517553: train_loss -0.0698 +2026-02-22 06:18:47.548756: val_loss -0.0686 +2026-02-22 06:18:47.555465: Pseudo dice [np.float32(0.8524), np.float32(0.8956), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8669), np.float32(nan), np.float32(0.9421), np.float32(nan), np.float32(0.8562), np.float32(0.6951), np.float32(0.8553), np.float32(nan), np.float32(0.879), np.float32(0.6421), np.float32(0.8242), np.float32(0.7581), np.float32(0.6695), np.float32(0.8579), np.float32(0.9372), np.float32(0.8693), np.float32(0.7851), np.float32(0.7848), np.float32(0.5342), np.float32(0.1145), np.float32(0.4819), np.float32(0.8621), np.float32(0.1521), np.float32(0.682), np.float32(0.8962), np.float32(0.1548), np.float32(0.762), np.float32(0.2313), np.float32(0.3742), np.float32(0.3719), np.float32(0.8992), np.float32(0.9034), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.74), np.float32(0.0), np.float32(0.5485), np.float32(0.3796), np.float32(0.8698), np.float32(0.5248), np.float32(0.7754), np.float32(0.8032), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:18:47.562075: Epoch time: 126.94 s +2026-02-22 06:18:48.610619: +2026-02-22 06:18:48.614940: Epoch 554 +2026-02-22 06:18:48.615752: Current learning rate: 0.00484 +2026-02-22 06:20:46.657914: train_loss -0.0503 +2026-02-22 06:20:46.668687: val_loss -0.063 +2026-02-22 06:20:46.670701: Pseudo dice [np.float32(0.9322), np.float32(0.9511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8777), np.float32(nan), np.float32(0.9207), np.float32(nan), np.float32(0.8236), np.float32(0.4704), np.float32(0.8258), np.float32(nan), np.float32(0.8803), np.float32(0.4204), np.float32(0.8343), np.float32(0.6498), np.float32(0.7041), np.float32(0.8709), np.float32(0.8815), np.float32(0.8685), np.float32(0.7408), np.float32(0.7634), np.float32(0.036), np.float32(0.6692), np.float32(0.3214), np.float32(0.7799), np.float32(0.0451), np.float32(0.3151), np.float32(0.8734), np.float32(0.4058), np.float32(0.8308), np.float32(0.0004), np.float32(0.4542), np.float32(0.4262), np.float32(0.961), np.float32(0.9521), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.678), np.float32(0.0409), np.float32(0.7641), np.float32(0.2599), np.float32(0.9631), np.float32(0.9701), np.float32(0.7728), np.float32(0.8153), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:20:46.676292: Epoch time: 118.05 s +2026-02-22 06:20:47.797486: +2026-02-22 06:20:47.801311: Epoch 555 +2026-02-22 06:20:47.802111: Current learning rate: 0.00483 +2026-02-22 06:22:48.372915: train_loss -0.0719 +2026-02-22 06:22:48.393446: val_loss -0.0958 +2026-02-22 06:22:48.400555: Pseudo dice [np.float32(0.9379), np.float32(0.9516), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8681), np.float32(nan), np.float32(0.9455), np.float32(nan), np.float32(0.8965), np.float32(0.0), np.float32(0.8709), np.float32(nan), np.float32(0.9046), np.float32(0.565), np.float32(0.8649), np.float32(0.0348), np.float32(0.7075), np.float32(0.898), np.float32(0.932), np.float32(0.901), np.float32(0.7594), np.float32(0.7877), np.float32(0.2286), np.float32(0.5159), np.float32(0.0375), np.float32(0.8646), np.float32(0.1319), np.float32(0.1968), np.float32(0.8767), np.float32(0.2776), np.float32(0.8501), np.float32(0.3376), np.float32(0.4363), np.float32(0.4782), np.float32(0.9356), np.float32(0.9258), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8125), np.float32(0.0), np.float32(0.6637), np.float32(0.6478), np.float32(0.7981), np.float32(0.8871), np.float32(0.7914), np.float32(0.8198), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:22:48.407889: Epoch time: 120.58 s +2026-02-22 06:22:49.388799: +2026-02-22 06:22:49.393138: Epoch 556 +2026-02-22 06:22:49.393936: Current learning rate: 0.00482 +2026-02-22 06:24:58.993175: train_loss -0.0674 +2026-02-22 06:24:58.998592: val_loss -0.0521 +2026-02-22 06:24:58.999659: Pseudo dice [np.float32(0.9454), np.float32(0.9365), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8557), np.float32(nan), np.float32(0.9307), np.float32(nan), np.float32(0.7834), np.float32(0.6525), np.float32(0.8692), np.float32(nan), np.float32(0.7635), np.float32(0.1234), np.float32(0.8293), np.float32(0.3132), np.float32(0.6519), np.float32(0.8742), np.float32(0.8968), np.float32(0.9043), np.float32(0.7489), np.float32(0.7919), np.float32(0.535), np.float32(0.4948), np.float32(0.7024), np.float32(0.8014), np.float32(0.2842), np.float32(0.0872), np.float32(0.9162), np.float32(0.2388), np.float32(0.7903), np.float32(0.3126), np.float32(0.4064), np.float32(0.3234), np.float32(0.9151), np.float32(0.9492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6971), np.float32(0.0383), np.float32(0.5986), np.float32(0.0278), np.float32(0.8249), np.float32(0.7561), np.float32(0.7961), np.float32(0.8187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:24:59.000623: Epoch time: 129.61 s +2026-02-22 06:25:00.020060: +2026-02-22 06:25:00.035802: Epoch 557 +2026-02-22 06:25:00.045681: Current learning rate: 0.00481 +2026-02-22 06:26:53.805973: train_loss -0.0508 +2026-02-22 06:26:53.823210: val_loss -0.08 +2026-02-22 06:26:53.824322: Pseudo dice [np.float32(0.9205), np.float32(0.9245), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8764), np.float32(nan), np.float32(0.9471), np.float32(nan), np.float32(0.931), np.float32(0.0019), np.float32(0.8103), np.float32(0.0), np.float32(0.8693), np.float32(0.504), np.float32(0.8509), np.float32(0.4594), np.float32(0.6717), np.float32(0.8534), np.float32(0.9311), np.float32(0.9064), np.float32(0.7577), np.float32(0.7809), np.float32(0.0981), np.float32(0.5828), np.float32(0.5489), np.float32(0.8305), np.float32(0.0029), np.float32(0.0), np.float32(0.9231), np.float32(0.0135), np.float32(0.8742), np.float32(0.0), np.float32(0.4668), np.float32(0.3699), np.float32(0.9124), np.float32(0.9316), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8458), np.float32(0.7455), np.float32(0.8376), np.float32(0.2498), np.float32(0.9414), np.float32(0.947), np.float32(0.7756), np.float32(0.812), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:26:53.825484: Epoch time: 113.79 s +2026-02-22 06:26:55.236671: +2026-02-22 06:26:55.242224: Epoch 558 +2026-02-22 06:26:55.243037: Current learning rate: 0.0048 +2026-02-22 06:28:57.578765: train_loss -0.0567 +2026-02-22 06:28:57.637817: val_loss -0.0659 +2026-02-22 06:28:57.644731: Pseudo dice [np.float32(0.9469), np.float32(0.8992), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8688), np.float32(nan), np.float32(0.9461), np.float32(nan), np.float32(0.8816), np.float32(0.0032), np.float32(0.8508), np.float32(nan), np.float32(0.8739), np.float32(0.367), np.float32(0.8178), np.float32(0.2223), np.float32(0.6227), np.float32(0.8418), np.float32(0.9214), np.float32(0.8861), np.float32(0.7233), np.float32(0.7679), np.float32(0.8118), np.float32(0.3374), np.float32(0.3489), np.float32(0.8222), np.float32(0.0), np.float32(0.0), np.float32(0.9466), np.float32(0.3298), np.float32(0.8238), np.float32(0.039), np.float32(0.4865), np.float32(0.4196), np.float32(0.9117), np.float32(0.8844), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7399), np.float32(0.4329), np.float32(0.5557), np.float32(0.4235), np.float32(0.9057), np.float32(0.845), np.float32(0.7452), np.float32(0.8192), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:28:57.652777: Epoch time: 122.34 s +2026-02-22 06:28:58.861676: +2026-02-22 06:28:58.872350: Epoch 559 +2026-02-22 06:28:58.873164: Current learning rate: 0.00479 +2026-02-22 06:30:51.444377: train_loss -0.0696 +2026-02-22 06:30:51.459936: val_loss -0.0893 +2026-02-22 06:30:51.461215: Pseudo dice [np.float32(0.9356), np.float32(0.9478), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8853), np.float32(nan), np.float32(0.9554), np.float32(nan), np.float32(0.9391), np.float32(0.3357), np.float32(0.8809), np.float32(0.0), np.float32(0.8621), np.float32(0.6662), np.float32(0.8279), np.float32(0.3726), np.float32(0.7049), np.float32(0.8768), np.float32(0.9296), np.float32(0.9087), np.float32(0.7776), np.float32(0.8056), np.float32(0.3229), np.float32(0.0873), np.float32(0.0), np.float32(0.814), np.float32(0.3108), np.float32(0.0302), np.float32(0.9105), np.float32(0.3845), np.float32(0.8178), np.float32(0.5566), np.float32(0.4716), np.float32(0.4292), np.float32(0.9511), np.float32(0.9096), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6547), np.float32(0.4621), np.float32(0.6557), np.float32(0.2523), np.float32(0.9647), np.float32(0.9317), np.float32(0.7736), np.float32(0.8113), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:30:51.462229: Epoch time: 112.59 s +2026-02-22 06:30:52.452243: +2026-02-22 06:30:52.466913: Epoch 560 +2026-02-22 06:30:52.468040: Current learning rate: 0.00478 +2026-02-22 06:32:58.272619: train_loss -0.0586 +2026-02-22 06:32:58.284523: val_loss -0.0847 +2026-02-22 06:32:58.286029: Pseudo dice [np.float32(0.9397), np.float32(0.9338), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.886), np.float32(nan), np.float32(0.9577), np.float32(nan), np.float32(0.8943), np.float32(0.1295), np.float32(0.8882), np.float32(nan), np.float32(0.8477), np.float32(0.5618), np.float32(0.8715), np.float32(0.3795), np.float32(0.6877), np.float32(0.8817), np.float32(0.9213), np.float32(0.9138), np.float32(0.7751), np.float32(0.7711), np.float32(0.2518), np.float32(0.5576), np.float32(0.634), np.float32(0.8031), np.float32(0.14), np.float32(0.1247), np.float32(0.8836), np.float32(0.6258), np.float32(0.8556), np.float32(0.6214), np.float32(0.4263), np.float32(0.3833), np.float32(0.8752), np.float32(0.9333), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7406), np.float32(0.7401), np.float32(0.5491), np.float32(0.0152), np.float32(0.7353), np.float32(0.5709), np.float32(0.7988), np.float32(0.8435), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:32:58.287052: Epoch time: 125.82 s +2026-02-22 06:32:59.562065: +2026-02-22 06:32:59.593233: Epoch 561 +2026-02-22 06:32:59.594002: Current learning rate: 0.00477 +2026-02-22 06:35:05.444427: train_loss -0.0513 +2026-02-22 06:35:05.479636: val_loss -0.0887 +2026-02-22 06:35:05.487395: Pseudo dice [np.float32(0.9635), np.float32(0.9273), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.958), np.float32(nan), np.float32(0.8629), np.float32(0.004), np.float32(0.8544), np.float32(nan), np.float32(0.862), np.float32(0.3361), np.float32(0.8319), np.float32(0.0362), np.float32(0.6584), np.float32(0.8408), np.float32(0.9158), np.float32(0.8983), np.float32(0.7201), np.float32(0.7916), np.float32(0.4775), np.float32(0.4791), np.float32(0.7293), np.float32(0.7406), np.float32(0.1585), np.float32(0.1194), np.float32(0.9092), np.float32(0.4762), np.float32(0.8395), np.float32(0.3696), np.float32(0.4648), np.float32(0.4096), np.float32(0.9197), np.float32(0.9266), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7992), np.float32(0.0265), np.float32(0.727), np.float32(0.205), np.float32(0.9454), np.float32(0.906), np.float32(0.7772), np.float32(0.8187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:35:05.491823: Epoch time: 125.88 s +2026-02-22 06:35:06.435173: +2026-02-22 06:35:06.443022: Epoch 562 +2026-02-22 06:35:06.448944: Current learning rate: 0.00476 +2026-02-22 06:37:08.203593: train_loss -0.0377 +2026-02-22 06:37:08.216283: val_loss -0.0694 +2026-02-22 06:37:08.224124: Pseudo dice [np.float32(0.9321), np.float32(0.9608), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8643), np.float32(nan), np.float32(0.9313), np.float32(nan), np.float32(0.9215), np.float32(0.1819), np.float32(0.8567), np.float32(nan), np.float32(0.8684), np.float32(0.6476), np.float32(0.8095), np.float32(0.0585), np.float32(0.6918), np.float32(0.8499), np.float32(0.9152), np.float32(0.8773), np.float32(0.7654), np.float32(0.7709), np.float32(0.0052), np.float32(0.1626), np.float32(0.0284), np.float32(0.8099), np.float32(0.2139), np.float32(0.1307), np.float32(0.9251), np.float32(0.0302), np.float32(0.8482), np.float32(0.5508), np.float32(0.4652), np.float32(0.3932), np.float32(0.9507), np.float32(0.933), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7816), np.float32(0.0), np.float32(0.115), np.float32(0.1528), np.float32(0.8996), np.float32(0.9037), np.float32(0.7715), np.float32(0.808), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:37:08.232594: Epoch time: 121.77 s +2026-02-22 06:37:09.440529: +2026-02-22 06:37:09.445055: Epoch 563 +2026-02-22 06:37:09.445892: Current learning rate: 0.00475 +2026-02-22 06:39:17.188635: train_loss -0.0335 +2026-02-22 06:39:17.192485: val_loss -0.0779 +2026-02-22 06:39:17.193526: Pseudo dice [np.float32(0.9634), np.float32(0.9492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8825), np.float32(nan), np.float32(0.9481), np.float32(nan), np.float32(0.9047), np.float32(0.0196), np.float32(0.8215), np.float32(nan), np.float32(0.8949), np.float32(0.1059), np.float32(0.8319), np.float32(0.4589), np.float32(0.6773), np.float32(0.8762), np.float32(0.9256), np.float32(0.8985), np.float32(0.7653), np.float32(0.7755), np.float32(0.5821), np.float32(0.5633), np.float32(0.7027), np.float32(0.766), np.float32(0.2233), np.float32(0.4261), np.float32(0.9459), np.float32(0.3261), np.float32(0.843), np.float32(0.5511), np.float32(0.4196), np.float32(0.3783), np.float32(0.9133), np.float32(0.8798), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8086), np.float32(0.0), np.float32(0.0393), np.float32(0.24), np.float32(0.8368), np.float32(0.8942), np.float32(0.7483), np.float32(0.8088), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:39:17.194440: Epoch time: 127.75 s +2026-02-22 06:39:18.320324: +2026-02-22 06:39:18.325089: Epoch 564 +2026-02-22 06:39:18.325891: Current learning rate: 0.00474 +2026-02-22 06:41:20.128489: train_loss -0.0636 +2026-02-22 06:41:20.155060: val_loss -0.1081 +2026-02-22 06:41:20.161188: Pseudo dice [np.float32(0.9626), np.float32(0.9235), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8683), np.float32(nan), np.float32(0.9685), np.float32(nan), np.float32(0.9226), np.float32(0.3613), np.float32(0.861), np.float32(nan), np.float32(0.8792), np.float32(0.4544), np.float32(0.8574), np.float32(0.7097), np.float32(0.7173), np.float32(0.8968), np.float32(0.9386), np.float32(0.9206), np.float32(0.7799), np.float32(0.8155), np.float32(0.5066), np.float32(0.3617), np.float32(0.7147), np.float32(0.8504), np.float32(0.308), np.float32(0.3771), np.float32(0.9413), np.float32(0.2469), np.float32(0.8227), np.float32(0.3382), np.float32(0.4609), np.float32(0.4052), np.float32(0.8675), np.float32(0.8965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7804), np.float32(0.03), np.float32(0.7504), np.float32(0.5062), np.float32(0.7061), np.float32(0.7603), np.float32(0.7861), np.float32(0.8012), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:41:20.170533: Epoch time: 121.81 s +2026-02-22 06:41:21.368719: +2026-02-22 06:41:21.375423: Epoch 565 +2026-02-22 06:41:21.376497: Current learning rate: 0.00473 +2026-02-22 06:43:13.665267: train_loss -0.0835 +2026-02-22 06:43:13.706698: val_loss -0.0949 +2026-02-22 06:43:13.711213: Pseudo dice [np.float32(0.9213), np.float32(0.9217), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8805), np.float32(nan), np.float32(0.9608), np.float32(nan), np.float32(0.8876), np.float32(0.3915), np.float32(0.8726), np.float32(nan), np.float32(0.9234), np.float32(0.0027), np.float32(0.8454), np.float32(0.3713), np.float32(0.7048), np.float32(0.891), np.float32(0.9316), np.float32(0.9039), np.float32(0.7941), np.float32(0.7842), np.float32(0.6463), np.float32(0.1987), np.float32(0.5741), np.float32(0.8991), np.float32(0.3823), np.float32(0.2643), np.float32(0.9376), np.float32(0.0452), np.float32(0.8405), np.float32(0.6996), np.float32(0.4363), np.float32(0.387), np.float32(0.9522), np.float32(0.9459), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7182), np.float32(0.1419), np.float32(0.2108), np.float32(0.2359), np.float32(0.9637), np.float32(0.9618), np.float32(0.8266), np.float32(0.8488), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:43:13.713324: Epoch time: 112.3 s +2026-02-22 06:43:14.817897: +2026-02-22 06:43:14.821485: Epoch 566 +2026-02-22 06:43:14.822291: Current learning rate: 0.00472 +2026-02-22 06:45:23.261823: train_loss -0.0853 +2026-02-22 06:45:23.325820: val_loss -0.0876 +2026-02-22 06:45:23.332486: Pseudo dice [np.float32(0.9587), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.897), np.float32(nan), np.float32(0.9309), np.float32(nan), np.float32(0.9247), np.float32(0.2363), np.float32(0.8887), np.float32(nan), np.float32(0.8424), np.float32(0.5179), np.float32(0.8382), np.float32(0.5982), np.float32(0.675), np.float32(0.8561), np.float32(0.9247), np.float32(0.9023), np.float32(0.7601), np.float32(0.7828), np.float32(0.8092), np.float32(0.6685), np.float32(0.4268), np.float32(0.7784), np.float32(0.04), np.float32(0.234), np.float32(0.9097), np.float32(0.2443), np.float32(0.8153), np.float32(0.387), np.float32(0.5003), np.float32(0.4592), np.float32(0.9364), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6897), np.float32(0.2793), np.float32(0.3649), np.float32(0.0419), np.float32(0.8551), np.float32(0.8573), np.float32(0.8162), np.float32(0.8268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:45:23.339295: Epoch time: 128.45 s +2026-02-22 06:45:24.289248: +2026-02-22 06:45:24.297903: Epoch 567 +2026-02-22 06:45:24.298666: Current learning rate: 0.00471 +2026-02-22 06:47:27.667412: train_loss -0.0878 +2026-02-22 06:47:27.681830: val_loss -0.0783 +2026-02-22 06:47:27.687900: Pseudo dice [np.float32(0.9495), np.float32(0.9389), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8993), np.float32(nan), np.float32(0.9324), np.float32(nan), np.float32(0.8259), np.float32(0.1758), np.float32(0.8616), np.float32(nan), np.float32(0.8962), np.float32(0.2851), np.float32(0.8448), np.float32(0.6582), np.float32(0.6672), np.float32(0.8957), np.float32(0.9321), np.float32(0.8922), np.float32(0.7478), np.float32(0.7979), np.float32(0.4053), np.float32(0.1703), np.float32(0.0063), np.float32(0.8382), np.float32(0.3592), np.float32(0.1747), np.float32(0.9137), np.float32(0.4619), np.float32(0.8402), np.float32(0.072), np.float32(0.5745), np.float32(0.4852), np.float32(0.8836), np.float32(0.8928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8138), np.float32(0.0), np.float32(0.8634), np.float32(0.7617), np.float32(0.7459), np.float32(0.7446), np.float32(0.7932), np.float32(0.817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:47:27.689557: Epoch time: 123.38 s +2026-02-22 06:47:28.669956: +2026-02-22 06:47:28.674773: Epoch 568 +2026-02-22 06:47:28.675582: Current learning rate: 0.0047 +2026-02-22 06:49:23.106474: train_loss -0.0659 +2026-02-22 06:49:23.116076: val_loss -0.0874 +2026-02-22 06:49:23.119745: Pseudo dice [np.float32(0.9367), np.float32(0.96), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8745), np.float32(nan), np.float32(0.9496), np.float32(nan), np.float32(0.9513), np.float32(0.0), np.float32(0.8541), np.float32(nan), np.float32(0.8814), np.float32(0.7028), np.float32(0.8624), np.float32(0.7389), np.float32(0.7246), np.float32(0.8924), np.float32(0.9107), np.float32(0.9083), np.float32(0.7739), np.float32(0.7902), np.float32(0.0599), np.float32(0.4864), np.float32(0.4585), np.float32(0.8468), np.float32(0.1734), np.float32(0.1383), np.float32(0.9279), np.float32(0.3549), np.float32(0.8215), np.float32(0.6198), np.float32(0.4509), np.float32(0.3757), np.float32(0.8846), np.float32(0.9214), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7508), np.float32(0.0051), np.float32(0.8774), np.float32(0.5534), np.float32(0.8968), np.float32(0.9281), np.float32(0.7642), np.float32(0.8035), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:49:23.121493: Epoch time: 114.44 s +2026-02-22 06:49:24.163841: +2026-02-22 06:49:24.167622: Epoch 569 +2026-02-22 06:49:24.168437: Current learning rate: 0.00469 +2026-02-22 06:51:32.210015: train_loss -0.0596 +2026-02-22 06:51:32.234798: val_loss -0.0573 +2026-02-22 06:51:32.235861: Pseudo dice [np.float32(0.9477), np.float32(0.9358), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8602), np.float32(nan), np.float32(0.9214), np.float32(nan), np.float32(0.9097), np.float32(0.1339), np.float32(0.8457), np.float32(nan), np.float32(0.8863), np.float32(0.6754), np.float32(0.8298), np.float32(0.8248), np.float32(0.6491), np.float32(0.8437), np.float32(0.9247), np.float32(0.8803), np.float32(0.7543), np.float32(0.7522), np.float32(0.0028), np.float32(0.5894), np.float32(0.4884), np.float32(0.7511), np.float32(0.1103), np.float32(0.0056), np.float32(0.8132), np.float32(0.647), np.float32(0.8357), np.float32(0.5752), np.float32(0.4351), np.float32(0.3212), np.float32(0.9114), np.float32(0.9145), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7255), np.float32(1e-04), np.float32(0.3977), np.float32(0.4101), np.float32(0.7971), np.float32(0.6564), np.float32(0.7657), np.float32(0.7495), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:51:32.236813: Epoch time: 128.05 s +2026-02-22 06:51:35.305047: +2026-02-22 06:51:35.307225: Epoch 570 +2026-02-22 06:51:35.308158: Current learning rate: 0.00468 +2026-02-22 06:53:38.877920: train_loss -0.0766 +2026-02-22 06:53:38.916177: val_loss -0.0531 +2026-02-22 06:53:38.921920: Pseudo dice [np.float32(0.8986), np.float32(0.8915), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8771), np.float32(nan), np.float32(0.9311), np.float32(nan), np.float32(0.8939), np.float32(0.0507), np.float32(0.8762), np.float32(nan), np.float32(0.8705), np.float32(0.3245), np.float32(0.8043), np.float32(0.6799), np.float32(0.648), np.float32(0.8669), np.float32(0.9174), np.float32(0.8904), np.float32(0.7854), np.float32(0.7655), np.float32(0.2517), np.float32(0.011), np.float32(0.0), np.float32(0.8657), np.float32(0.1152), np.float32(0.7031), np.float32(0.9178), np.float32(0.0041), np.float32(0.8491), np.float32(0.6932), np.float32(0.4811), np.float32(0.2249), np.float32(0.8827), np.float32(0.8471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8074), np.float32(0.0016), np.float32(0.6597), np.float32(0.4677), np.float32(0.9088), np.float32(0.865), np.float32(0.7522), np.float32(0.804), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:53:38.925695: Epoch time: 123.58 s +2026-02-22 06:53:39.934783: +2026-02-22 06:53:39.948757: Epoch 571 +2026-02-22 06:53:39.952493: Current learning rate: 0.00467 +2026-02-22 06:55:51.725141: train_loss -0.0741 +2026-02-22 06:55:51.743997: val_loss -0.0494 +2026-02-22 06:55:51.748565: Pseudo dice [np.float32(0.8957), np.float32(0.8984), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8826), np.float32(nan), np.float32(0.9082), np.float32(nan), np.float32(0.753), np.float32(0.061), np.float32(0.848), np.float32(nan), np.float32(0.8541), np.float32(0.5423), np.float32(0.828), np.float32(0.3764), np.float32(0.673), np.float32(0.8732), np.float32(0.8908), np.float32(0.8885), np.float32(0.7569), np.float32(0.7679), np.float32(0.1164), np.float32(0.6464), np.float32(0.1713), np.float32(0.8606), np.float32(0.1544), np.float32(0.1491), np.float32(0.9601), np.float32(0.0884), np.float32(0.8706), np.float32(0.2736), np.float32(0.3566), np.float32(0.3519), np.float32(0.8786), np.float32(0.9574), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7052), np.float32(0.5916), np.float32(0.7972), np.float32(0.2928), np.float32(0.7933), np.float32(0.6495), np.float32(0.7552), np.float32(0.7785), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:55:51.751090: Epoch time: 131.76 s +2026-02-22 06:55:52.739442: +2026-02-22 06:55:52.770652: Epoch 572 +2026-02-22 06:55:52.774443: Current learning rate: 0.00466 +2026-02-22 06:57:55.495467: train_loss -0.0812 +2026-02-22 06:57:55.544846: val_loss -0.0496 +2026-02-22 06:57:55.549556: Pseudo dice [np.float32(0.962), np.float32(0.9342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8725), np.float32(nan), np.float32(0.9352), np.float32(nan), np.float32(0.8884), np.float32(0.2934), np.float32(0.8782), np.float32(nan), np.float32(0.8646), np.float32(0.4266), np.float32(0.8196), np.float32(0.5628), np.float32(0.7025), np.float32(0.8636), np.float32(0.9219), np.float32(0.8885), np.float32(0.7499), np.float32(0.7971), np.float32(0.817), np.float32(0.4279), np.float32(0.73), np.float32(0.8253), np.float32(0.0581), np.float32(0.056), np.float32(0.834), np.float32(0.1547), np.float32(0.7764), np.float32(0.203), np.float32(0.4781), np.float32(0.4088), np.float32(0.8521), np.float32(0.8259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.678), np.float32(0.2971), np.float32(0.0), np.float32(0.0), np.float32(0.9039), np.float32(0.8741), np.float32(0.7861), np.float32(0.8119), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 06:57:55.555604: Epoch time: 122.76 s +2026-02-22 06:57:56.772215: +2026-02-22 06:57:56.784566: Epoch 573 +2026-02-22 06:57:56.786327: Current learning rate: 0.00465 +2026-02-22 07:00:07.371891: train_loss -0.0645 +2026-02-22 07:00:07.381308: val_loss -0.081 +2026-02-22 07:00:07.387836: Pseudo dice [np.float32(0.9569), np.float32(0.9394), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8758), np.float32(nan), np.float32(0.9399), np.float32(nan), np.float32(0.8955), np.float32(0.0), np.float32(0.8724), np.float32(nan), np.float32(0.871), np.float32(0.4888), np.float32(0.8252), np.float32(0.663), np.float32(0.6387), np.float32(0.8642), np.float32(0.9238), np.float32(0.877), np.float32(0.7789), np.float32(0.7545), np.float32(0.8112), np.float32(0.1633), np.float32(0.0), np.float32(0.7776), np.float32(0.0705), np.float32(0.1383), np.float32(0.9171), np.float32(0.3168), np.float32(0.8487), np.float32(0.2099), np.float32(0.4568), np.float32(0.4467), np.float32(0.9451), np.float32(0.9517), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7626), np.float32(0.0967), np.float32(0.8), np.float32(0.7989), np.float32(0.9641), np.float32(0.9633), np.float32(0.7844), np.float32(0.8049), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:00:07.389735: Epoch time: 130.6 s +2026-02-22 07:00:08.625666: +2026-02-22 07:00:08.653812: Epoch 574 +2026-02-22 07:00:08.654677: Current learning rate: 0.00464 +2026-02-22 07:02:22.437506: train_loss -0.0695 +2026-02-22 07:02:22.462240: val_loss -0.0828 +2026-02-22 07:02:22.469680: Pseudo dice [np.float32(0.9372), np.float32(0.8969), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8878), np.float32(nan), np.float32(0.9577), np.float32(nan), np.float32(0.9255), np.float32(0.5032), np.float32(0.8323), np.float32(nan), np.float32(0.893), np.float32(0.6194), np.float32(0.8484), np.float32(0.546), np.float32(0.687), np.float32(0.8791), np.float32(0.9243), np.float32(0.9102), np.float32(0.77), np.float32(0.7873), np.float32(0.6986), np.float32(0.4264), np.float32(0.1716), np.float32(0.822), np.float32(0.2977), np.float32(0.1736), np.float32(0.9122), np.float32(0.2917), np.float32(0.8895), np.float32(0.4699), np.float32(0.5213), np.float32(0.3822), np.float32(0.8867), np.float32(0.9249), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7202), np.float32(0.0468), np.float32(0.7589), np.float32(0.448), np.float32(0.8496), np.float32(0.8765), np.float32(0.7961), np.float32(0.8256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:02:22.479846: Epoch time: 133.81 s +2026-02-22 07:02:23.632477: +2026-02-22 07:02:23.636289: Epoch 575 +2026-02-22 07:02:23.637107: Current learning rate: 0.00463 +2026-02-22 07:04:24.277914: train_loss -0.0759 +2026-02-22 07:04:24.304777: val_loss -0.0681 +2026-02-22 07:04:24.311077: Pseudo dice [np.float32(0.9377), np.float32(0.9012), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.9276), np.float32(nan), np.float32(0.9159), np.float32(0.7389), np.float32(0.8704), np.float32(nan), np.float32(0.87), np.float32(0.3963), np.float32(0.8422), np.float32(0.613), np.float32(0.6938), np.float32(0.8889), np.float32(0.9103), np.float32(0.8851), np.float32(0.7713), np.float32(0.7824), np.float32(0.7633), np.float32(0.5061), np.float32(0.0), np.float32(0.8146), np.float32(0.3229), np.float32(0.2076), np.float32(0.9554), np.float32(0.7458), np.float32(0.8285), np.float32(0.4898), np.float32(0.5421), np.float32(0.4865), np.float32(0.9207), np.float32(0.9145), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7794), np.float32(0.0974), np.float32(0.255), np.float32(0.6407), np.float32(0.8163), np.float32(0.8184), np.float32(0.8087), np.float32(0.8264), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:04:24.315860: Epoch time: 120.65 s +2026-02-22 07:04:24.317742: Yayy! New best EMA pseudo Dice: 0.663100004196167 +2026-02-22 07:04:27.351783: +2026-02-22 07:04:27.353947: Epoch 576 +2026-02-22 07:04:27.355160: Current learning rate: 0.00462 +2026-02-22 07:06:29.360448: train_loss -0.0824 +2026-02-22 07:06:29.380230: val_loss -0.0804 +2026-02-22 07:06:29.382183: Pseudo dice [np.float32(0.9558), np.float32(0.9636), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8718), np.float32(nan), np.float32(0.9425), np.float32(nan), np.float32(0.8727), np.float32(0.0), np.float32(0.8673), np.float32(nan), np.float32(0.8728), np.float32(0.716), np.float32(0.8594), np.float32(0.4363), np.float32(0.6887), np.float32(0.8294), np.float32(0.9371), np.float32(0.919), np.float32(0.7795), np.float32(0.7947), np.float32(0.3405), np.float32(0.4038), np.float32(0.2375), np.float32(0.8097), np.float32(0.0299), np.float32(0.0997), np.float32(0.9438), np.float32(0.0268), np.float32(0.8481), np.float32(0.6342), np.float32(0.54), np.float32(0.4755), np.float32(0.9541), np.float32(0.9352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6384), np.float32(0.1383), np.float32(0.7056), np.float32(0.1754), np.float32(0.8098), np.float32(0.8491), np.float32(0.8051), np.float32(0.8214), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:06:29.384020: Epoch time: 122.01 s +2026-02-22 07:06:30.337697: +2026-02-22 07:06:30.343396: Epoch 577 +2026-02-22 07:06:30.347192: Current learning rate: 0.00461 +2026-02-22 07:08:36.621821: train_loss -0.0722 +2026-02-22 07:08:36.709846: val_loss -0.1078 +2026-02-22 07:08:36.715172: Pseudo dice [np.float32(0.958), np.float32(0.9408), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8876), np.float32(nan), np.float32(0.9685), np.float32(nan), np.float32(0.9359), np.float32(0.2264), np.float32(0.8482), np.float32(0.0), np.float32(0.8927), np.float32(0.576), np.float32(0.8564), np.float32(0.6737), np.float32(0.7387), np.float32(0.8863), np.float32(0.9401), np.float32(0.9219), np.float32(0.7656), np.float32(0.8092), np.float32(0.6906), np.float32(0.4357), np.float32(0.4703), np.float32(0.9029), np.float32(0.0029), np.float32(0.0409), np.float32(0.9326), np.float32(0.4436), np.float32(0.8368), np.float32(0.699), np.float32(0.4664), np.float32(0.4182), np.float32(0.9099), np.float32(0.9102), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8449), np.float32(0.0), np.float32(0.6472), np.float32(0.5756), np.float32(0.8265), np.float32(0.8152), np.float32(0.7995), np.float32(0.8352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:08:36.720489: Epoch time: 126.29 s +2026-02-22 07:08:36.723236: Yayy! New best EMA pseudo Dice: 0.6643999814987183 +2026-02-22 07:08:39.763296: +2026-02-22 07:08:39.765700: Epoch 578 +2026-02-22 07:08:39.766508: Current learning rate: 0.0046 +2026-02-22 07:10:33.476376: train_loss -0.0767 +2026-02-22 07:10:33.530697: val_loss -0.0741 +2026-02-22 07:10:33.532842: Pseudo dice [np.float32(0.9461), np.float32(0.9179), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8785), np.float32(nan), np.float32(0.936), np.float32(nan), np.float32(0.9121), np.float32(0.4288), np.float32(0.8849), np.float32(nan), np.float32(0.8888), np.float32(0.5765), np.float32(0.8522), np.float32(0.2538), np.float32(0.6582), np.float32(0.8829), np.float32(0.9401), np.float32(0.9043), np.float32(0.787), np.float32(0.7616), np.float32(0.7568), np.float32(0.5531), np.float32(0.2659), np.float32(0.8248), np.float32(0.1616), np.float32(0.0427), np.float32(0.9327), np.float32(0.2599), np.float32(0.8541), np.float32(0.0), np.float32(0.406), np.float32(0.3995), np.float32(0.9253), np.float32(0.9274), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6334), np.float32(0.0069), np.float32(0.6595), np.float32(0.2498), np.float32(0.7529), np.float32(0.7555), np.float32(0.8073), np.float32(0.8283), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:10:33.534316: Epoch time: 113.71 s +2026-02-22 07:10:34.916739: +2026-02-22 07:10:34.922450: Epoch 579 +2026-02-22 07:10:34.927820: Current learning rate: 0.00459 +2026-02-22 07:12:37.371648: train_loss -0.0664 +2026-02-22 07:12:37.375514: val_loss -0.0604 +2026-02-22 07:12:37.376809: Pseudo dice [np.float32(0.9264), np.float32(0.9242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9334), np.float32(nan), np.float32(0.9014), np.float32(0.0782), np.float32(0.8642), np.float32(nan), np.float32(0.8244), np.float32(0.3267), np.float32(0.8451), np.float32(0.5595), np.float32(0.623), np.float32(0.8441), np.float32(0.9316), np.float32(0.882), np.float32(0.7771), np.float32(0.8025), np.float32(0.0463), np.float32(0.1188), np.float32(0.0), np.float32(0.7527), np.float32(0.0635), np.float32(0.2995), np.float32(0.8185), np.float32(0.3598), np.float32(0.7882), np.float32(0.0901), np.float32(0.5085), np.float32(0.4429), np.float32(0.9326), np.float32(0.9454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.826), np.float32(0.0813), np.float32(0.6806), np.float32(0.0196), np.float32(0.8833), np.float32(0.9097), np.float32(0.7851), np.float32(0.8028), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:12:37.379208: Epoch time: 122.47 s +2026-02-22 07:12:38.372404: +2026-02-22 07:12:38.443089: Epoch 580 +2026-02-22 07:12:38.449870: Current learning rate: 0.00458 +2026-02-22 07:14:39.230096: train_loss -0.0418 +2026-02-22 07:14:39.283447: val_loss -0.0546 +2026-02-22 07:14:39.293153: Pseudo dice [np.float32(0.9095), np.float32(0.946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8563), np.float32(nan), np.float32(0.9161), np.float32(nan), np.float32(0.9223), np.float32(0.0053), np.float32(0.8373), np.float32(nan), np.float32(0.8182), np.float32(0.2502), np.float32(0.8297), np.float32(0.434), np.float32(0.6614), np.float32(0.8679), np.float32(0.9265), np.float32(0.8992), np.float32(0.7572), np.float32(0.7362), np.float32(0.0059), np.float32(0.3111), np.float32(0.2172), np.float32(0.7302), np.float32(0.0889), np.float32(0.159), np.float32(0.9051), np.float32(0.0611), np.float32(0.82), np.float32(0.5238), np.float32(0.3977), np.float32(0.3991), np.float32(0.8759), np.float32(0.8847), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5555), np.float32(0.2983), np.float32(0.6801), np.float32(0.7547), np.float32(0.8564), np.float32(0.7711), np.float32(0.7508), np.float32(0.8159), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:14:39.304486: Epoch time: 120.85 s +2026-02-22 07:14:40.733047: +2026-02-22 07:14:40.745399: Epoch 581 +2026-02-22 07:14:40.746215: Current learning rate: 0.00457 +2026-02-22 07:16:49.084400: train_loss -0.0674 +2026-02-22 07:16:49.097955: val_loss -0.0971 +2026-02-22 07:16:49.100210: Pseudo dice [np.float32(0.9536), np.float32(0.9482), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8864), np.float32(nan), np.float32(0.9592), np.float32(nan), np.float32(0.9169), np.float32(0.1503), np.float32(0.8681), np.float32(nan), np.float32(0.8804), np.float32(0.2992), np.float32(0.8453), np.float32(0.6167), np.float32(0.6925), np.float32(0.8896), np.float32(0.923), np.float32(0.8985), np.float32(0.728), np.float32(0.7861), np.float32(0.5677), np.float32(0.4271), np.float32(0.1825), np.float32(0.8293), np.float32(0.0884), np.float32(0.0348), np.float32(0.9304), np.float32(0.0223), np.float32(0.8403), np.float32(0.6753), np.float32(0.5017), np.float32(0.4444), np.float32(0.9183), np.float32(0.9449), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7723), np.float32(0.0534), np.float32(0.4229), np.float32(0.6338), np.float32(0.8516), np.float32(0.888), np.float32(0.7707), np.float32(0.8332), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:16:49.232910: Epoch time: 128.35 s +2026-02-22 07:16:50.240364: +2026-02-22 07:16:50.256376: Epoch 582 +2026-02-22 07:16:50.259128: Current learning rate: 0.00456 +2026-02-22 07:18:58.610079: train_loss -0.0726 +2026-02-22 07:18:58.647223: val_loss -0.0775 +2026-02-22 07:18:58.653297: Pseudo dice [np.float32(0.932), np.float32(0.9399), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8549), np.float32(nan), np.float32(0.9416), np.float32(nan), np.float32(0.8973), np.float32(0.0236), np.float32(0.8824), np.float32(nan), np.float32(0.8676), np.float32(0.4922), np.float32(0.8396), np.float32(0.4703), np.float32(0.7131), np.float32(0.876), np.float32(0.9293), np.float32(0.9117), np.float32(0.7218), np.float32(0.7694), np.float32(0.2486), np.float32(0.4892), np.float32(0.5129), np.float32(0.8476), np.float32(0.08), np.float32(0.2019), np.float32(0.835), np.float32(0.3417), np.float32(0.7986), np.float32(0.2844), np.float32(0.3753), np.float32(0.3913), np.float32(0.8508), np.float32(0.9045), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7342), np.float32(0.0447), np.float32(0.6867), np.float32(0.603), np.float32(0.8627), np.float32(0.928), np.float32(0.797), np.float32(0.834), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:18:58.706890: Epoch time: 128.37 s +2026-02-22 07:19:00.039855: +2026-02-22 07:19:00.071243: Epoch 583 +2026-02-22 07:19:00.072457: Current learning rate: 0.00455 +2026-02-22 07:21:11.993984: train_loss -0.0852 +2026-02-22 07:21:12.093109: val_loss -0.0772 +2026-02-22 07:21:12.094283: Pseudo dice [np.float32(0.9143), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8767), np.float32(nan), np.float32(0.9237), np.float32(nan), np.float32(0.8022), np.float32(0.6246), np.float32(0.8818), np.float32(nan), np.float32(0.8748), np.float32(0.2111), np.float32(0.8293), np.float32(0.5609), np.float32(0.6879), np.float32(0.881), np.float32(0.9345), np.float32(0.8916), np.float32(0.7697), np.float32(0.7878), np.float32(0.5316), np.float32(0.4987), np.float32(0.0701), np.float32(0.8714), np.float32(0.1458), np.float32(0.3231), np.float32(0.9106), np.float32(0.1561), np.float32(0.8559), np.float32(0.0852), np.float32(0.4003), np.float32(0.4386), np.float32(0.8635), np.float32(0.8508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.576), np.float32(0.5803), np.float32(0.4764), np.float32(0.6253), np.float32(0.9332), np.float32(0.9139), np.float32(0.7982), np.float32(0.8347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:21:12.095072: Epoch time: 131.95 s +2026-02-22 07:21:13.547270: +2026-02-22 07:21:13.550626: Epoch 584 +2026-02-22 07:21:13.551440: Current learning rate: 0.00454 +2026-02-22 07:23:16.734112: train_loss -0.0691 +2026-02-22 07:23:16.748131: val_loss -0.1385 +2026-02-22 07:23:16.754978: Pseudo dice [np.float32(0.9656), np.float32(0.9676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8851), np.float32(nan), np.float32(0.9667), np.float32(nan), np.float32(0.9567), np.float32(0.0), np.float32(0.8825), np.float32(nan), np.float32(0.9283), np.float32(0.2239), np.float32(0.8591), np.float32(0.5016), np.float32(0.6942), np.float32(0.8974), np.float32(0.9381), np.float32(0.9215), np.float32(0.7835), np.float32(0.8091), np.float32(0.1149), np.float32(0.5476), np.float32(0.6634), np.float32(0.8548), np.float32(0.2102), np.float32(0.1272), np.float32(0.9509), np.float32(0.3921), np.float32(0.8664), np.float32(0.1231), np.float32(0.424), np.float32(0.3583), np.float32(0.9785), np.float32(0.976), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6448), np.float32(0.0096), np.float32(0.6745), np.float32(0.0175), np.float32(0.8533), np.float32(0.8852), np.float32(0.7999), np.float32(0.836), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:23:16.763360: Epoch time: 123.19 s +2026-02-22 07:23:17.812727: +2026-02-22 07:23:17.829460: Epoch 585 +2026-02-22 07:23:17.835264: Current learning rate: 0.00453 +2026-02-22 07:25:15.606032: train_loss -0.0626 +2026-02-22 07:25:15.630903: val_loss -0.0793 +2026-02-22 07:25:15.636859: Pseudo dice [np.float32(0.908), np.float32(0.953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9341), np.float32(nan), np.float32(0.9502), np.float32(0.3373), np.float32(0.8802), np.float32(nan), np.float32(0.912), np.float32(0.1707), np.float32(0.8451), np.float32(0.1322), np.float32(0.7053), np.float32(0.8619), np.float32(0.9387), np.float32(0.9067), np.float32(0.8042), np.float32(0.7936), np.float32(0.0966), np.float32(0.5393), np.float32(0.688), np.float32(0.8166), np.float32(0.0682), np.float32(0.1072), np.float32(0.9328), np.float32(0.2315), np.float32(0.8079), np.float32(0.5392), np.float32(0.3281), np.float32(0.4009), np.float32(0.9163), np.float32(0.9226), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5979), np.float32(1e-04), np.float32(0.6494), np.float32(0.6226), np.float32(0.8809), np.float32(0.871), np.float32(0.796), np.float32(0.8346), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:25:15.643529: Epoch time: 117.8 s +2026-02-22 07:25:17.376493: +2026-02-22 07:25:17.381329: Epoch 586 +2026-02-22 07:25:17.382133: Current learning rate: 0.00452 +2026-02-22 07:27:22.191222: train_loss -0.0725 +2026-02-22 07:27:22.211110: val_loss -0.0827 +2026-02-22 07:27:22.212332: Pseudo dice [np.float32(0.9572), np.float32(0.9617), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8905), np.float32(nan), np.float32(0.9585), np.float32(nan), np.float32(0.8965), np.float32(0.5838), np.float32(0.8525), np.float32(nan), np.float32(0.9026), np.float32(0.3926), np.float32(0.8507), np.float32(0.7809), np.float32(0.6471), np.float32(0.8585), np.float32(0.9443), np.float32(0.9096), np.float32(0.7815), np.float32(0.7625), np.float32(0.22), np.float32(0.2749), np.float32(0.1815), np.float32(0.8742), np.float32(0.0), np.float32(0.0), np.float32(0.9443), np.float32(0.4066), np.float32(0.8532), np.float32(0.5058), np.float32(0.3865), np.float32(0.4882), np.float32(0.8858), np.float32(0.8698), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7737), np.float32(0.0043), np.float32(0.5618), np.float32(0.0012), np.float32(0.9079), np.float32(0.9208), np.float32(0.7869), np.float32(0.8177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:27:22.213314: Epoch time: 124.82 s +2026-02-22 07:27:23.210751: +2026-02-22 07:27:23.224560: Epoch 587 +2026-02-22 07:27:23.231078: Current learning rate: 0.00451 +2026-02-22 07:29:31.974386: train_loss -0.0918 +2026-02-22 07:29:32.047417: val_loss -0.1157 +2026-02-22 07:29:32.048573: Pseudo dice [np.float32(0.9671), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.89), np.float32(nan), np.float32(0.9734), np.float32(nan), np.float32(0.9498), np.float32(0.5102), np.float32(0.8699), np.float32(0.0), np.float32(0.9187), np.float32(0.6381), np.float32(0.8737), np.float32(0.7117), np.float32(0.7271), np.float32(0.8808), np.float32(0.9418), np.float32(0.9306), np.float32(0.7711), np.float32(0.8126), np.float32(0.0052), np.float32(0.2597), np.float32(0.0), np.float32(0.834), np.float32(0.5474), np.float32(0.0761), np.float32(0.9295), np.float32(0.4345), np.float32(0.8419), np.float32(0.3079), np.float32(0.4003), np.float32(0.4764), np.float32(0.896), np.float32(0.8883), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.769), np.float32(0.0), np.float32(0.5115), np.float32(0.286), np.float32(0.7882), np.float32(0.6993), np.float32(0.7803), np.float32(0.8349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:29:32.050089: Epoch time: 128.77 s +2026-02-22 07:29:33.155002: +2026-02-22 07:29:33.159071: Epoch 588 +2026-02-22 07:29:33.160547: Current learning rate: 0.0045 +2026-02-22 07:31:41.730527: train_loss -0.0824 +2026-02-22 07:31:41.764290: val_loss -0.0886 +2026-02-22 07:31:41.773968: Pseudo dice [np.float32(0.931), np.float32(0.931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8633), np.float32(nan), np.float32(0.9444), np.float32(nan), np.float32(0.9165), np.float32(0.189), np.float32(0.8816), np.float32(nan), np.float32(0.8768), np.float32(0.5545), np.float32(0.8257), np.float32(0.4315), np.float32(0.7014), np.float32(0.8964), np.float32(0.9044), np.float32(0.9001), np.float32(0.7256), np.float32(0.7735), np.float32(0.674), np.float32(0.4168), np.float32(0.2184), np.float32(0.8407), np.float32(0.0349), np.float32(0.1342), np.float32(0.9027), np.float32(0.0195), np.float32(0.8464), np.float32(0.4779), np.float32(0.4777), np.float32(0.4123), np.float32(0.9391), np.float32(0.9161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7354), np.float32(0.0007), np.float32(0.4714), np.float32(0.53), np.float32(0.8554), np.float32(0.8369), np.float32(0.7858), np.float32(0.8393), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:31:41.779387: Epoch time: 128.56 s +2026-02-22 07:31:42.940691: +2026-02-22 07:31:42.954008: Epoch 589 +2026-02-22 07:31:42.954814: Current learning rate: 0.00449 +2026-02-22 07:33:45.297443: train_loss -0.0688 +2026-02-22 07:33:45.313481: val_loss -0.0701 +2026-02-22 07:33:45.315813: Pseudo dice [np.float32(0.8933), np.float32(0.9326), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8819), np.float32(nan), np.float32(0.9322), np.float32(nan), np.float32(0.9325), np.float32(0.0002), np.float32(0.839), np.float32(nan), np.float32(0.8943), np.float32(0.3732), np.float32(0.8436), np.float32(0.402), np.float32(0.6656), np.float32(0.8792), np.float32(0.9331), np.float32(0.911), np.float32(0.7775), np.float32(0.8119), np.float32(0.011), np.float32(0.6263), np.float32(0.1083), np.float32(0.8744), np.float32(0.2439), np.float32(0.0068), np.float32(0.9287), np.float32(0.4123), np.float32(0.8089), np.float32(0.554), np.float32(0.3603), np.float32(0.4466), np.float32(0.8406), np.float32(0.7932), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7657), np.float32(0.0), np.float32(0.5828), np.float32(0.5146), np.float32(0.9121), np.float32(0.8986), np.float32(0.8198), np.float32(0.8255), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:33:45.318635: Epoch time: 122.36 s +2026-02-22 07:33:46.439868: +2026-02-22 07:33:46.446622: Epoch 590 +2026-02-22 07:33:46.447432: Current learning rate: 0.00448 +2026-02-22 07:35:48.609488: train_loss -0.0697 +2026-02-22 07:35:48.669768: val_loss -0.0947 +2026-02-22 07:35:48.676838: Pseudo dice [np.float32(0.9371), np.float32(0.9315), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.888), np.float32(nan), np.float32(0.9446), np.float32(nan), np.float32(0.8712), np.float32(0.1667), np.float32(0.8694), np.float32(nan), np.float32(0.8981), np.float32(0.6429), np.float32(0.8535), np.float32(0.5743), np.float32(0.6645), np.float32(0.8929), np.float32(0.9323), np.float32(0.9137), np.float32(0.7921), np.float32(0.7907), np.float32(0.0007), np.float32(0.3532), np.float32(0.193), np.float32(0.8329), np.float32(0.1321), np.float32(0.1484), np.float32(0.9398), np.float32(0.1992), np.float32(0.8518), np.float32(0.0259), np.float32(0.3528), np.float32(0.3625), np.float32(0.9465), np.float32(0.9176), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7146), np.float32(0.3803), np.float32(0.5876), np.float32(0.4055), np.float32(0.9024), np.float32(0.902), np.float32(0.8189), np.float32(0.8572), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:35:48.681328: Epoch time: 122.17 s +2026-02-22 07:35:50.129116: +2026-02-22 07:35:50.132684: Epoch 591 +2026-02-22 07:35:50.133554: Current learning rate: 0.00447 +2026-02-22 07:37:58.296422: train_loss -0.056 +2026-02-22 07:37:58.352410: val_loss -0.0746 +2026-02-22 07:37:58.358698: Pseudo dice [np.float32(0.9547), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8454), np.float32(nan), np.float32(0.9484), np.float32(nan), np.float32(0.9127), np.float32(0.4584), np.float32(0.8596), np.float32(nan), np.float32(0.912), np.float32(0.4261), np.float32(0.8167), np.float32(0.4452), np.float32(0.6305), np.float32(0.8662), np.float32(0.9326), np.float32(0.9085), np.float32(0.6786), np.float32(0.7555), np.float32(0.0054), np.float32(0.3601), np.float32(0.1162), np.float32(0.8143), np.float32(0.0), np.float32(0.0), np.float32(0.9092), np.float32(0.0), np.float32(0.8316), np.float32(0.1716), np.float32(0.4101), np.float32(0.3739), np.float32(0.9211), np.float32(0.9221), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7687), np.float32(0.0), np.float32(0.7719), np.float32(0.5903), np.float32(0.9131), np.float32(0.8701), np.float32(0.7892), np.float32(0.8185), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:37:58.364556: Epoch time: 128.17 s +2026-02-22 07:37:59.827192: +2026-02-22 07:37:59.843300: Epoch 592 +2026-02-22 07:37:59.845953: Current learning rate: 0.00446 +2026-02-22 07:40:04.309646: train_loss -0.069 +2026-02-22 07:40:04.327957: val_loss -0.0609 +2026-02-22 07:40:04.329824: Pseudo dice [np.float32(0.9412), np.float32(0.9415), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8778), np.float32(nan), np.float32(0.9061), np.float32(nan), np.float32(0.8655), np.float32(0.0002), np.float32(0.8337), np.float32(nan), np.float32(0.8909), np.float32(0.1921), np.float32(0.8504), np.float32(0.6263), np.float32(0.6545), np.float32(0.8674), np.float32(0.8872), np.float32(0.8897), np.float32(0.7351), np.float32(0.8001), np.float32(0.68), np.float32(0.5886), np.float32(0.4769), np.float32(0.8583), np.float32(0.4096), np.float32(0.5559), np.float32(0.936), np.float32(0.1594), np.float32(0.8588), np.float32(0.281), np.float32(0.3909), np.float32(0.457), np.float32(0.8877), np.float32(0.8538), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7433), np.float32(0.0474), np.float32(0.6199), np.float32(0.1398), np.float32(0.7238), np.float32(0.8886), np.float32(0.8184), np.float32(0.8027), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:40:04.330749: Epoch time: 124.49 s +2026-02-22 07:40:05.698572: +2026-02-22 07:40:05.708308: Epoch 593 +2026-02-22 07:40:05.709361: Current learning rate: 0.00445 +2026-02-22 07:42:12.443641: train_loss -0.051 +2026-02-22 07:42:12.460961: val_loss -0.0571 +2026-02-22 07:42:12.462974: Pseudo dice [np.float32(0.9292), np.float32(0.9579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8466), np.float32(nan), np.float32(0.9415), np.float32(nan), np.float32(0.9239), np.float32(0.0), np.float32(0.8381), np.float32(nan), np.float32(0.8946), np.float32(0.1735), np.float32(0.8328), np.float32(0.4398), np.float32(0.6027), np.float32(0.862), np.float32(0.9223), np.float32(0.8851), np.float32(0.7321), np.float32(0.7415), np.float32(0.0294), np.float32(0.6428), np.float32(0.5355), np.float32(0.7282), np.float32(0.0144), np.float32(0.1219), np.float32(0.9185), np.float32(0.0), np.float32(0.8146), np.float32(0.291), np.float32(0.3564), np.float32(0.3302), np.float32(0.9346), np.float32(0.9194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7601), np.float32(0.0016), np.float32(0.5761), np.float32(0.7002), np.float32(0.8244), np.float32(0.7446), np.float32(0.7543), np.float32(0.7783), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:42:12.466044: Epoch time: 126.75 s +2026-02-22 07:42:13.756923: +2026-02-22 07:42:13.775207: Epoch 594 +2026-02-22 07:42:13.775986: Current learning rate: 0.00444 +2026-02-22 07:44:12.578264: train_loss -0.0661 +2026-02-22 07:44:12.585216: val_loss -0.0829 +2026-02-22 07:44:12.586534: Pseudo dice [np.float32(0.9447), np.float32(0.9306), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8806), np.float32(nan), np.float32(0.9554), np.float32(nan), np.float32(0.8936), np.float32(0.0188), np.float32(0.8796), np.float32(nan), np.float32(0.8603), np.float32(0.1737), np.float32(0.8476), np.float32(0.6439), np.float32(0.71), np.float32(0.8784), np.float32(0.9424), np.float32(0.9109), np.float32(0.7632), np.float32(0.8145), np.float32(0.5846), np.float32(0.6613), np.float32(0.0), np.float32(0.8605), np.float32(0.1511), np.float32(0.3097), np.float32(0.9499), np.float32(0.4596), np.float32(0.8266), np.float32(0.2517), np.float32(0.4711), np.float32(0.4359), np.float32(0.8797), np.float32(0.9226), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7056), np.float32(0.0048), np.float32(0.7694), np.float32(0.3364), np.float32(0.7116), np.float32(0.8636), np.float32(0.8005), np.float32(0.8273), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:44:12.588006: Epoch time: 118.82 s +2026-02-22 07:44:14.276585: +2026-02-22 07:44:14.284814: Epoch 595 +2026-02-22 07:44:14.285875: Current learning rate: 0.00443 +2026-02-22 07:46:22.758946: train_loss -0.0857 +2026-02-22 07:46:22.773271: val_loss -0.087 +2026-02-22 07:46:22.776416: Pseudo dice [np.float32(0.9186), np.float32(0.9353), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8918), np.float32(nan), np.float32(0.9471), np.float32(nan), np.float32(0.9467), np.float32(0.5955), np.float32(0.8878), np.float32(nan), np.float32(0.9122), np.float32(0.0576), np.float32(0.8587), np.float32(0.0), np.float32(0.7055), np.float32(0.8876), np.float32(0.9212), np.float32(0.9081), np.float32(0.7409), np.float32(0.765), np.float32(0.1788), np.float32(0.4327), np.float32(0.6374), np.float32(0.892), np.float32(0.1758), np.float32(0.0086), np.float32(0.9348), np.float32(0.277), np.float32(0.8402), np.float32(0.5106), np.float32(0.4344), np.float32(0.4095), np.float32(0.8959), np.float32(0.9307), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8047), np.float32(0.4772), np.float32(0.8283), np.float32(0.3368), np.float32(0.9108), np.float32(0.9185), np.float32(0.8096), np.float32(0.8309), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:46:22.784951: Epoch time: 128.48 s +2026-02-22 07:46:24.091878: +2026-02-22 07:46:24.098228: Epoch 596 +2026-02-22 07:46:24.099257: Current learning rate: 0.00442 +2026-02-22 07:48:20.989537: train_loss -0.087 +2026-02-22 07:48:21.060220: val_loss -0.1106 +2026-02-22 07:48:21.061321: Pseudo dice [np.float32(0.9382), np.float32(0.9632), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8808), np.float32(nan), np.float32(0.9563), np.float32(nan), np.float32(0.9561), np.float32(0.2551), np.float32(0.8748), np.float32(0.0), np.float32(0.8826), np.float32(0.3946), np.float32(0.8464), np.float32(0.2932), np.float32(0.697), np.float32(0.8946), np.float32(0.9422), np.float32(0.9169), np.float32(0.8042), np.float32(0.821), np.float32(0.0351), np.float32(0.5524), np.float32(0.0), np.float32(0.8307), np.float32(0.0007), np.float32(0.0206), np.float32(0.9307), np.float32(0.0577), np.float32(0.8066), np.float32(0.4094), np.float32(0.5178), np.float32(0.4988), np.float32(0.9189), np.float32(0.934), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7273), np.float32(0.0525), np.float32(0.5006), np.float32(0.1992), np.float32(0.8977), np.float32(0.9217), np.float32(0.7833), np.float32(0.8443), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:48:21.062664: Epoch time: 116.9 s +2026-02-22 07:48:22.311738: +2026-02-22 07:48:22.318700: Epoch 597 +2026-02-22 07:48:22.320366: Current learning rate: 0.00441 +2026-02-22 07:50:27.849191: train_loss -0.0894 +2026-02-22 07:50:27.891440: val_loss -0.0935 +2026-02-22 07:50:27.900299: Pseudo dice [np.float32(0.9571), np.float32(0.9566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8799), np.float32(nan), np.float32(0.9419), np.float32(nan), np.float32(0.8741), np.float32(0.2396), np.float32(0.8682), np.float32(nan), np.float32(0.8521), np.float32(0.235), np.float32(0.8541), np.float32(0.5711), np.float32(0.7181), np.float32(0.8952), np.float32(0.9443), np.float32(0.9055), np.float32(0.7897), np.float32(0.8106), np.float32(1e-04), np.float32(0.2778), np.float32(0.1517), np.float32(0.8528), np.float32(0.2073), np.float32(0.1406), np.float32(0.8877), np.float32(0.0841), np.float32(0.8527), np.float32(0.4365), np.float32(0.4744), np.float32(0.4612), np.float32(0.9622), np.float32(0.9478), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.717), np.float32(0.5753), np.float32(0.1887), np.float32(0.1718), np.float32(0.8624), np.float32(0.8854), np.float32(0.8116), np.float32(0.8325), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:50:27.906095: Epoch time: 125.54 s +2026-02-22 07:50:28.928455: +2026-02-22 07:50:28.946445: Epoch 598 +2026-02-22 07:50:28.947727: Current learning rate: 0.0044 +2026-02-22 07:52:28.610849: train_loss -0.0812 +2026-02-22 07:52:28.618383: val_loss -0.0644 +2026-02-22 07:52:28.619414: Pseudo dice [np.float32(0.9552), np.float32(0.954), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8649), np.float32(nan), np.float32(0.9159), np.float32(nan), np.float32(0.9207), np.float32(0.0), np.float32(0.8547), np.float32(nan), np.float32(0.8782), np.float32(0.7046), np.float32(0.8409), np.float32(0.5931), np.float32(0.6901), np.float32(0.8747), np.float32(0.9417), np.float32(0.8974), np.float32(0.7582), np.float32(0.772), np.float32(0.8421), np.float32(0.5053), np.float32(0.2049), np.float32(0.8167), np.float32(0.1833), np.float32(0.1514), np.float32(0.9204), np.float32(0.4377), np.float32(0.8331), np.float32(0.0366), np.float32(0.5223), np.float32(0.4142), np.float32(0.8735), np.float32(0.876), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6597), np.float32(0.4684), np.float32(0.507), np.float32(0.463), np.float32(0.6203), np.float32(0.8379), np.float32(0.7988), np.float32(0.835), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:52:28.657720: Epoch time: 119.68 s +2026-02-22 07:52:29.868340: +2026-02-22 07:52:29.881548: Epoch 599 +2026-02-22 07:52:29.883731: Current learning rate: 0.00439 +2026-02-22 07:54:42.664128: train_loss -0.0881 +2026-02-22 07:54:42.701408: val_loss -0.0896 +2026-02-22 07:54:42.713041: Pseudo dice [np.float32(0.9199), np.float32(0.946), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8953), np.float32(nan), np.float32(0.9392), np.float32(nan), np.float32(0.9418), np.float32(0.0), np.float32(0.8449), np.float32(0.0), np.float32(0.9031), np.float32(0.5728), np.float32(0.8609), np.float32(0.2742), np.float32(0.7499), np.float32(0.8482), np.float32(0.9303), np.float32(0.8979), np.float32(0.7605), np.float32(0.8179), np.float32(0.0342), np.float32(0.4405), np.float32(0.4773), np.float32(0.8662), np.float32(0.3186), np.float32(0.0219), np.float32(0.9163), np.float32(0.6882), np.float32(0.8003), np.float32(0.4081), np.float32(0.4402), np.float32(0.3969), np.float32(0.8914), np.float32(0.896), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5925), np.float32(0.3258), np.float32(0.1777), np.float32(0.1156), np.float32(0.7569), np.float32(0.794), np.float32(0.818), np.float32(0.8186), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:54:42.717194: Epoch time: 132.8 s +2026-02-22 07:54:45.780667: +2026-02-22 07:54:45.782943: Epoch 600 +2026-02-22 07:54:45.783739: Current learning rate: 0.00438 +2026-02-22 07:56:48.874785: train_loss -0.0606 +2026-02-22 07:56:48.891011: val_loss -0.091 +2026-02-22 07:56:48.892028: Pseudo dice [np.float32(0.9062), np.float32(0.9292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8851), np.float32(nan), np.float32(0.959), np.float32(nan), np.float32(0.9354), np.float32(0.0517), np.float32(0.8392), np.float32(nan), np.float32(0.9156), np.float32(0.2969), np.float32(0.8625), np.float32(0.5907), np.float32(0.628), np.float32(0.8867), np.float32(0.9314), np.float32(0.9089), np.float32(0.7974), np.float32(0.8013), np.float32(0.3103), np.float32(0.4861), np.float32(0.3033), np.float32(0.8432), np.float32(0.2468), np.float32(0.0316), np.float32(0.942), np.float32(0.1255), np.float32(0.8333), np.float32(0.5756), np.float32(0.4605), np.float32(0.428), np.float32(0.8285), np.float32(0.8746), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7713), np.float32(0.0954), np.float32(0.8914), np.float32(0.506), np.float32(0.8884), np.float32(0.7748), np.float32(0.8055), np.float32(0.8434), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:56:48.893440: Epoch time: 123.1 s +2026-02-22 07:56:50.380161: +2026-02-22 07:56:50.383823: Epoch 601 +2026-02-22 07:56:50.384656: Current learning rate: 0.00437 +2026-02-22 07:59:02.187910: train_loss -0.0519 +2026-02-22 07:59:02.218143: val_loss -0.0424 +2026-02-22 07:59:02.226045: Pseudo dice [np.float32(0.9091), np.float32(0.8342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8472), np.float32(nan), np.float32(0.9321), np.float32(nan), np.float32(0.9061), np.float32(0.7179), np.float32(0.8152), np.float32(nan), np.float32(0.8564), np.float32(0.0746), np.float32(0.8006), np.float32(0.575), np.float32(0.6764), np.float32(0.808), np.float32(0.8332), np.float32(0.8564), np.float32(0.6518), np.float32(0.7985), np.float32(0.1116), np.float32(0.3979), np.float32(0.358), np.float32(0.836), np.float32(0.0931), np.float32(0.0625), np.float32(0.9249), np.float32(0.3682), np.float32(0.783), np.float32(0.4762), np.float32(0.3341), np.float32(0.3766), np.float32(0.898), np.float32(0.9287), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6959), np.float32(0.2729), np.float32(0.2152), np.float32(0.0028), np.float32(0.783), np.float32(0.8941), np.float32(0.7867), np.float32(0.7688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 07:59:02.229377: Epoch time: 131.81 s +2026-02-22 07:59:03.494214: +2026-02-22 07:59:03.509402: Epoch 602 +2026-02-22 07:59:03.510207: Current learning rate: 0.00436 +2026-02-22 08:01:01.225274: train_loss -0.0618 +2026-02-22 08:01:01.249434: val_loss -0.078 +2026-02-22 08:01:01.257170: Pseudo dice [np.float32(0.9367), np.float32(0.948), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8787), np.float32(nan), np.float32(0.906), np.float32(nan), np.float32(0.9371), np.float32(0.3055), np.float32(0.856), np.float32(nan), np.float32(0.913), np.float32(0.0545), np.float32(0.8483), np.float32(0.6048), np.float32(0.7354), np.float32(0.8811), np.float32(0.9004), np.float32(0.8733), np.float32(0.7509), np.float32(0.7833), np.float32(0.0565), np.float32(0.6439), np.float32(0.6788), np.float32(0.8338), np.float32(0.0), np.float32(0.0), np.float32(0.9368), np.float32(0.056), np.float32(0.8252), np.float32(0.4125), np.float32(0.3571), np.float32(0.4818), np.float32(0.8961), np.float32(0.9149), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6305), np.float32(0.7187), np.float32(0.4774), np.float32(0.2445), np.float32(0.8037), np.float32(0.7563), np.float32(0.8081), np.float32(0.8062), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:01:01.263758: Epoch time: 117.73 s +2026-02-22 08:01:02.516028: +2026-02-22 08:01:02.529638: Epoch 603 +2026-02-22 08:01:02.530441: Current learning rate: 0.00435 +2026-02-22 08:02:55.075140: train_loss -0.0598 +2026-02-22 08:02:55.096785: val_loss -0.0714 +2026-02-22 08:02:55.104314: Pseudo dice [np.float32(0.9373), np.float32(0.9276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8662), np.float32(nan), np.float32(0.9453), np.float32(nan), np.float32(0.8989), np.float32(0.0), np.float32(0.8545), np.float32(0.0), np.float32(0.8563), np.float32(0.2742), np.float32(0.8134), np.float32(0.6), np.float32(0.6576), np.float32(0.8618), np.float32(0.9184), np.float32(0.8851), np.float32(0.7539), np.float32(0.8078), np.float32(0.0157), np.float32(0.3592), np.float32(0.2124), np.float32(0.7263), np.float32(0.0), np.float32(0.0005), np.float32(0.8799), np.float32(0.1423), np.float32(0.8229), np.float32(0.3156), np.float32(0.4583), np.float32(0.346), np.float32(0.9084), np.float32(0.8878), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5628), np.float32(0.267), np.float32(0.6339), np.float32(0.5461), np.float32(0.932), np.float32(0.9086), np.float32(0.7911), np.float32(0.831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:02:55.111089: Epoch time: 112.56 s +2026-02-22 08:02:56.669073: +2026-02-22 08:02:56.688813: Epoch 604 +2026-02-22 08:02:56.693225: Current learning rate: 0.00434 +2026-02-22 08:04:59.321898: train_loss -0.0401 +2026-02-22 08:04:59.354329: val_loss -0.0693 +2026-02-22 08:04:59.362883: Pseudo dice [np.float32(0.9116), np.float32(0.9325), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8782), np.float32(nan), np.float32(0.9257), np.float32(nan), np.float32(0.9174), np.float32(0.0), np.float32(0.8472), np.float32(0.0), np.float32(0.8643), np.float32(0.204), np.float32(0.8401), np.float32(0.116), np.float32(0.6613), np.float32(0.8781), np.float32(0.9081), np.float32(0.8798), np.float32(0.7414), np.float32(0.7726), np.float32(0.0795), np.float32(0.3978), np.float32(0.0717), np.float32(0.8027), np.float32(0.0564), np.float32(0.0387), np.float32(0.8991), np.float32(0.0009), np.float32(0.8079), np.float32(0.4634), np.float32(0.4849), np.float32(0.4312), np.float32(0.9375), np.float32(0.945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7084), np.float32(0.5546), np.float32(0.1527), np.float32(0.0255), np.float32(0.7422), np.float32(0.403), np.float32(0.7681), np.float32(0.7807), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:04:59.380513: Epoch time: 122.66 s +2026-02-22 08:05:00.471384: +2026-02-22 08:05:00.487056: Epoch 605 +2026-02-22 08:05:00.492199: Current learning rate: 0.00433 +2026-02-22 08:07:07.510448: train_loss -0.0745 +2026-02-22 08:07:07.526786: val_loss -0.0743 +2026-02-22 08:07:07.530398: Pseudo dice [np.float32(0.9527), np.float32(0.9126), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8816), np.float32(nan), np.float32(0.9388), np.float32(nan), np.float32(0.797), np.float32(0.1922), np.float32(0.883), np.float32(nan), np.float32(0.8858), np.float32(0.5268), np.float32(0.851), np.float32(0.0472), np.float32(0.6929), np.float32(0.889), np.float32(0.9104), np.float32(0.902), np.float32(0.7281), np.float32(0.7709), np.float32(0.4475), np.float32(0.5783), np.float32(0.5067), np.float32(0.8464), np.float32(0.0709), np.float32(0.0693), np.float32(0.9492), np.float32(0.3398), np.float32(0.7871), np.float32(0.4697), np.float32(0.4489), np.float32(0.4731), np.float32(0.9077), np.float32(0.8901), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8387), np.float32(0.0131), np.float32(0.8972), np.float32(0.3573), np.float32(0.7533), np.float32(0.8423), np.float32(0.8052), np.float32(0.8387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:07:07.548316: Epoch time: 127.04 s +2026-02-22 08:07:09.148638: +2026-02-22 08:07:09.152023: Epoch 606 +2026-02-22 08:07:09.152817: Current learning rate: 0.00432 +2026-02-22 08:09:21.750803: train_loss -0.0691 +2026-02-22 08:09:21.910586: val_loss -0.0794 +2026-02-22 08:09:21.915651: Pseudo dice [np.float32(0.9576), np.float32(0.9281), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8771), np.float32(nan), np.float32(0.9365), np.float32(nan), np.float32(0.9178), np.float32(0.5003), np.float32(0.8961), np.float32(0.0), np.float32(0.8964), np.float32(0.6044), np.float32(0.8721), np.float32(0.5364), np.float32(0.6787), np.float32(0.8601), np.float32(0.939), np.float32(0.9053), np.float32(0.7981), np.float32(0.7924), np.float32(0.1858), np.float32(0.2436), np.float32(0.7885), np.float32(0.8204), np.float32(0.3018), np.float32(0.3721), np.float32(0.9232), np.float32(0.0852), np.float32(0.8142), np.float32(0.1581), np.float32(0.4368), np.float32(0.4646), np.float32(0.8656), np.float32(0.9011), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6574), np.float32(0.3571), np.float32(0.7965), np.float32(0.4893), np.float32(0.6786), np.float32(0.7181), np.float32(0.791), np.float32(0.8292), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:09:21.918303: Epoch time: 132.6 s +2026-02-22 08:09:23.377635: +2026-02-22 08:09:23.383061: Epoch 607 +2026-02-22 08:09:23.383865: Current learning rate: 0.00431 +2026-02-22 08:11:23.578017: train_loss -0.0648 +2026-02-22 08:11:23.593920: val_loss -0.109 +2026-02-22 08:11:23.598227: Pseudo dice [np.float32(0.9541), np.float32(0.9582), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8765), np.float32(nan), np.float32(0.9729), np.float32(nan), np.float32(0.9039), np.float32(0.0), np.float32(0.8686), np.float32(nan), np.float32(0.8908), np.float32(0.4775), np.float32(0.847), np.float32(0.2658), np.float32(0.6944), np.float32(0.8777), np.float32(0.9471), np.float32(0.9231), np.float32(0.7604), np.float32(0.7968), np.float32(0.0566), np.float32(0.5857), np.float32(0.7092), np.float32(0.8529), np.float32(0.0122), np.float32(0.0028), np.float32(0.9399), np.float32(0.5996), np.float32(0.8075), np.float32(0.5687), np.float32(0.3967), np.float32(0.4002), np.float32(0.9034), np.float32(0.9162), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8043), np.float32(0.0141), np.float32(0.7164), np.float32(0.5012), np.float32(0.6157), np.float32(0.6199), np.float32(0.7885), np.float32(0.839), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:11:23.600165: Epoch time: 120.2 s +2026-02-22 08:11:24.707926: +2026-02-22 08:11:24.712995: Epoch 608 +2026-02-22 08:11:24.713797: Current learning rate: 0.0043 +2026-02-22 08:13:36.429553: train_loss -0.0606 +2026-02-22 08:13:36.458975: val_loss -0.0919 +2026-02-22 08:13:36.461660: Pseudo dice [np.float32(0.9474), np.float32(0.97), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8572), np.float32(nan), np.float32(0.9513), np.float32(nan), np.float32(0.9403), np.float32(0.42), np.float32(0.8932), np.float32(nan), np.float32(0.8902), np.float32(0.6555), np.float32(0.8393), np.float32(0.2609), np.float32(0.7278), np.float32(0.8807), np.float32(0.9438), np.float32(0.9243), np.float32(0.6755), np.float32(0.8326), np.float32(0.7636), np.float32(0.3584), np.float32(0.0826), np.float32(0.7848), np.float32(0.3093), np.float32(0.2592), np.float32(0.913), np.float32(0.1187), np.float32(0.8271), np.float32(0.4958), np.float32(0.4872), np.float32(0.4289), np.float32(0.9259), np.float32(0.927), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6931), np.float32(0.2642), np.float32(0.4624), np.float32(0.4654), np.float32(0.5945), np.float32(0.6489), np.float32(0.8033), np.float32(0.8286), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:13:36.462691: Epoch time: 131.72 s +2026-02-22 08:13:37.678410: +2026-02-22 08:13:37.699797: Epoch 609 +2026-02-22 08:13:37.704103: Current learning rate: 0.00429 +2026-02-22 08:15:40.677769: train_loss -0.0895 +2026-02-22 08:15:40.692667: val_loss -0.0864 +2026-02-22 08:15:40.698803: Pseudo dice [np.float32(0.9378), np.float32(0.9459), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8879), np.float32(nan), np.float32(0.9438), np.float32(nan), np.float32(0.9589), np.float32(0.0), np.float32(0.8684), np.float32(nan), np.float32(0.8887), np.float32(0.5595), np.float32(0.8461), np.float32(0.5555), np.float32(0.6539), np.float32(0.8887), np.float32(0.9362), np.float32(0.8957), np.float32(0.7807), np.float32(0.8039), np.float32(0.5184), np.float32(0.1127), np.float32(0.0), np.float32(0.8597), np.float32(0.0019), np.float32(0.0), np.float32(0.9241), np.float32(0.4974), np.float32(0.8274), np.float32(0.332), np.float32(0.505), np.float32(0.4178), np.float32(0.8974), np.float32(0.9258), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7634), np.float32(0.0216), np.float32(0.002), np.float32(0.0479), np.float32(0.4083), np.float32(0.6423), np.float32(0.8106), np.float32(0.821), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:15:40.705200: Epoch time: 123.0 s +2026-02-22 08:15:42.422311: +2026-02-22 08:15:42.423810: Epoch 610 +2026-02-22 08:15:42.424640: Current learning rate: 0.00429 +2026-02-22 08:17:46.175394: train_loss -0.0764 +2026-02-22 08:17:46.220271: val_loss -0.0655 +2026-02-22 08:17:46.223011: Pseudo dice [np.float32(0.9245), np.float32(0.9385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8772), np.float32(nan), np.float32(0.9361), np.float32(nan), np.float32(0.9469), np.float32(0.4857), np.float32(0.8859), np.float32(nan), np.float32(0.8755), np.float32(0.6217), np.float32(0.8706), np.float32(0.7021), np.float32(0.7012), np.float32(0.8799), np.float32(0.9067), np.float32(0.8943), np.float32(0.6989), np.float32(0.7652), np.float32(0.5373), np.float32(0.1178), np.float32(0.1077), np.float32(0.896), np.float32(0.0), np.float32(0.0), np.float32(0.9361), np.float32(0.4182), np.float32(0.8219), np.float32(0.548), np.float32(0.4506), np.float32(0.3726), np.float32(0.9217), np.float32(0.9164), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7254), np.float32(1e-04), np.float32(0.2644), np.float32(0.2665), np.float32(0.3311), np.float32(0.8019), np.float32(0.793), np.float32(0.817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:17:46.225871: Epoch time: 123.76 s +2026-02-22 08:17:47.765323: +2026-02-22 08:17:47.770522: Epoch 611 +2026-02-22 08:17:47.771331: Current learning rate: 0.00428 +2026-02-22 08:19:59.822004: train_loss -0.0714 +2026-02-22 08:19:59.843591: val_loss -0.0884 +2026-02-22 08:19:59.854162: Pseudo dice [np.float32(0.9639), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9407), np.float32(nan), np.float32(0.92), np.float32(0.0), np.float32(0.8954), np.float32(nan), np.float32(0.8526), np.float32(0.064), np.float32(0.8523), np.float32(0.4257), np.float32(0.6953), np.float32(0.8291), np.float32(0.9145), np.float32(0.8839), np.float32(0.8021), np.float32(0.7557), np.float32(0.065), np.float32(0.371), np.float32(0.4481), np.float32(0.7559), np.float32(0.1508), np.float32(0.1054), np.float32(0.9024), np.float32(0.0018), np.float32(0.8269), np.float32(0.6794), np.float32(0.4819), np.float32(0.4108), np.float32(0.9347), np.float32(0.933), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7313), np.float32(0.0), np.float32(0.0594), np.float32(0.1802), np.float32(0.7154), np.float32(0.7694), np.float32(0.8075), np.float32(0.8187), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:19:59.860849: Epoch time: 132.06 s +2026-02-22 08:20:01.011294: +2026-02-22 08:20:01.020923: Epoch 612 +2026-02-22 08:20:01.025160: Current learning rate: 0.00427 +2026-02-22 08:22:00.792113: train_loss -0.0663 +2026-02-22 08:22:00.827848: val_loss -0.0893 +2026-02-22 08:22:00.830472: Pseudo dice [np.float32(0.947), np.float32(0.9615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8785), np.float32(nan), np.float32(0.9526), np.float32(nan), np.float32(0.9156), np.float32(0.0644), np.float32(0.8841), np.float32(nan), np.float32(0.8839), np.float32(0.159), np.float32(0.8463), np.float32(0.2943), np.float32(0.6874), np.float32(0.8745), np.float32(0.9274), np.float32(0.9048), np.float32(0.7953), np.float32(0.8102), np.float32(0.6621), np.float32(0.3285), np.float32(0.7554), np.float32(0.8319), np.float32(0.1244), np.float32(0.3112), np.float32(0.9338), np.float32(0.1117), np.float32(0.6713), np.float32(0.3999), np.float32(0.3885), np.float32(0.3892), np.float32(0.9371), np.float32(0.9405), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7409), np.float32(0.667), np.float32(0.6277), np.float32(0.4931), np.float32(0.4982), np.float32(0.6002), np.float32(0.779), np.float32(0.8236), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:22:00.834346: Epoch time: 119.78 s +2026-02-22 08:22:02.606761: +2026-02-22 08:22:02.614963: Epoch 613 +2026-02-22 08:22:02.615999: Current learning rate: 0.00426 +2026-02-22 08:24:07.494089: train_loss -0.0595 +2026-02-22 08:24:07.551288: val_loss -0.081 +2026-02-22 08:24:07.560396: Pseudo dice [np.float32(0.9309), np.float32(0.9407), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8635), np.float32(nan), np.float32(0.9423), np.float32(nan), np.float32(0.9057), np.float32(0.1327), np.float32(0.8474), np.float32(nan), np.float32(0.919), np.float32(0.5265), np.float32(0.8382), np.float32(0.5771), np.float32(0.6565), np.float32(0.8792), np.float32(0.9349), np.float32(0.8956), np.float32(0.7688), np.float32(0.7697), np.float32(0.1695), np.float32(0.7715), np.float32(0.4854), np.float32(0.8246), np.float32(0.1775), np.float32(0.2427), np.float32(0.9246), np.float32(0.0), np.float32(0.7488), np.float32(0.0321), np.float32(0.4215), np.float32(0.4164), np.float32(0.9523), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7101), np.float32(0.4864), np.float32(0.6311), np.float32(0.6863), np.float32(0.8567), np.float32(0.906), np.float32(0.7973), np.float32(0.7728), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:24:07.566657: Epoch time: 124.89 s +2026-02-22 08:24:09.150311: +2026-02-22 08:24:09.158105: Epoch 614 +2026-02-22 08:24:09.159400: Current learning rate: 0.00425 +2026-02-22 08:26:17.965937: train_loss -0.0644 +2026-02-22 08:26:17.991117: val_loss -0.0791 +2026-02-22 08:26:17.995092: Pseudo dice [np.float32(0.918), np.float32(0.9438), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8904), np.float32(nan), np.float32(0.9396), np.float32(nan), np.float32(0.9255), np.float32(0.815), np.float32(0.8775), np.float32(0.0), np.float32(0.9138), np.float32(0.0041), np.float32(0.8549), np.float32(0.5348), np.float32(0.6833), np.float32(0.8886), np.float32(0.9338), np.float32(0.8992), np.float32(0.76), np.float32(0.8052), np.float32(0.14), np.float32(0.5567), np.float32(0.6922), np.float32(0.863), np.float32(0.3009), np.float32(0.0005), np.float32(0.947), np.float32(0.0691), np.float32(0.8371), np.float32(0.0), np.float32(0.4675), np.float32(0.4218), np.float32(0.8433), np.float32(0.8786), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8163), np.float32(0.0), np.float32(0.908), np.float32(0.0), np.float32(0.843), np.float32(0.8957), np.float32(0.8157), np.float32(0.8348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:26:18.002559: Epoch time: 128.82 s +2026-02-22 08:26:19.642744: +2026-02-22 08:26:19.646415: Epoch 615 +2026-02-22 08:26:19.649178: Current learning rate: 0.00424 +2026-02-22 08:28:28.349092: train_loss -0.0801 +2026-02-22 08:28:28.370057: val_loss -0.0835 +2026-02-22 08:28:28.374075: Pseudo dice [np.float32(0.9529), np.float32(0.9589), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8716), np.float32(nan), np.float32(0.9311), np.float32(nan), np.float32(0.9376), np.float32(0.3319), np.float32(0.8687), np.float32(nan), np.float32(0.906), np.float32(0.3406), np.float32(0.859), np.float32(0.398), np.float32(0.7155), np.float32(0.8773), np.float32(0.9445), np.float32(0.927), np.float32(0.7757), np.float32(0.8144), np.float32(0.7486), np.float32(0.4112), np.float32(0.1725), np.float32(0.8901), np.float32(0.1355), np.float32(0.0391), np.float32(0.8884), np.float32(0.2995), np.float32(0.8605), np.float32(0.2803), np.float32(0.4357), np.float32(0.4118), np.float32(0.8428), np.float32(0.8844), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7605), np.float32(0.4951), np.float32(0.6664), np.float32(0.3877), np.float32(0.7115), np.float32(0.7101), np.float32(0.8065), np.float32(0.8379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:28:28.382388: Epoch time: 128.71 s +2026-02-22 08:28:29.757831: +2026-02-22 08:28:29.761227: Epoch 616 +2026-02-22 08:28:29.762009: Current learning rate: 0.00423 +2026-02-22 08:30:40.534088: train_loss -0.0602 +2026-02-22 08:30:40.558085: val_loss -0.063 +2026-02-22 08:30:40.564457: Pseudo dice [np.float32(0.9256), np.float32(0.9343), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8736), np.float32(nan), np.float32(0.916), np.float32(nan), np.float32(0.8742), np.float32(0.227), np.float32(0.7905), np.float32(nan), np.float32(0.8733), np.float32(0.2801), np.float32(0.7988), np.float32(0.6728), np.float32(0.6608), np.float32(0.8738), np.float32(0.8997), np.float32(0.8883), np.float32(0.7115), np.float32(0.7838), np.float32(0.6345), np.float32(0.2763), np.float32(0.387), np.float32(0.7424), np.float32(0.0127), np.float32(0.0), np.float32(0.9485), np.float32(0.2348), np.float32(0.8078), np.float32(0.4668), np.float32(0.4393), np.float32(0.5147), np.float32(0.9257), np.float32(0.9151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7328), np.float32(0.2627), np.float32(0.3921), np.float32(0.0161), np.float32(0.7257), np.float32(0.6154), np.float32(0.7827), np.float32(0.8091), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:30:40.571045: Epoch time: 130.78 s +2026-02-22 08:30:43.509042: +2026-02-22 08:30:43.510529: Epoch 617 +2026-02-22 08:30:43.511355: Current learning rate: 0.00422 +2026-02-22 08:32:44.108619: train_loss -0.0912 +2026-02-22 08:32:44.157032: val_loss -0.1066 +2026-02-22 08:32:44.160735: Pseudo dice [np.float32(0.9547), np.float32(0.9382), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8843), np.float32(nan), np.float32(0.9521), np.float32(nan), np.float32(0.9118), np.float32(0.5631), np.float32(0.9025), np.float32(nan), np.float32(0.9078), np.float32(0.4545), np.float32(0.8584), np.float32(0.6787), np.float32(0.6919), np.float32(0.9019), np.float32(0.9332), np.float32(0.9083), np.float32(0.7805), np.float32(0.792), np.float32(0.0885), np.float32(0.4973), np.float32(0.21), np.float32(0.7978), np.float32(0.2062), np.float32(0.0926), np.float32(0.8589), np.float32(0.0516), np.float32(0.8212), np.float32(0.4594), np.float32(0.5339), np.float32(0.4625), np.float32(0.8994), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5899), np.float32(0.0), np.float32(0.7511), np.float32(0.6511), np.float32(0.7247), np.float32(0.808), np.float32(0.7982), np.float32(0.8497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:32:44.161864: Epoch time: 120.6 s +2026-02-22 08:32:45.926490: +2026-02-22 08:32:45.938343: Epoch 618 +2026-02-22 08:32:45.940973: Current learning rate: 0.00421 +2026-02-22 08:34:58.392948: train_loss -0.0795 +2026-02-22 08:34:58.415707: val_loss -0.077 +2026-02-22 08:34:58.417884: Pseudo dice [np.float32(0.9539), np.float32(0.9632), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8702), np.float32(nan), np.float32(0.9512), np.float32(nan), np.float32(0.9455), np.float32(0.1125), np.float32(0.8594), np.float32(nan), np.float32(0.8992), np.float32(0.5725), np.float32(0.825), np.float32(0.3518), np.float32(0.6952), np.float32(0.8699), np.float32(0.9402), np.float32(0.9038), np.float32(0.7956), np.float32(0.8081), np.float32(0.3792), np.float32(0.5463), np.float32(0.7572), np.float32(0.7542), np.float32(0.0785), np.float32(0.0678), np.float32(0.9084), np.float32(0.0), np.float32(0.8541), np.float32(0.2173), np.float32(0.4737), np.float32(0.3713), np.float32(0.911), np.float32(0.8895), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8167), np.float32(0.0), np.float32(0.3557), np.float32(0.3991), np.float32(0.8146), np.float32(0.807), np.float32(0.7928), np.float32(0.8344), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:34:58.418880: Epoch time: 132.47 s +2026-02-22 08:34:59.827946: +2026-02-22 08:34:59.832293: Epoch 619 +2026-02-22 08:34:59.833096: Current learning rate: 0.0042 +2026-02-22 08:37:04.525163: train_loss -0.0752 +2026-02-22 08:37:04.539469: val_loss -0.0844 +2026-02-22 08:37:04.542528: Pseudo dice [np.float32(0.9477), np.float32(0.9482), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8634), np.float32(nan), np.float32(0.9516), np.float32(nan), np.float32(0.9398), np.float32(0.0), np.float32(0.8598), np.float32(nan), np.float32(0.8805), np.float32(0.356), np.float32(0.8391), np.float32(0.4087), np.float32(0.6792), np.float32(0.8499), np.float32(0.9304), np.float32(0.9155), np.float32(0.8139), np.float32(0.8117), np.float32(0.2579), np.float32(0.2997), np.float32(0.0), np.float32(0.8278), np.float32(0.0775), np.float32(0.0), np.float32(0.938), np.float32(0.164), np.float32(0.8343), np.float32(0.5721), np.float32(0.4731), np.float32(0.5575), np.float32(0.9365), np.float32(0.9312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7872), np.float32(0.0), np.float32(0.2729), np.float32(0.0026), np.float32(0.773), np.float32(0.7184), np.float32(0.7589), np.float32(0.8276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:37:04.545791: Epoch time: 124.7 s +2026-02-22 08:37:05.518355: +2026-02-22 08:37:05.520787: Epoch 620 +2026-02-22 08:37:05.521790: Current learning rate: 0.00419 +2026-02-22 08:39:15.410617: train_loss -0.0791 +2026-02-22 08:39:15.435513: val_loss -0.0938 +2026-02-22 08:39:15.441962: Pseudo dice [np.float32(0.948), np.float32(0.9489), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8993), np.float32(nan), np.float32(0.96), np.float32(nan), np.float32(0.9352), np.float32(0.095), np.float32(0.8762), np.float32(0.0), np.float32(0.9018), np.float32(0.4841), np.float32(0.8306), np.float32(0.0859), np.float32(0.6705), np.float32(0.887), np.float32(0.9318), np.float32(0.902), np.float32(0.7824), np.float32(0.7782), np.float32(0.022), np.float32(0.3674), np.float32(0.0637), np.float32(0.8988), np.float32(0.1009), np.float32(0.0141), np.float32(0.9011), np.float32(0.5624), np.float32(0.8076), np.float32(0.2621), np.float32(0.4127), np.float32(0.4097), np.float32(0.8524), np.float32(0.8704), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7645), np.float32(0.0), np.float32(0.2269), np.float32(0.1394), np.float32(0.8079), np.float32(0.6479), np.float32(0.8313), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:39:15.447144: Epoch time: 129.89 s +2026-02-22 08:39:16.833776: +2026-02-22 08:39:16.843726: Epoch 621 +2026-02-22 08:39:16.845420: Current learning rate: 0.00418 +2026-02-22 08:41:15.383171: train_loss -0.0639 +2026-02-22 08:41:15.392111: val_loss -0.0755 +2026-02-22 08:41:15.393825: Pseudo dice [np.float32(0.8951), np.float32(0.9147), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8416), np.float32(nan), np.float32(0.9389), np.float32(nan), np.float32(0.9057), np.float32(0.0301), np.float32(0.871), np.float32(nan), np.float32(0.8833), np.float32(0.619), np.float32(0.8221), np.float32(0.5199), np.float32(0.5722), np.float32(0.8795), np.float32(0.9336), np.float32(0.9069), np.float32(0.7176), np.float32(0.779), np.float32(0.294), np.float32(0.2823), np.float32(0.7383), np.float32(0.8412), np.float32(0.0276), np.float32(0.2957), np.float32(0.9379), np.float32(0.592), np.float32(0.72), np.float32(0.1223), np.float32(0.4651), np.float32(0.3899), np.float32(0.8596), np.float32(0.8731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7659), np.float32(0.1933), np.float32(0.6442), np.float32(0.0552), np.float32(0.788), np.float32(0.8361), np.float32(0.778), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:41:15.394646: Epoch time: 118.55 s +2026-02-22 08:41:16.320026: +2026-02-22 08:41:16.321122: Epoch 622 +2026-02-22 08:41:16.321940: Current learning rate: 0.00417 +2026-02-22 08:43:20.181704: train_loss -0.0554 +2026-02-22 08:43:20.205991: val_loss -0.078 +2026-02-22 08:43:20.213637: Pseudo dice [np.float32(0.9209), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8634), np.float32(nan), np.float32(0.9583), np.float32(nan), np.float32(0.9116), np.float32(0.4888), np.float32(0.841), np.float32(0.0), np.float32(0.8893), np.float32(0.1751), np.float32(0.8152), np.float32(0.3181), np.float32(0.515), np.float32(0.8344), np.float32(0.9374), np.float32(0.9135), np.float32(0.765), np.float32(0.8077), np.float32(0.1837), np.float32(0.328), np.float32(0.7795), np.float32(0.8428), np.float32(0.0), np.float32(0.0), np.float32(0.9355), np.float32(0.1941), np.float32(0.8552), np.float32(0.0), np.float32(0.4423), np.float32(0.5019), np.float32(0.9081), np.float32(0.8806), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7798), np.float32(0.5451), np.float32(0.7083), np.float32(0.6613), np.float32(0.7925), np.float32(0.8038), np.float32(0.7769), np.float32(0.7905), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:43:20.221037: Epoch time: 123.86 s +2026-02-22 08:43:21.572173: +2026-02-22 08:43:21.575855: Epoch 623 +2026-02-22 08:43:21.576913: Current learning rate: 0.00416 +2026-02-22 08:45:22.551667: train_loss -0.0805 +2026-02-22 08:45:22.567774: val_loss -0.0811 +2026-02-22 08:45:22.570079: Pseudo dice [np.float32(0.9365), np.float32(0.9402), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8671), np.float32(nan), np.float32(0.9492), np.float32(nan), np.float32(0.8631), np.float32(0.6114), np.float32(0.8634), np.float32(0.0), np.float32(0.8782), np.float32(0.5675), np.float32(0.836), np.float32(0.0493), np.float32(0.6817), np.float32(0.8732), np.float32(0.9219), np.float32(0.9115), np.float32(0.765), np.float32(0.7619), np.float32(0.6454), np.float32(0.4466), np.float32(0.0), np.float32(0.8339), np.float32(0.0042), np.float32(0.3483), np.float32(0.9455), np.float32(0.5296), np.float32(0.8606), np.float32(0.4808), np.float32(0.431), np.float32(0.3808), np.float32(0.893), np.float32(0.9033), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8569), np.float32(0.0), np.float32(0.7836), np.float32(0.7421), np.float32(0.8936), np.float32(0.8889), np.float32(0.7745), np.float32(0.8031), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:45:22.572057: Epoch time: 120.98 s +2026-02-22 08:45:23.804198: +2026-02-22 08:45:23.808569: Epoch 624 +2026-02-22 08:45:23.810291: Current learning rate: 0.00415 +2026-02-22 08:47:45.486446: train_loss -0.0774 +2026-02-22 08:47:45.522557: val_loss -0.0978 +2026-02-22 08:47:45.524026: Pseudo dice [np.float32(0.9661), np.float32(0.9622), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8869), np.float32(nan), np.float32(0.9397), np.float32(nan), np.float32(0.9421), np.float32(0.4293), np.float32(0.8835), np.float32(nan), np.float32(0.9059), np.float32(0.5184), np.float32(0.8473), np.float32(0.2984), np.float32(0.6597), np.float32(0.8739), np.float32(0.9279), np.float32(0.8969), np.float32(0.7766), np.float32(0.8035), np.float32(0.0965), np.float32(0.6417), np.float32(0.5664), np.float32(0.8056), np.float32(0.2839), np.float32(0.3218), np.float32(0.9223), np.float32(0.3344), np.float32(0.8464), np.float32(0.5727), np.float32(0.4297), np.float32(0.4081), np.float32(0.9581), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7426), np.float32(0.0396), np.float32(0.7828), np.float32(0.3365), np.float32(0.822), np.float32(0.8769), np.float32(0.7979), np.float32(0.817), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:47:45.530960: Epoch time: 141.68 s +2026-02-22 08:47:47.003739: +2026-02-22 08:47:47.008695: Epoch 625 +2026-02-22 08:47:47.009488: Current learning rate: 0.00414 +2026-02-22 08:50:01.997028: train_loss -0.0857 +2026-02-22 08:50:02.016136: val_loss -0.1053 +2026-02-22 08:50:02.019361: Pseudo dice [np.float32(0.9546), np.float32(0.9508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8869), np.float32(nan), np.float32(0.9533), np.float32(nan), np.float32(0.8695), np.float32(0.223), np.float32(0.8874), np.float32(nan), np.float32(0.9213), np.float32(0.5429), np.float32(0.8787), np.float32(0.0), np.float32(0.7014), np.float32(0.8715), np.float32(0.9369), np.float32(0.9133), np.float32(0.7713), np.float32(0.8171), np.float32(0.8041), np.float32(0.681), np.float32(0.4975), np.float32(0.8227), np.float32(0.2337), np.float32(0.0842), np.float32(0.9155), np.float32(0.1806), np.float32(0.8328), np.float32(0.334), np.float32(0.5371), np.float32(0.5048), np.float32(0.9684), np.float32(0.9566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7056), np.float32(0.2859), np.float32(0.0), np.float32(0.3679), np.float32(0.836), np.float32(0.7867), np.float32(0.7932), np.float32(0.8315), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:50:02.024277: Epoch time: 135.0 s +2026-02-22 08:50:03.108889: +2026-02-22 08:50:03.124858: Epoch 626 +2026-02-22 08:50:03.132905: Current learning rate: 0.00413 +2026-02-22 08:52:01.623414: train_loss -0.0928 +2026-02-22 08:52:01.780886: val_loss -0.097 +2026-02-22 08:52:01.783801: Pseudo dice [np.float32(0.9491), np.float32(0.9618), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9447), np.float32(nan), np.float32(0.9554), np.float32(0.1978), np.float32(0.8451), np.float32(nan), np.float32(0.8875), np.float32(0.6757), np.float32(0.8764), np.float32(0.864), np.float32(0.7082), np.float32(0.8821), np.float32(0.9463), np.float32(0.9161), np.float32(0.7629), np.float32(0.7864), np.float32(0.205), np.float32(0.3458), np.float32(0.4565), np.float32(0.8168), np.float32(0.6393), np.float32(0.2571), np.float32(0.915), np.float32(0.1957), np.float32(0.8386), np.float32(0.5463), np.float32(0.5605), np.float32(0.4783), np.float32(0.9077), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8229), np.float32(0.0), np.float32(0.2659), np.float32(0.6133), np.float32(0.9044), np.float32(0.8534), np.float32(0.8297), np.float32(0.8572), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:52:01.785083: Epoch time: 118.52 s +2026-02-22 08:52:03.511076: +2026-02-22 08:52:03.519642: Epoch 627 +2026-02-22 08:52:03.521179: Current learning rate: 0.00412 +2026-02-22 08:54:09.861953: train_loss -0.0991 +2026-02-22 08:54:09.887387: val_loss -0.0945 +2026-02-22 08:54:09.893813: Pseudo dice [np.float32(0.9415), np.float32(0.9453), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.9511), np.float32(nan), np.float32(0.9124), np.float32(0.1345), np.float32(0.8694), np.float32(nan), np.float32(0.8961), np.float32(0.2838), np.float32(0.8568), np.float32(0.6085), np.float32(0.716), np.float32(0.8913), np.float32(0.9347), np.float32(0.898), np.float32(0.7826), np.float32(0.7964), np.float32(0.7169), np.float32(0.6141), np.float32(0.3169), np.float32(0.8757), np.float32(0.2914), np.float32(0.5154), np.float32(0.8915), np.float32(0.4204), np.float32(0.8699), np.float32(0.6747), np.float32(0.5063), np.float32(0.4303), np.float32(0.913), np.float32(0.8766), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7788), np.float32(0.0), np.float32(0.6103), np.float32(0.68), np.float32(0.8632), np.float32(0.8928), np.float32(0.8198), np.float32(0.8304), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:54:09.899892: Epoch time: 126.35 s +2026-02-22 08:54:10.868226: +2026-02-22 08:54:10.885890: Epoch 628 +2026-02-22 08:54:10.887190: Current learning rate: 0.00411 +2026-02-22 08:56:13.034909: train_loss -0.0955 +2026-02-22 08:56:13.147149: val_loss -0.084 +2026-02-22 08:56:13.148595: Pseudo dice [np.float32(0.9197), np.float32(0.9434), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8779), np.float32(nan), np.float32(0.8901), np.float32(nan), np.float32(0.9618), np.float32(0.6237), np.float32(0.8606), np.float32(0.0), np.float32(0.895), np.float32(0.4475), np.float32(0.8397), np.float32(0.4016), np.float32(0.6984), np.float32(0.8882), np.float32(0.9425), np.float32(0.8861), np.float32(0.7975), np.float32(0.7853), np.float32(0.077), np.float32(0.428), np.float32(0.698), np.float32(0.8175), np.float32(0.0), np.float32(0.0), np.float32(0.9189), np.float32(0.3489), np.float32(0.862), np.float32(0.3381), np.float32(0.4533), np.float32(0.4131), np.float32(0.9403), np.float32(0.9051), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7229), np.float32(0.2205), np.float32(0.6663), np.float32(0.742), np.float32(0.923), np.float32(0.9058), np.float32(0.8261), np.float32(0.8242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:56:13.150999: Epoch time: 122.17 s +2026-02-22 08:56:14.611933: +2026-02-22 08:56:14.615228: Epoch 629 +2026-02-22 08:56:14.616023: Current learning rate: 0.0041 +2026-02-22 08:58:18.660701: train_loss -0.0847 +2026-02-22 08:58:18.679725: val_loss -0.0796 +2026-02-22 08:58:18.684930: Pseudo dice [np.float32(0.9387), np.float32(0.9143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8922), np.float32(nan), np.float32(0.9391), np.float32(nan), np.float32(0.9176), np.float32(0.4354), np.float32(0.8768), np.float32(nan), np.float32(0.8958), np.float32(0.6166), np.float32(0.8454), np.float32(0.2714), np.float32(0.6936), np.float32(0.8593), np.float32(0.9372), np.float32(0.916), np.float32(0.7201), np.float32(0.7792), np.float32(0.0144), np.float32(0.4151), np.float32(0.1746), np.float32(0.8278), np.float32(0.1039), np.float32(0.4509), np.float32(0.9296), np.float32(0.1473), np.float32(0.8377), np.float32(0.5849), np.float32(0.4148), np.float32(0.3636), np.float32(0.8917), np.float32(0.879), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6759), np.float32(0.1795), np.float32(0.6526), np.float32(0.5447), np.float32(0.9408), np.float32(0.9365), np.float32(0.8034), np.float32(0.8268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 08:58:18.699955: Epoch time: 124.05 s +2026-02-22 08:58:20.197719: +2026-02-22 08:58:20.208991: Epoch 630 +2026-02-22 08:58:20.210868: Current learning rate: 0.00409 +2026-02-22 09:00:27.297873: train_loss -0.0818 +2026-02-22 09:00:27.307997: val_loss -0.0942 +2026-02-22 09:00:27.309023: Pseudo dice [np.float32(0.9286), np.float32(0.9325), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8689), np.float32(nan), np.float32(0.9467), np.float32(nan), np.float32(0.9111), np.float32(0.3397), np.float32(0.8604), np.float32(nan), np.float32(0.8749), np.float32(0.5898), np.float32(0.8416), np.float32(0.6472), np.float32(0.639), np.float32(0.8897), np.float32(0.9233), np.float32(0.8824), np.float32(0.7147), np.float32(0.7666), np.float32(0.0225), np.float32(0.5222), np.float32(0.1238), np.float32(0.8428), np.float32(0.3096), np.float32(0.3028), np.float32(0.9616), np.float32(0.0), np.float32(0.8478), np.float32(0.1656), np.float32(0.5027), np.float32(0.4245), np.float32(0.8846), np.float32(0.8893), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8197), np.float32(0.0752), np.float32(0.0), np.float32(0.0), np.float32(0.9176), np.float32(0.9364), np.float32(0.7772), np.float32(0.8143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:00:27.309786: Epoch time: 127.1 s +2026-02-22 09:00:28.862325: +2026-02-22 09:00:28.866699: Epoch 631 +2026-02-22 09:00:28.867925: Current learning rate: 0.00408 +2026-02-22 09:02:37.253571: train_loss -0.0711 +2026-02-22 09:02:37.272275: val_loss -0.0685 +2026-02-22 09:02:37.273507: Pseudo dice [np.float32(0.9439), np.float32(0.9638), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8853), np.float32(nan), np.float32(0.931), np.float32(nan), np.float32(0.9214), np.float32(0.0137), np.float32(0.8561), np.float32(nan), np.float32(0.884), np.float32(0.4383), np.float32(0.865), np.float32(0.0), np.float32(0.6755), np.float32(0.8947), np.float32(0.9441), np.float32(0.9225), np.float32(0.7957), np.float32(0.8055), np.float32(0.0052), np.float32(0.2893), np.float32(0.0944), np.float32(0.8022), np.float32(0.0833), np.float32(0.4105), np.float32(0.891), np.float32(0.3017), np.float32(0.8102), np.float32(0.4563), np.float32(0.4408), np.float32(0.3792), np.float32(0.8679), np.float32(0.8563), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7503), np.float32(0.0), np.float32(0.5917), np.float32(0.39), np.float32(0.9142), np.float32(0.8562), np.float32(0.8015), np.float32(0.8308), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:02:37.304940: Epoch time: 128.39 s +2026-02-22 09:02:38.854570: +2026-02-22 09:02:38.867713: Epoch 632 +2026-02-22 09:02:38.868520: Current learning rate: 0.00407 +2026-02-22 09:04:40.979153: train_loss -0.0678 +2026-02-22 09:04:40.987171: val_loss -0.0528 +2026-02-22 09:04:40.989000: Pseudo dice [np.float32(0.9419), np.float32(0.9115), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8784), np.float32(nan), np.float32(0.9217), np.float32(nan), np.float32(0.8343), np.float32(0.0), np.float32(0.87), np.float32(nan), np.float32(0.8574), np.float32(0.5711), np.float32(0.8334), np.float32(0.7748), np.float32(0.6195), np.float32(0.8881), np.float32(0.9084), np.float32(0.8985), np.float32(0.7568), np.float32(0.7796), np.float32(0.0497), np.float32(0.75), np.float32(0.3088), np.float32(0.7374), np.float32(0.1825), np.float32(0.2896), np.float32(0.8927), np.float32(0.1301), np.float32(0.8163), np.float32(0.108), np.float32(0.3425), np.float32(0.4259), np.float32(0.901), np.float32(0.9481), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7526), np.float32(0.4571), np.float32(0.499), np.float32(0.0376), np.float32(0.8345), np.float32(0.7276), np.float32(0.7794), np.float32(0.7827), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:04:40.990501: Epoch time: 122.13 s +2026-02-22 09:04:42.433315: +2026-02-22 09:04:42.436759: Epoch 633 +2026-02-22 09:04:42.437560: Current learning rate: 0.00406 +2026-02-22 09:06:49.152812: train_loss -0.082 +2026-02-22 09:06:49.170347: val_loss -0.0974 +2026-02-22 09:06:49.178138: Pseudo dice [np.float32(0.9447), np.float32(0.9629), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8655), np.float32(nan), np.float32(0.955), np.float32(nan), np.float32(0.8884), np.float32(0.5133), np.float32(0.8781), np.float32(nan), np.float32(0.9046), np.float32(0.5314), np.float32(0.8503), np.float32(0.2103), np.float32(0.6815), np.float32(0.8743), np.float32(0.9297), np.float32(0.8971), np.float32(0.7953), np.float32(0.7809), np.float32(0.5665), np.float32(0.544), np.float32(0.533), np.float32(0.8097), np.float32(0.0123), np.float32(0.0294), np.float32(0.8463), np.float32(0.1889), np.float32(0.7956), np.float32(0.5573), np.float32(0.3797), np.float32(0.4289), np.float32(0.9205), np.float32(0.9387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7075), np.float32(0.2097), np.float32(0.5873), np.float32(0.5441), np.float32(0.9425), np.float32(0.9493), np.float32(0.8179), np.float32(0.8212), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:06:49.184081: Epoch time: 126.72 s +2026-02-22 09:06:50.398179: +2026-02-22 09:06:50.409582: Epoch 634 +2026-02-22 09:06:50.410386: Current learning rate: 0.00405 +2026-02-22 09:08:52.893042: train_loss -0.0718 +2026-02-22 09:08:52.907747: val_loss -0.0942 +2026-02-22 09:08:52.913913: Pseudo dice [np.float32(0.9243), np.float32(0.939), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.869), np.float32(nan), np.float32(0.9305), np.float32(nan), np.float32(0.9551), np.float32(0.7801), np.float32(0.8926), np.float32(nan), np.float32(0.8692), np.float32(0.6066), np.float32(0.8422), np.float32(0.3927), np.float32(0.7427), np.float32(0.8931), np.float32(0.9393), np.float32(0.9097), np.float32(0.7827), np.float32(0.816), np.float32(0.1711), np.float32(0.6788), np.float32(0.0), np.float32(0.8489), np.float32(0.0078), np.float32(0.0), np.float32(0.864), np.float32(0.0133), np.float32(0.8454), np.float32(0.5905), np.float32(0.4823), np.float32(0.4552), np.float32(0.9802), np.float32(0.9651), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8233), np.float32(0.004), np.float32(0.7893), np.float32(0.329), np.float32(0.8625), np.float32(0.8975), np.float32(0.7961), np.float32(0.8279), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:08:52.919865: Epoch time: 122.5 s +2026-02-22 09:08:54.477000: +2026-02-22 09:08:54.483032: Epoch 635 +2026-02-22 09:08:54.484033: Current learning rate: 0.00404 +2026-02-22 09:10:50.360814: train_loss -0.088 +2026-02-22 09:10:50.372912: val_loss -0.0935 +2026-02-22 09:10:50.373986: Pseudo dice [np.float32(0.9423), np.float32(0.9473), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8566), np.float32(nan), np.float32(0.9682), np.float32(nan), np.float32(0.9197), np.float32(0.0285), np.float32(0.8671), np.float32(0.0), np.float32(0.9233), np.float32(0.2687), np.float32(0.8414), np.float32(0.2484), np.float32(0.6275), np.float32(0.8688), np.float32(0.9436), np.float32(0.9034), np.float32(0.7935), np.float32(0.766), np.float32(0.0018), np.float32(0.1562), np.float32(0.3225), np.float32(0.8641), np.float32(0.2715), np.float32(0.27), np.float32(0.9472), np.float32(0.4317), np.float32(0.842), np.float32(0.6903), np.float32(0.492), np.float32(0.4313), np.float32(0.8689), np.float32(0.8957), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7432), np.float32(0.0), np.float32(0.8292), np.float32(0.5694), np.float32(0.6639), np.float32(0.7775), np.float32(0.8276), np.float32(0.8277), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:10:50.375526: Epoch time: 115.89 s +2026-02-22 09:10:51.446378: +2026-02-22 09:10:51.454162: Epoch 636 +2026-02-22 09:10:51.459758: Current learning rate: 0.00403 +2026-02-22 09:13:11.141593: train_loss -0.0741 +2026-02-22 09:13:11.166140: val_loss -0.1171 +2026-02-22 09:13:11.171888: Pseudo dice [np.float32(0.9505), np.float32(0.9658), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8948), np.float32(nan), np.float32(0.9554), np.float32(nan), np.float32(0.9408), np.float32(0.7273), np.float32(0.9011), np.float32(nan), np.float32(0.9037), np.float32(0.6005), np.float32(0.869), np.float32(0.0), np.float32(0.7595), np.float32(0.8981), np.float32(0.9431), np.float32(0.915), np.float32(0.7913), np.float32(0.8116), np.float32(0.8084), np.float32(0.5569), np.float32(0.5743), np.float32(0.858), np.float32(0.4429), np.float32(0.3216), np.float32(0.8976), np.float32(0.0081), np.float32(0.8817), np.float32(0.6482), np.float32(0.5034), np.float32(0.4277), np.float32(0.9407), np.float32(0.951), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.809), np.float32(0.4745), np.float32(0.6109), np.float32(0.317), np.float32(0.9435), np.float32(0.9158), np.float32(0.8174), np.float32(0.8433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:13:11.181233: Epoch time: 139.7 s +2026-02-22 09:13:12.769903: +2026-02-22 09:13:12.773578: Epoch 637 +2026-02-22 09:13:12.774396: Current learning rate: 0.00402 +2026-02-22 09:15:21.747642: train_loss -0.079 +2026-02-22 09:15:21.768012: val_loss -0.0726 +2026-02-22 09:15:21.779722: Pseudo dice [np.float32(0.9452), np.float32(0.9), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8678), np.float32(nan), np.float32(0.95), np.float32(nan), np.float32(0.8468), np.float32(0.0135), np.float32(0.885), np.float32(nan), np.float32(0.8715), np.float32(0.5162), np.float32(0.8303), np.float32(0.5838), np.float32(0.6522), np.float32(0.868), np.float32(0.8949), np.float32(0.891), np.float32(0.7554), np.float32(0.7752), np.float32(0.647), np.float32(0.4535), np.float32(0.5219), np.float32(0.8301), np.float32(0.2882), np.float32(0.3408), np.float32(0.9191), np.float32(0.3406), np.float32(0.7989), np.float32(0.3563), np.float32(0.5309), np.float32(0.4269), np.float32(0.9044), np.float32(0.9455), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8152), np.float32(0.0098), np.float32(0.0), np.float32(0.0), np.float32(0.8469), np.float32(0.8633), np.float32(0.775), np.float32(0.818), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:15:21.788639: Epoch time: 128.98 s +2026-02-22 09:15:23.097260: +2026-02-22 09:15:23.106246: Epoch 638 +2026-02-22 09:15:23.107782: Current learning rate: 0.00401 +2026-02-22 09:17:34.788020: train_loss -0.0806 +2026-02-22 09:17:34.796750: val_loss -0.079 +2026-02-22 09:17:34.797794: Pseudo dice [np.float32(0.9476), np.float32(0.9555), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8897), np.float32(nan), np.float32(0.9592), np.float32(nan), np.float32(0.9265), np.float32(0.057), np.float32(0.8783), np.float32(0.0), np.float32(0.8406), np.float32(0.5317), np.float32(0.8624), np.float32(0.7339), np.float32(0.7394), np.float32(0.8896), np.float32(0.9399), np.float32(0.909), np.float32(0.8256), np.float32(0.8067), np.float32(0.0174), np.float32(0.6227), np.float32(0.3001), np.float32(0.8843), np.float32(0.0306), np.float32(0.0), np.float32(0.9316), np.float32(0.179), np.float32(0.8173), np.float32(0.4314), np.float32(0.4031), np.float32(0.316), np.float32(0.8764), np.float32(0.888), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7348), np.float32(0.2206), np.float32(0.2039), np.float32(0.1492), np.float32(0.6816), np.float32(0.7984), np.float32(0.8177), np.float32(0.8453), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:17:34.798787: Epoch time: 131.69 s +2026-02-22 09:17:36.196237: +2026-02-22 09:17:36.199595: Epoch 639 +2026-02-22 09:17:36.200414: Current learning rate: 0.004 +2026-02-22 09:19:42.083635: train_loss -0.091 +2026-02-22 09:19:42.093971: val_loss -0.094 +2026-02-22 09:19:42.095233: Pseudo dice [np.float32(0.9499), np.float32(0.9506), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8899), np.float32(nan), np.float32(0.9483), np.float32(nan), np.float32(0.9564), np.float32(0.4457), np.float32(0.8864), np.float32(nan), np.float32(0.9019), np.float32(0.1687), np.float32(0.8505), np.float32(0.3742), np.float32(0.7256), np.float32(0.8859), np.float32(0.9498), np.float32(0.926), np.float32(0.8235), np.float32(0.8067), np.float32(0.4784), np.float32(0.5882), np.float32(0.5712), np.float32(0.8377), np.float32(0.0619), np.float32(0.5007), np.float32(0.9579), np.float32(0.1378), np.float32(0.8502), np.float32(0.6374), np.float32(0.4644), np.float32(0.3781), np.float32(0.8658), np.float32(0.8376), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7197), np.float32(0.3611), np.float32(0.4927), np.float32(0.3904), np.float32(0.9722), np.float32(0.9582), np.float32(0.8148), np.float32(0.8191), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:19:42.132445: Epoch time: 125.89 s +2026-02-22 09:19:43.910850: +2026-02-22 09:19:43.920945: Epoch 640 +2026-02-22 09:19:43.932652: Current learning rate: 0.00399 +2026-02-22 09:21:40.866884: train_loss -0.0642 +2026-02-22 09:21:40.886379: val_loss -0.1085 +2026-02-22 09:21:40.901963: Pseudo dice [np.float32(0.9469), np.float32(0.9401), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.88), np.float32(nan), np.float32(0.9628), np.float32(nan), np.float32(0.9103), np.float32(0.0), np.float32(0.8718), np.float32(nan), np.float32(0.863), np.float32(0.5063), np.float32(0.8347), np.float32(0.4331), np.float32(0.6745), np.float32(0.8836), np.float32(0.9261), np.float32(0.9145), np.float32(0.7708), np.float32(0.817), np.float32(0.2691), np.float32(0.4797), np.float32(0.5671), np.float32(0.8162), np.float32(0.2565), np.float32(0.1737), np.float32(0.93), np.float32(0.4274), np.float32(0.8135), np.float32(0.2794), np.float32(0.4277), np.float32(0.4464), np.float32(0.9559), np.float32(0.9406), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7504), np.float32(0.494), np.float32(0.8332), np.float32(0.1251), np.float32(0.7567), np.float32(0.8522), np.float32(0.7976), np.float32(0.8244), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:21:40.908849: Epoch time: 116.96 s +2026-02-22 09:21:44.954260: +2026-02-22 09:21:44.955967: Epoch 641 +2026-02-22 09:21:44.956772: Current learning rate: 0.00398 +2026-02-22 09:23:50.893722: train_loss -0.0811 +2026-02-22 09:23:50.939786: val_loss -0.0892 +2026-02-22 09:23:50.943545: Pseudo dice [np.float32(0.9538), np.float32(0.9474), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8758), np.float32(nan), np.float32(0.9446), np.float32(nan), np.float32(0.9438), np.float32(0.631), np.float32(0.8756), np.float32(nan), np.float32(0.877), np.float32(0.4676), np.float32(0.8442), np.float32(0.3102), np.float32(0.669), np.float32(0.876), np.float32(0.9265), np.float32(0.9088), np.float32(0.7619), np.float32(0.7888), np.float32(0.3892), np.float32(0.3826), np.float32(0.1765), np.float32(0.8161), np.float32(0.0762), np.float32(0.0029), np.float32(0.95), np.float32(0.0238), np.float32(0.8247), np.float32(0.2861), np.float32(0.4298), np.float32(0.4232), np.float32(0.8929), np.float32(0.9337), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7794), np.float32(0.0), np.float32(0.6007), np.float32(0.2546), np.float32(0.8973), np.float32(0.8465), np.float32(0.7652), np.float32(0.8241), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:23:50.949602: Epoch time: 125.94 s +2026-02-22 09:23:52.279848: +2026-02-22 09:23:52.288686: Epoch 642 +2026-02-22 09:23:52.289473: Current learning rate: 0.00397 +2026-02-22 09:25:57.938537: train_loss -0.0831 +2026-02-22 09:25:57.948729: val_loss -0.1115 +2026-02-22 09:25:57.950138: Pseudo dice [np.float32(0.9429), np.float32(0.948), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8921), np.float32(nan), np.float32(0.9582), np.float32(nan), np.float32(0.9646), np.float32(0.336), np.float32(0.8919), np.float32(nan), np.float32(0.9334), np.float32(0.4985), np.float32(0.8668), np.float32(0.5018), np.float32(0.7224), np.float32(0.8975), np.float32(0.9335), np.float32(0.9188), np.float32(0.7896), np.float32(0.7896), np.float32(0.721), np.float32(0.4182), np.float32(0.1892), np.float32(0.8549), np.float32(0.2604), np.float32(0.1754), np.float32(0.9521), np.float32(0.1451), np.float32(0.8333), np.float32(0.5922), np.float32(0.4811), np.float32(0.4448), np.float32(0.9187), np.float32(0.9141), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7378), np.float32(0.5983), np.float32(0.7886), np.float32(0.1831), np.float32(0.9655), np.float32(0.9517), np.float32(0.8296), np.float32(0.8595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:25:57.952787: Epoch time: 125.66 s +2026-02-22 09:25:57.953723: Yayy! New best EMA pseudo Dice: 0.6664000153541565 +2026-02-22 09:26:00.642793: +2026-02-22 09:26:00.651183: Epoch 643 +2026-02-22 09:26:00.654233: Current learning rate: 0.00396 +2026-02-22 09:28:13.298507: train_loss -0.0841 +2026-02-22 09:28:13.379579: val_loss -0.0864 +2026-02-22 09:28:13.385995: Pseudo dice [np.float32(0.8948), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8672), np.float32(nan), np.float32(0.9282), np.float32(nan), np.float32(0.9315), np.float32(0.0), np.float32(0.8784), np.float32(nan), np.float32(0.8704), np.float32(0.4308), np.float32(0.8334), np.float32(0.6984), np.float32(0.7229), np.float32(0.8891), np.float32(0.9282), np.float32(0.9008), np.float32(0.8111), np.float32(0.746), np.float32(0.2794), np.float32(0.3057), np.float32(0.694), np.float32(0.8437), np.float32(0.1225), np.float32(0.045), np.float32(0.9362), np.float32(0.465), np.float32(0.8523), np.float32(0.479), np.float32(0.5174), np.float32(0.4251), np.float32(0.9333), np.float32(0.9603), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7751), np.float32(0.3165), np.float32(0.8212), np.float32(0.4968), np.float32(0.6054), np.float32(0.8319), np.float32(0.7768), np.float32(0.8296), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:28:13.388158: Epoch time: 132.66 s +2026-02-22 09:28:13.390463: Yayy! New best EMA pseudo Dice: 0.6679999828338623 +2026-02-22 09:28:15.955599: +2026-02-22 09:28:15.959442: Epoch 644 +2026-02-22 09:28:15.960497: Current learning rate: 0.00395 +2026-02-22 09:30:14.480394: train_loss -0.0886 +2026-02-22 09:30:14.494305: val_loss -0.084 +2026-02-22 09:30:14.496048: Pseudo dice [np.float32(0.8988), np.float32(0.9242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8617), np.float32(nan), np.float32(0.9339), np.float32(nan), np.float32(0.8722), np.float32(0.3713), np.float32(0.8656), np.float32(nan), np.float32(0.8918), np.float32(0.5827), np.float32(0.8557), np.float32(0.7185), np.float32(0.7081), np.float32(0.8863), np.float32(0.9011), np.float32(0.9022), np.float32(0.7411), np.float32(0.7406), np.float32(0.4028), np.float32(0.5857), np.float32(0.6987), np.float32(0.8825), np.float32(0.0), np.float32(0.0), np.float32(0.9317), np.float32(0.5282), np.float32(0.8227), np.float32(0.0728), np.float32(0.3408), np.float32(0.362), np.float32(0.8961), np.float32(0.9274), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8143), np.float32(0.0608), np.float32(0.6795), np.float32(0.6929), np.float32(0.8819), np.float32(0.8596), np.float32(0.788), np.float32(0.8152), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:30:14.500481: Epoch time: 118.53 s +2026-02-22 09:30:14.501356: Yayy! New best EMA pseudo Dice: 0.6696000099182129 +2026-02-22 09:30:16.894757: +2026-02-22 09:30:16.897332: Epoch 645 +2026-02-22 09:30:16.898134: Current learning rate: 0.00394 +2026-02-22 09:32:12.887118: train_loss -0.0799 +2026-02-22 09:32:12.901500: val_loss -0.0883 +2026-02-22 09:32:12.902531: Pseudo dice [np.float32(0.9656), np.float32(0.9646), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8683), np.float32(nan), np.float32(0.9279), np.float32(nan), np.float32(0.8873), np.float32(0.2769), np.float32(0.8783), np.float32(nan), np.float32(0.8904), np.float32(0.1708), np.float32(0.8636), np.float32(0.5658), np.float32(0.702), np.float32(0.9074), np.float32(0.9363), np.float32(0.917), np.float32(0.7215), np.float32(0.7999), np.float32(0.0687), np.float32(0.4257), np.float32(0.254), np.float32(0.8175), np.float32(0.0217), np.float32(0.0311), np.float32(0.911), np.float32(0.4114), np.float32(0.8336), np.float32(0.3346), np.float32(0.5104), np.float32(0.414), np.float32(0.9388), np.float32(0.9348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7276), np.float32(0.0053), np.float32(0.6269), np.float32(0.6209), np.float32(0.9379), np.float32(0.9402), np.float32(0.7395), np.float32(0.8349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:32:12.903542: Epoch time: 116.0 s +2026-02-22 09:32:14.181975: +2026-02-22 09:32:14.186801: Epoch 646 +2026-02-22 09:32:14.187604: Current learning rate: 0.00393 +2026-02-22 09:34:21.032014: train_loss -0.0968 +2026-02-22 09:34:21.059278: val_loss -0.0826 +2026-02-22 09:34:21.063628: Pseudo dice [np.float32(0.9321), np.float32(0.9409), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8831), np.float32(nan), np.float32(0.944), np.float32(nan), np.float32(0.963), np.float32(0.5406), np.float32(0.8713), np.float32(nan), np.float32(0.887), np.float32(0.7054), np.float32(0.8654), np.float32(0.0713), np.float32(0.6855), np.float32(0.8684), np.float32(0.9406), np.float32(0.8979), np.float32(0.7577), np.float32(0.7802), np.float32(0.626), np.float32(0.5687), np.float32(0.2487), np.float32(0.8944), np.float32(0.4188), np.float32(0.3103), np.float32(0.953), np.float32(0.2314), np.float32(0.7694), np.float32(0.5077), np.float32(0.4015), np.float32(0.4941), np.float32(0.8543), np.float32(0.8866), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8232), np.float32(0.5744), np.float32(0.115), np.float32(0.1183), np.float32(0.717), np.float32(0.8563), np.float32(0.8054), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:34:21.066221: Epoch time: 126.85 s +2026-02-22 09:34:22.369181: +2026-02-22 09:34:22.378407: Epoch 647 +2026-02-22 09:34:22.379217: Current learning rate: 0.00392 +2026-02-22 09:36:33.589297: train_loss -0.1008 +2026-02-22 09:36:33.628393: val_loss -0.0994 +2026-02-22 09:36:33.629411: Pseudo dice [np.float32(0.9705), np.float32(0.9615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8889), np.float32(nan), np.float32(0.946), np.float32(nan), np.float32(0.9127), np.float32(0.6211), np.float32(0.8804), np.float32(nan), np.float32(0.8907), np.float32(0.4767), np.float32(0.8602), np.float32(0.3089), np.float32(0.6923), np.float32(0.8744), np.float32(0.95), np.float32(0.917), np.float32(0.7711), np.float32(0.8069), np.float32(0.0292), np.float32(0.5827), np.float32(0.0), np.float32(0.8407), np.float32(0.0591), np.float32(0.1763), np.float32(0.9208), np.float32(0.4237), np.float32(0.8176), np.float32(0.4598), np.float32(0.5027), np.float32(0.4357), np.float32(0.9017), np.float32(0.912), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6595), np.float32(0.0165), np.float32(0.6625), np.float32(0.3857), np.float32(0.8245), np.float32(0.8288), np.float32(0.8007), np.float32(0.8436), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:36:33.630417: Epoch time: 131.22 s +2026-02-22 09:36:34.899373: +2026-02-22 09:36:34.903021: Epoch 648 +2026-02-22 09:36:34.903834: Current learning rate: 0.00391 +2026-02-22 09:38:42.251197: train_loss -0.0833 +2026-02-22 09:38:42.263475: val_loss -0.0697 +2026-02-22 09:38:42.264902: Pseudo dice [np.float32(0.9618), np.float32(0.952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8689), np.float32(nan), np.float32(0.9532), np.float32(nan), np.float32(0.861), np.float32(0.3426), np.float32(0.8615), np.float32(nan), np.float32(0.8845), np.float32(0.3697), np.float32(0.8416), np.float32(0.7402), np.float32(0.6785), np.float32(0.8641), np.float32(0.9232), np.float32(0.9122), np.float32(0.7406), np.float32(0.731), np.float32(0.1123), np.float32(0.5983), np.float32(0.1924), np.float32(0.8548), np.float32(0.5225), np.float32(0.2885), np.float32(0.8129), np.float32(0.6355), np.float32(0.831), np.float32(0.6463), np.float32(0.385), np.float32(0.4189), np.float32(0.916), np.float32(0.9238), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.773), np.float32(0.8941), np.float32(0.6799), np.float32(0.7728), np.float32(0.9072), np.float32(0.9251), np.float32(0.8006), np.float32(0.8211), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:38:42.265760: Epoch time: 127.35 s +2026-02-22 09:38:42.266723: Yayy! New best EMA pseudo Dice: 0.6741999983787537 +2026-02-22 09:38:44.620082: +2026-02-22 09:38:44.621932: Epoch 649 +2026-02-22 09:38:44.623231: Current learning rate: 0.0039 +2026-02-22 09:40:48.058936: train_loss -0.0821 +2026-02-22 09:40:48.102586: val_loss -0.1055 +2026-02-22 09:40:48.109418: Pseudo dice [np.float32(0.9551), np.float32(0.9414), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8801), np.float32(nan), np.float32(0.9458), np.float32(nan), np.float32(0.8789), np.float32(0.0051), np.float32(0.8837), np.float32(nan), np.float32(0.8916), np.float32(0.5915), np.float32(0.8416), np.float32(0.5012), np.float32(0.6539), np.float32(0.882), np.float32(0.9412), np.float32(0.9258), np.float32(0.8039), np.float32(0.8215), np.float32(0.0276), np.float32(0.3828), np.float32(0.1485), np.float32(0.8451), np.float32(0.1345), np.float32(0.017), np.float32(0.9213), np.float32(0.267), np.float32(0.8288), np.float32(0.4293), np.float32(0.5098), np.float32(0.4403), np.float32(0.8898), np.float32(0.9037), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8608), np.float32(0.0), np.float32(0.6258), np.float32(0.1784), np.float32(0.7422), np.float32(0.6775), np.float32(0.8286), np.float32(0.8475), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:40:48.117916: Epoch time: 123.44 s +2026-02-22 09:40:50.770610: +2026-02-22 09:40:50.772131: Epoch 650 +2026-02-22 09:40:50.772959: Current learning rate: 0.00389 +2026-02-22 09:42:47.800006: train_loss -0.096 +2026-02-22 09:42:47.825481: val_loss -0.104 +2026-02-22 09:42:47.845234: Pseudo dice [np.float32(0.9579), np.float32(0.9454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8766), np.float32(nan), np.float32(0.9589), np.float32(nan), np.float32(0.9271), np.float32(0.504), np.float32(0.89), np.float32(nan), np.float32(0.8712), np.float32(0.7392), np.float32(0.8469), np.float32(0.2724), np.float32(0.7509), np.float32(0.8955), np.float32(0.931), np.float32(0.9066), np.float32(0.7456), np.float32(0.8119), np.float32(0.2113), np.float32(0.4896), np.float32(0.3163), np.float32(0.8164), np.float32(0.2257), np.float32(0.5638), np.float32(0.9418), np.float32(0.4822), np.float32(0.828), np.float32(0.646), np.float32(0.464), np.float32(0.4723), np.float32(0.9161), np.float32(0.9329), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7652), np.float32(0.648), np.float32(0.5569), np.float32(0.258), np.float32(0.8639), np.float32(0.8828), np.float32(0.799), np.float32(0.8279), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:42:47.853988: Epoch time: 117.03 s +2026-02-22 09:42:47.865691: Yayy! New best EMA pseudo Dice: 0.6744999885559082 +2026-02-22 09:42:50.427217: +2026-02-22 09:42:50.434140: Epoch 651 +2026-02-22 09:42:50.439054: Current learning rate: 0.00388 +2026-02-22 09:44:50.031854: train_loss -0.0923 +2026-02-22 09:44:50.144495: val_loss -0.0894 +2026-02-22 09:44:50.156689: Pseudo dice [np.float32(0.9448), np.float32(0.9449), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9368), np.float32(nan), np.float32(0.9456), np.float32(0.0863), np.float32(0.8767), np.float32(nan), np.float32(0.9072), np.float32(0.6396), np.float32(0.8906), np.float32(0.0), np.float32(0.7059), np.float32(0.8689), np.float32(0.9335), np.float32(0.9135), np.float32(0.8061), np.float32(0.7991), np.float32(0.7656), np.float32(0.1618), np.float32(0.0254), np.float32(0.9073), np.float32(0.0406), np.float32(0.0839), np.float32(0.9254), np.float32(0.3337), np.float32(0.8457), np.float32(0.3999), np.float32(0.5129), np.float32(0.3077), np.float32(0.8897), np.float32(0.8955), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7915), np.float32(0.0), np.float32(0.8391), np.float32(0.7079), np.float32(0.9042), np.float32(0.9065), np.float32(0.7767), np.float32(0.8383), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:44:50.157624: Epoch time: 119.61 s +2026-02-22 09:44:51.382349: +2026-02-22 09:44:51.394230: Epoch 652 +2026-02-22 09:44:51.395043: Current learning rate: 0.00387 +2026-02-22 09:46:48.072020: train_loss -0.0724 +2026-02-22 09:46:48.090374: val_loss -0.1007 +2026-02-22 09:46:48.096045: Pseudo dice [np.float32(0.9516), np.float32(0.9454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8803), np.float32(nan), np.float32(0.9575), np.float32(nan), np.float32(0.926), np.float32(0.4869), np.float32(0.8712), np.float32(nan), np.float32(0.8629), np.float32(0.4308), np.float32(0.8537), np.float32(0.338), np.float32(0.6312), np.float32(0.8528), np.float32(0.935), np.float32(0.9077), np.float32(0.7939), np.float32(0.8154), np.float32(0.1263), np.float32(0.4925), np.float32(0.5314), np.float32(0.8703), np.float32(0.0181), np.float32(0.1439), np.float32(0.9344), np.float32(0.0726), np.float32(0.8292), np.float32(0.6678), np.float32(0.3813), np.float32(0.414), np.float32(0.8952), np.float32(0.9271), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.764), np.float32(0.7543), np.float32(0.7361), np.float32(0.3378), np.float32(0.8958), np.float32(0.9072), np.float32(0.7789), np.float32(0.8227), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:46:48.102192: Epoch time: 116.69 s +2026-02-22 09:46:48.107856: Yayy! New best EMA pseudo Dice: 0.6747999787330627 +2026-02-22 09:46:50.770483: +2026-02-22 09:46:50.772636: Epoch 653 +2026-02-22 09:46:50.773454: Current learning rate: 0.00386 +2026-02-22 09:49:05.658168: train_loss -0.0504 +2026-02-22 09:49:05.669917: val_loss -0.0838 +2026-02-22 09:49:05.671604: Pseudo dice [np.float32(0.9491), np.float32(0.9482), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.882), np.float32(nan), np.float32(0.9451), np.float32(nan), np.float32(0.9356), np.float32(0.5746), np.float32(0.8803), np.float32(nan), np.float32(0.8973), np.float32(0.5162), np.float32(0.8357), np.float32(0.8029), np.float32(0.5873), np.float32(0.8913), np.float32(0.9054), np.float32(0.8974), np.float32(0.7598), np.float32(0.774), np.float32(0.1366), np.float32(0.4391), np.float32(0.0694), np.float32(0.8298), np.float32(0.3238), np.float32(0.4076), np.float32(0.8688), np.float32(0.5047), np.float32(0.813), np.float32(0.6969), np.float32(0.3358), np.float32(0.4079), np.float32(0.8688), np.float32(0.8619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7867), np.float32(0.2058), np.float32(0.7364), np.float32(0.4259), np.float32(0.8511), np.float32(0.8636), np.float32(0.7722), np.float32(0.8238), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:49:05.674556: Epoch time: 134.89 s +2026-02-22 09:49:05.677119: Yayy! New best EMA pseudo Dice: 0.6765999794006348 +2026-02-22 09:49:13.712859: +2026-02-22 09:49:13.714955: Epoch 654 +2026-02-22 09:49:13.716017: Current learning rate: 0.00385 +2026-02-22 09:51:18.316697: train_loss -0.0754 +2026-02-22 09:51:18.336014: val_loss -0.0911 +2026-02-22 09:51:18.342044: Pseudo dice [np.float32(0.9488), np.float32(0.9446), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8793), np.float32(nan), np.float32(0.9433), np.float32(nan), np.float32(0.9212), np.float32(0.4304), np.float32(0.8875), np.float32(nan), np.float32(0.8803), np.float32(0.293), np.float32(0.8738), np.float32(0.7696), np.float32(0.7444), np.float32(0.8798), np.float32(0.9373), np.float32(0.9169), np.float32(0.7736), np.float32(0.8237), np.float32(0.0583), np.float32(0.6241), np.float32(0.1114), np.float32(0.8277), np.float32(0.2598), np.float32(0.1327), np.float32(0.9123), np.float32(0.4004), np.float32(0.8633), np.float32(0.4883), np.float32(0.4615), np.float32(0.4471), np.float32(0.9248), np.float32(0.95), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6378), np.float32(0.7431), np.float32(0.6732), np.float32(0.6013), np.float32(0.7095), np.float32(0.7221), np.float32(0.8019), np.float32(0.8446), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:51:18.349326: Epoch time: 124.61 s +2026-02-22 09:51:18.354296: Yayy! New best EMA pseudo Dice: 0.6783000230789185 +2026-02-22 09:51:20.847965: +2026-02-22 09:51:20.850534: Epoch 655 +2026-02-22 09:51:20.851574: Current learning rate: 0.00384 +2026-02-22 09:53:21.479029: train_loss -0.0846 +2026-02-22 09:53:21.487315: val_loss -0.0986 +2026-02-22 09:53:21.497395: Pseudo dice [np.float32(0.9613), np.float32(0.9497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8775), np.float32(nan), np.float32(0.9391), np.float32(nan), np.float32(0.9225), np.float32(0.0281), np.float32(0.8925), np.float32(nan), np.float32(0.9185), np.float32(0.5391), np.float32(0.877), np.float32(0.6344), np.float32(0.7029), np.float32(0.8803), np.float32(0.9381), np.float32(0.9239), np.float32(0.7501), np.float32(0.7798), np.float32(0.0219), np.float32(0.5395), np.float32(0.2646), np.float32(0.8401), np.float32(0.0), np.float32(0.0), np.float32(0.9177), np.float32(0.3252), np.float32(0.8674), np.float32(0.7178), np.float32(0.4646), np.float32(0.418), np.float32(0.9374), np.float32(0.9389), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7627), np.float32(0.0114), np.float32(0.5646), np.float32(0.6335), np.float32(0.9316), np.float32(0.9175), np.float32(0.807), np.float32(0.8559), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:53:21.511491: Epoch time: 120.63 s +2026-02-22 09:53:22.937454: +2026-02-22 09:53:22.940924: Epoch 656 +2026-02-22 09:53:22.941724: Current learning rate: 0.00383 +2026-02-22 09:55:31.128353: train_loss -0.0707 +2026-02-22 09:55:31.221473: val_loss -0.0753 +2026-02-22 09:55:31.226726: Pseudo dice [np.float32(0.9512), np.float32(0.9464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8344), np.float32(nan), np.float32(0.9427), np.float32(nan), np.float32(0.9224), np.float32(0.1213), np.float32(0.8686), np.float32(0.0), np.float32(0.8501), np.float32(0.501), np.float32(0.8216), np.float32(0.2301), np.float32(0.6533), np.float32(0.8433), np.float32(0.9292), np.float32(0.8994), np.float32(0.7575), np.float32(0.7901), np.float32(0.2485), np.float32(0.4665), np.float32(0.6993), np.float32(0.843), np.float32(0.0781), np.float32(0.0568), np.float32(0.9327), np.float32(0.2183), np.float32(0.8558), np.float32(0.6232), np.float32(0.4312), np.float32(0.3939), np.float32(0.9167), np.float32(0.9055), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7948), np.float32(0.0), np.float32(0.4207), np.float32(0.0), np.float32(0.9375), np.float32(0.9019), np.float32(0.7745), np.float32(0.7872), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:55:31.230614: Epoch time: 128.19 s +2026-02-22 09:55:32.440634: +2026-02-22 09:55:32.451529: Epoch 657 +2026-02-22 09:55:32.456490: Current learning rate: 0.00382 +2026-02-22 09:57:25.444487: train_loss -0.0711 +2026-02-22 09:57:25.506351: val_loss -0.0325 +2026-02-22 09:57:25.510904: Pseudo dice [np.float32(0.8847), np.float32(0.8982), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8392), np.float32(nan), np.float32(0.889), np.float32(nan), np.float32(0.8711), np.float32(0.6052), np.float32(0.8405), np.float32(nan), np.float32(0.819), np.float32(0.4163), np.float32(0.7985), np.float32(0.6357), np.float32(0.6261), np.float32(0.8303), np.float32(0.91), np.float32(0.9005), np.float32(0.7157), np.float32(0.7668), np.float32(0.4512), np.float32(0.5825), np.float32(0.628), np.float32(0.7011), np.float32(0.0951), np.float32(0.0013), np.float32(0.9355), np.float32(0.0), np.float32(0.7629), np.float32(0.2781), np.float32(0.3991), np.float32(0.4195), np.float32(0.8861), np.float32(0.8923), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6685), np.float32(0.0), np.float32(0.6536), np.float32(0.08), np.float32(0.8455), np.float32(0.7145), np.float32(0.8015), np.float32(0.8218), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:57:25.518636: Epoch time: 113.01 s +2026-02-22 09:57:26.868066: +2026-02-22 09:57:26.871475: Epoch 658 +2026-02-22 09:57:26.872277: Current learning rate: 0.00381 +2026-02-22 09:59:38.853749: train_loss -0.0526 +2026-02-22 09:59:38.858399: val_loss -0.1088 +2026-02-22 09:59:38.859554: Pseudo dice [np.float32(0.9606), np.float32(0.9442), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8845), np.float32(nan), np.float32(0.9628), np.float32(nan), np.float32(0.954), np.float32(0.293), np.float32(0.8626), np.float32(nan), np.float32(0.8983), np.float32(0.2444), np.float32(0.8544), np.float32(0.3007), np.float32(0.7172), np.float32(0.875), np.float32(0.9502), np.float32(0.918), np.float32(0.7901), np.float32(0.817), np.float32(0.0963), np.float32(0.4218), np.float32(0.1184), np.float32(0.874), np.float32(0.2054), np.float32(0.3972), np.float32(0.9023), np.float32(0.2541), np.float32(0.8011), np.float32(0.5879), np.float32(0.5239), np.float32(0.4535), np.float32(0.8911), np.float32(0.9248), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6571), np.float32(0.4849), np.float32(0.6661), np.float32(0.5381), np.float32(0.9535), np.float32(0.9269), np.float32(0.8178), np.float32(0.8386), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 09:59:38.860564: Epoch time: 131.99 s +2026-02-22 09:59:39.780173: +2026-02-22 09:59:39.784019: Epoch 659 +2026-02-22 09:59:39.784951: Current learning rate: 0.0038 +2026-02-22 10:01:40.799586: train_loss -0.0875 +2026-02-22 10:01:40.845810: val_loss -0.0574 +2026-02-22 10:01:40.853158: Pseudo dice [np.float32(0.9055), np.float32(0.9474), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8639), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.8989), np.float32(0.0579), np.float32(0.8338), np.float32(nan), np.float32(0.8683), np.float32(0.5059), np.float32(0.8248), np.float32(0.4756), np.float32(0.6746), np.float32(0.8561), np.float32(0.9172), np.float32(0.8991), np.float32(0.7716), np.float32(0.7425), np.float32(0.1953), np.float32(0.5022), np.float32(0.2464), np.float32(0.859), np.float32(0.2572), np.float32(0.3102), np.float32(0.9188), np.float32(0.1732), np.float32(0.8075), np.float32(0.5868), np.float32(0.4079), np.float32(0.4221), np.float32(0.9486), np.float32(0.9284), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8378), np.float32(0.0), np.float32(0.6388), np.float32(0.7676), np.float32(0.7984), np.float32(0.7184), np.float32(0.8052), np.float32(0.8025), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:01:40.854985: Epoch time: 121.02 s +2026-02-22 10:01:42.081077: +2026-02-22 10:01:42.084494: Epoch 660 +2026-02-22 10:01:42.085304: Current learning rate: 0.00379 +2026-02-22 10:03:54.175116: train_loss -0.0951 +2026-02-22 10:03:54.200382: val_loss -0.0932 +2026-02-22 10:03:54.208694: Pseudo dice [np.float32(0.9538), np.float32(0.9497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8783), np.float32(nan), np.float32(0.9388), np.float32(nan), np.float32(0.9331), np.float32(0.8152), np.float32(0.8515), np.float32(nan), np.float32(0.8756), np.float32(0.5984), np.float32(0.8537), np.float32(0.7121), np.float32(0.6988), np.float32(0.8877), np.float32(0.9205), np.float32(0.9066), np.float32(0.7676), np.float32(0.7847), np.float32(0.0), np.float32(0.0728), np.float32(0.2072), np.float32(0.8151), np.float32(0.0698), np.float32(0.1356), np.float32(0.9411), np.float32(0.1064), np.float32(0.8347), np.float32(0.5543), np.float32(0.4813), np.float32(0.4366), np.float32(0.9563), np.float32(0.9563), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8166), np.float32(0.0429), np.float32(0.4979), np.float32(0.4737), np.float32(0.84), np.float32(0.8486), np.float32(0.812), np.float32(0.8257), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:03:54.212765: Epoch time: 132.1 s +2026-02-22 10:03:57.406771: +2026-02-22 10:03:57.408394: Epoch 661 +2026-02-22 10:03:57.409197: Current learning rate: 0.00378 +2026-02-22 10:05:58.168086: train_loss -0.0715 +2026-02-22 10:05:58.185301: val_loss -0.0814 +2026-02-22 10:05:58.187302: Pseudo dice [np.float32(0.9622), np.float32(0.961), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8846), np.float32(nan), np.float32(0.9416), np.float32(nan), np.float32(0.9524), np.float32(0.091), np.float32(0.8805), np.float32(0.0), np.float32(0.9072), np.float32(0.6078), np.float32(0.8538), np.float32(0.5688), np.float32(0.7027), np.float32(0.8786), np.float32(0.9487), np.float32(0.9199), np.float32(0.8109), np.float32(0.7989), np.float32(0.8975), np.float32(0.1138), np.float32(0.7993), np.float32(0.8648), np.float32(0.2296), np.float32(0.2958), np.float32(0.8666), np.float32(0.1449), np.float32(0.8052), np.float32(0.3488), np.float32(0.4596), np.float32(0.4733), np.float32(0.9119), np.float32(0.9088), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7562), np.float32(0.633), np.float32(0.551), np.float32(0.1145), np.float32(0.8936), np.float32(0.9096), np.float32(0.8021), np.float32(0.8307), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:05:58.188309: Epoch time: 120.76 s +2026-02-22 10:05:59.256313: +2026-02-22 10:05:59.259871: Epoch 662 +2026-02-22 10:05:59.260679: Current learning rate: 0.00377 +2026-02-22 10:08:07.811639: train_loss -0.0967 +2026-02-22 10:08:07.889107: val_loss -0.0376 +2026-02-22 10:08:07.894816: Pseudo dice [np.float32(0.9465), np.float32(0.9243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8788), np.float32(nan), np.float32(0.9042), np.float32(nan), np.float32(0.9002), np.float32(0.6733), np.float32(0.8221), np.float32(nan), np.float32(0.8375), np.float32(0.6025), np.float32(0.8094), np.float32(0.5435), np.float32(0.6632), np.float32(0.8557), np.float32(0.8892), np.float32(0.8839), np.float32(0.7334), np.float32(0.7828), np.float32(0.5497), np.float32(0.394), np.float32(0.1935), np.float32(0.8228), np.float32(0.3761), np.float32(0.4133), np.float32(0.9494), np.float32(0.0656), np.float32(0.8264), np.float32(0.5814), np.float32(0.4327), np.float32(0.4223), np.float32(0.8783), np.float32(0.9143), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6875), np.float32(0.0308), np.float32(0.6761), np.float32(0.5506), np.float32(0.9644), np.float32(0.9671), np.float32(0.7484), np.float32(0.7978), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:08:07.899985: Epoch time: 128.56 s +2026-02-22 10:08:09.222895: +2026-02-22 10:08:09.226998: Epoch 663 +2026-02-22 10:08:09.227793: Current learning rate: 0.00376 +2026-02-22 10:10:17.680654: train_loss -0.0864 +2026-02-22 10:10:17.713240: val_loss -0.0792 +2026-02-22 10:10:17.719498: Pseudo dice [np.float32(0.8924), np.float32(0.8956), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8799), np.float32(nan), np.float32(0.9248), np.float32(nan), np.float32(0.8297), np.float32(0.0343), np.float32(0.86), np.float32(nan), np.float32(0.9212), np.float32(0.6846), np.float32(0.8392), np.float32(0.774), np.float32(0.6465), np.float32(0.8906), np.float32(0.9062), np.float32(0.8911), np.float32(0.78), np.float32(0.7827), np.float32(0.0352), np.float32(0.6855), np.float32(0.117), np.float32(0.8722), np.float32(0.4584), np.float32(0.4987), np.float32(0.9322), np.float32(0.5357), np.float32(0.8547), np.float32(0.437), np.float32(0.4014), np.float32(0.4575), np.float32(0.9094), np.float32(0.9307), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7602), np.float32(0.0516), np.float32(0.5637), np.float32(0.0), np.float32(0.6189), np.float32(0.8506), np.float32(0.7877), np.float32(0.8203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:10:17.724754: Epoch time: 128.46 s +2026-02-22 10:10:19.193798: +2026-02-22 10:10:19.209514: Epoch 664 +2026-02-22 10:10:19.211743: Current learning rate: 0.00375 +2026-02-22 10:12:25.878697: train_loss -0.0815 +2026-02-22 10:12:25.896385: val_loss -0.0879 +2026-02-22 10:12:25.902406: Pseudo dice [np.float32(0.9434), np.float32(0.9112), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8662), np.float32(nan), np.float32(0.9507), np.float32(nan), np.float32(0.8368), np.float32(0.242), np.float32(0.8589), np.float32(nan), np.float32(0.8486), np.float32(0.6192), np.float32(0.8348), np.float32(0.787), np.float32(0.7333), np.float32(0.8863), np.float32(0.925), np.float32(0.902), np.float32(0.7554), np.float32(0.7974), np.float32(0.0329), np.float32(0.3795), np.float32(0.1181), np.float32(0.9099), np.float32(0.5017), np.float32(0.3799), np.float32(0.9319), np.float32(0.4319), np.float32(0.7914), np.float32(0.6373), np.float32(0.4087), np.float32(0.4296), np.float32(0.8745), np.float32(0.9186), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8042), np.float32(0.3212), np.float32(0.793), np.float32(0.0817), np.float32(0.9301), np.float32(0.9333), np.float32(0.8023), np.float32(0.8127), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:12:25.907744: Epoch time: 126.69 s +2026-02-22 10:12:27.842382: +2026-02-22 10:12:27.845633: Epoch 665 +2026-02-22 10:12:27.846432: Current learning rate: 0.00374 +2026-02-22 10:14:21.323665: train_loss -0.0866 +2026-02-22 10:14:21.349164: val_loss -0.09 +2026-02-22 10:14:21.350582: Pseudo dice [np.float32(0.9289), np.float32(0.9341), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.862), np.float32(nan), np.float32(0.9372), np.float32(nan), np.float32(0.8754), np.float32(0.8693), np.float32(0.8775), np.float32(nan), np.float32(0.8886), np.float32(0.3444), np.float32(0.8473), np.float32(0.5271), np.float32(0.6944), np.float32(0.8853), np.float32(0.9243), np.float32(0.8997), np.float32(0.7616), np.float32(0.804), np.float32(0.351), np.float32(0.4709), np.float32(0.0), np.float32(0.7621), np.float32(0.3349), np.float32(0.2823), np.float32(0.9289), np.float32(0.041), np.float32(0.8219), np.float32(0.4924), np.float32(0.4069), np.float32(0.4673), np.float32(0.8824), np.float32(0.8863), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7403), np.float32(0.4274), np.float32(0.5308), np.float32(0.3546), np.float32(0.7745), np.float32(0.7635), np.float32(0.8225), np.float32(0.824), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:14:21.351587: Epoch time: 113.48 s +2026-02-22 10:14:22.503459: +2026-02-22 10:14:22.518764: Epoch 666 +2026-02-22 10:14:22.519574: Current learning rate: 0.00373 +2026-02-22 10:16:23.380402: train_loss -0.072 +2026-02-22 10:16:23.403002: val_loss -0.0935 +2026-02-22 10:16:23.405921: Pseudo dice [np.float32(0.9493), np.float32(0.9251), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8797), np.float32(nan), np.float32(0.965), np.float32(nan), np.float32(0.9245), np.float32(0.3731), np.float32(0.8589), np.float32(0.0), np.float32(0.8801), np.float32(0.6075), np.float32(0.8362), np.float32(0.2675), np.float32(0.693), np.float32(0.8698), np.float32(0.9284), np.float32(0.9139), np.float32(0.7759), np.float32(0.8087), np.float32(0.1643), np.float32(0.4047), np.float32(0.5462), np.float32(0.8436), np.float32(0.0546), np.float32(0.2424), np.float32(0.8882), np.float32(0.3046), np.float32(0.8294), np.float32(0.0137), np.float32(0.5061), np.float32(0.5079), np.float32(0.9129), np.float32(0.9213), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.718), np.float32(0.4061), np.float32(0.7467), np.float32(0.765), np.float32(0.898), np.float32(0.8619), np.float32(0.7895), np.float32(0.8424), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:16:23.406793: Epoch time: 120.88 s +2026-02-22 10:16:24.793489: +2026-02-22 10:16:24.832124: Epoch 667 +2026-02-22 10:16:24.833064: Current learning rate: 0.00372 +2026-02-22 10:18:39.486508: train_loss -0.0891 +2026-02-22 10:18:39.578408: val_loss -0.0964 +2026-02-22 10:18:39.580259: Pseudo dice [np.float32(0.9618), np.float32(0.9658), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8819), np.float32(nan), np.float32(0.9436), np.float32(nan), np.float32(0.9077), np.float32(0.1151), np.float32(0.8756), np.float32(0.0), np.float32(0.8702), np.float32(0.3877), np.float32(0.8728), np.float32(0.606), np.float32(0.7114), np.float32(0.8896), np.float32(0.9487), np.float32(0.9208), np.float32(0.8037), np.float32(0.8247), np.float32(0.0774), np.float32(0.5725), np.float32(0.5264), np.float32(0.808), np.float32(0.3457), np.float32(0.0444), np.float32(0.8927), np.float32(0.2459), np.float32(0.844), np.float32(0.4272), np.float32(0.4405), np.float32(0.4689), np.float32(0.8993), np.float32(0.8952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7997), np.float32(0.8671), np.float32(0.5699), np.float32(0.6201), np.float32(0.9355), np.float32(0.9441), np.float32(0.8287), np.float32(0.8461), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:18:39.581736: Epoch time: 134.7 s +2026-02-22 10:18:40.838474: +2026-02-22 10:18:40.841947: Epoch 668 +2026-02-22 10:18:40.842767: Current learning rate: 0.00371 +2026-02-22 10:20:44.350373: train_loss -0.0863 +2026-02-22 10:20:44.398700: val_loss -0.1174 +2026-02-22 10:20:44.404974: Pseudo dice [np.float32(0.9556), np.float32(0.9472), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.883), np.float32(nan), np.float32(0.9613), np.float32(nan), np.float32(0.9471), np.float32(0.5769), np.float32(0.8465), np.float32(nan), np.float32(0.9074), np.float32(0.6976), np.float32(0.8528), np.float32(0.5881), np.float32(0.7172), np.float32(0.8691), np.float32(0.9354), np.float32(0.9202), np.float32(0.8192), np.float32(0.8115), np.float32(0.4733), np.float32(0.2963), np.float32(0.8268), np.float32(0.8482), np.float32(0.1012), np.float32(0.3411), np.float32(0.9184), np.float32(0.6836), np.float32(0.8482), np.float32(0.6887), np.float32(0.4912), np.float32(0.4301), np.float32(0.9545), np.float32(0.9234), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.804), np.float32(0.4908), np.float32(0.7918), np.float32(0.2646), np.float32(0.6434), np.float32(0.7938), np.float32(0.8246), np.float32(0.837), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:20:44.419394: Epoch time: 123.51 s +2026-02-22 10:20:44.428797: Yayy! New best EMA pseudo Dice: 0.6797999739646912 +2026-02-22 10:20:46.850150: +2026-02-22 10:20:46.851753: Epoch 669 +2026-02-22 10:20:46.852557: Current learning rate: 0.0037 +2026-02-22 10:22:40.263961: train_loss -0.0914 +2026-02-22 10:22:40.287681: val_loss -0.0844 +2026-02-22 10:22:40.293885: Pseudo dice [np.float32(0.9523), np.float32(0.9487), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8861), np.float32(nan), np.float32(0.9306), np.float32(nan), np.float32(0.9051), np.float32(0.7707), np.float32(0.8822), np.float32(0.0), np.float32(0.8941), np.float32(0.6269), np.float32(0.861), np.float32(0.4037), np.float32(0.7297), np.float32(0.8857), np.float32(0.9358), np.float32(0.9006), np.float32(0.7881), np.float32(0.7798), np.float32(0.5458), np.float32(0.4503), np.float32(0.0557), np.float32(0.8326), np.float32(0.1208), np.float32(0.0805), np.float32(0.9121), np.float32(0.6152), np.float32(0.8378), np.float32(0.153), np.float32(0.4832), np.float32(0.3936), np.float32(0.889), np.float32(0.9017), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.763), np.float32(0.0569), np.float32(0.0), np.float32(0.0), np.float32(0.8973), np.float32(0.8741), np.float32(0.8216), np.float32(0.8443), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:22:40.295684: Epoch time: 113.42 s +2026-02-22 10:22:41.397372: +2026-02-22 10:22:41.400662: Epoch 670 +2026-02-22 10:22:41.402717: Current learning rate: 0.00369 +2026-02-22 10:24:40.612836: train_loss -0.1084 +2026-02-22 10:24:40.621820: val_loss -0.0904 +2026-02-22 10:24:40.623099: Pseudo dice [np.float32(0.9278), np.float32(0.9398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8697), np.float32(nan), np.float32(0.9567), np.float32(nan), np.float32(0.9455), np.float32(0.8552), np.float32(0.87), np.float32(0.0), np.float32(0.8889), np.float32(0.617), np.float32(0.831), np.float32(0.5453), np.float32(0.7316), np.float32(0.8819), np.float32(0.9317), np.float32(0.911), np.float32(0.7261), np.float32(0.7941), np.float32(0.0127), np.float32(0.4107), np.float32(0.0), np.float32(0.8369), np.float32(0.0156), np.float32(0.2344), np.float32(0.9394), np.float32(0.524), np.float32(0.8484), np.float32(0.0238), np.float32(0.5081), np.float32(0.414), np.float32(0.9124), np.float32(0.9545), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8211), np.float32(0.74), np.float32(0.6734), np.float32(0.7138), np.float32(0.7526), np.float32(0.8383), np.float32(0.8364), np.float32(0.8582), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:24:40.624157: Epoch time: 119.22 s +2026-02-22 10:24:41.891211: +2026-02-22 10:24:41.895047: Epoch 671 +2026-02-22 10:24:41.895935: Current learning rate: 0.00368 +2026-02-22 10:26:52.349402: train_loss -0.0987 +2026-02-22 10:26:52.402500: val_loss -0.1068 +2026-02-22 10:26:52.407270: Pseudo dice [np.float32(0.9559), np.float32(0.9579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8918), np.float32(nan), np.float32(0.9561), np.float32(nan), np.float32(0.934), np.float32(0.5585), np.float32(0.8704), np.float32(nan), np.float32(0.9098), np.float32(0.5217), np.float32(0.8662), np.float32(0.4791), np.float32(0.7521), np.float32(0.8882), np.float32(0.9386), np.float32(0.9196), np.float32(0.8248), np.float32(0.8412), np.float32(0.5031), np.float32(0.365), np.float32(0.0), np.float32(0.8873), np.float32(0.4264), np.float32(0.7915), np.float32(0.9356), np.float32(0.5035), np.float32(0.8439), np.float32(0.4397), np.float32(0.437), np.float32(0.4299), np.float32(0.8906), np.float32(0.8447), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7314), np.float32(0.7491), np.float32(0.5717), np.float32(0.6688), np.float32(0.9437), np.float32(0.9297), np.float32(0.8274), np.float32(0.847), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:26:52.411225: Epoch time: 130.46 s +2026-02-22 10:26:52.414175: Yayy! New best EMA pseudo Dice: 0.6818000078201294 +2026-02-22 10:26:54.997090: +2026-02-22 10:26:54.999780: Epoch 672 +2026-02-22 10:26:55.000575: Current learning rate: 0.00367 +2026-02-22 10:28:46.710865: train_loss -0.0892 +2026-02-22 10:28:46.740118: val_loss -0.0985 +2026-02-22 10:28:46.746925: Pseudo dice [np.float32(0.9308), np.float32(0.943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8822), np.float32(nan), np.float32(0.9592), np.float32(nan), np.float32(0.8783), np.float32(0.0), np.float32(0.8363), np.float32(nan), np.float32(0.89), np.float32(0.5053), np.float32(0.8602), np.float32(0.0), np.float32(0.6444), np.float32(0.8486), np.float32(0.9102), np.float32(0.8986), np.float32(0.825), np.float32(0.8036), np.float32(0.0), np.float32(0.6049), np.float32(0.6472), np.float32(0.8885), np.float32(0.5943), np.float32(0.5886), np.float32(0.9328), np.float32(0.4008), np.float32(0.8516), np.float32(0.6214), np.float32(0.4153), np.float32(0.4113), np.float32(0.9429), np.float32(0.9446), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8147), np.float32(0.0), np.float32(0.7557), np.float32(0.6122), np.float32(0.9365), np.float32(0.9194), np.float32(0.8169), np.float32(0.8387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:28:46.753585: Epoch time: 111.72 s +2026-02-22 10:28:46.759799: Yayy! New best EMA pseudo Dice: 0.6833000183105469 +2026-02-22 10:28:49.138897: +2026-02-22 10:28:49.144324: Epoch 673 +2026-02-22 10:28:49.145132: Current learning rate: 0.00366 +2026-02-22 10:30:50.670627: train_loss -0.0728 +2026-02-22 10:30:50.676453: val_loss -0.0899 +2026-02-22 10:30:50.677771: Pseudo dice [np.float32(0.9476), np.float32(0.9423), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8848), np.float32(nan), np.float32(0.9412), np.float32(nan), np.float32(0.9333), np.float32(0.4023), np.float32(0.8656), np.float32(nan), np.float32(0.8815), np.float32(0.3668), np.float32(0.8504), np.float32(0.653), np.float32(0.7035), np.float32(0.8882), np.float32(0.9176), np.float32(0.9116), np.float32(0.7776), np.float32(0.784), np.float32(0.1472), np.float32(0.547), np.float32(0.1378), np.float32(0.7459), np.float32(0.2736), np.float32(0.3651), np.float32(0.866), np.float32(0.3938), np.float32(0.8537), np.float32(0.5942), np.float32(0.2983), np.float32(0.3872), np.float32(0.9515), np.float32(0.9749), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8518), np.float32(0.0), np.float32(0.475), np.float32(0.1547), np.float32(0.9617), np.float32(0.9648), np.float32(0.7883), np.float32(0.7953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:30:50.679253: Epoch time: 121.53 s +2026-02-22 10:30:52.076401: +2026-02-22 10:30:52.081503: Epoch 674 +2026-02-22 10:30:52.082310: Current learning rate: 0.00365 +2026-02-22 10:32:58.532922: train_loss -0.067 +2026-02-22 10:32:58.543474: val_loss -0.0731 +2026-02-22 10:32:58.545067: Pseudo dice [np.float32(0.951), np.float32(0.9531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8922), np.float32(nan), np.float32(0.9517), np.float32(nan), np.float32(0.8925), np.float32(0.6287), np.float32(0.8636), np.float32(nan), np.float32(0.8294), np.float32(0.3128), np.float32(0.8505), np.float32(0.638), np.float32(0.6924), np.float32(0.8017), np.float32(0.939), np.float32(0.9216), np.float32(0.81), np.float32(0.8177), np.float32(0.0049), np.float32(0.6346), np.float32(0.0), np.float32(0.8177), np.float32(0.3439), np.float32(0.0512), np.float32(0.9528), np.float32(0.0), np.float32(0.8675), np.float32(0.0), np.float32(0.4712), np.float32(0.4267), np.float32(0.9235), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6919), np.float32(0.4906), np.float32(0.4483), np.float32(0.3328), np.float32(0.8288), np.float32(0.9009), np.float32(0.7814), np.float32(0.8197), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:32:58.546244: Epoch time: 126.46 s +2026-02-22 10:32:59.643836: +2026-02-22 10:32:59.653752: Epoch 675 +2026-02-22 10:32:59.660453: Current learning rate: 0.00364 +2026-02-22 10:34:51.428009: train_loss -0.0777 +2026-02-22 10:34:51.434626: val_loss -0.1019 +2026-02-22 10:34:51.435636: Pseudo dice [np.float32(0.9553), np.float32(0.9587), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.891), np.float32(nan), np.float32(0.9582), np.float32(nan), np.float32(0.954), np.float32(0.1284), np.float32(0.8653), np.float32(nan), np.float32(0.8735), np.float32(0.4727), np.float32(0.8488), np.float32(0.2081), np.float32(0.6196), np.float32(0.8851), np.float32(0.9451), np.float32(0.926), np.float32(0.7982), np.float32(0.8216), np.float32(0.7514), np.float32(0.4712), np.float32(0.4936), np.float32(0.7706), np.float32(0.291), np.float32(0.2509), np.float32(0.8698), np.float32(0.0477), np.float32(0.8297), np.float32(0.0077), np.float32(0.5274), np.float32(0.4889), np.float32(0.935), np.float32(0.9178), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7772), np.float32(0.1304), np.float32(0.3382), np.float32(0.6119), np.float32(0.9375), np.float32(0.9049), np.float32(0.7943), np.float32(0.8054), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:34:51.436536: Epoch time: 111.79 s +2026-02-22 10:34:52.714872: +2026-02-22 10:34:52.724650: Epoch 676 +2026-02-22 10:34:52.730095: Current learning rate: 0.00363 +2026-02-22 10:36:56.794938: train_loss -0.0813 +2026-02-22 10:36:56.798470: val_loss -0.0775 +2026-02-22 10:36:56.799543: Pseudo dice [np.float32(0.9445), np.float32(0.9693), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8815), np.float32(nan), np.float32(0.9222), np.float32(nan), np.float32(0.9366), np.float32(0.038), np.float32(0.8596), np.float32(nan), np.float32(0.9016), np.float32(0.465), np.float32(0.8558), np.float32(0.0229), np.float32(0.6754), np.float32(0.8853), np.float32(0.938), np.float32(0.9174), np.float32(0.791), np.float32(0.7713), np.float32(0.8248), np.float32(0.3239), np.float32(0.3789), np.float32(0.8472), np.float32(0.0093), np.float32(0.2688), np.float32(0.9247), np.float32(0.4177), np.float32(0.8085), np.float32(0.5755), np.float32(0.5081), np.float32(0.5134), np.float32(0.8504), np.float32(0.7505), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7195), np.float32(0.3717), np.float32(0.7669), np.float32(0.5877), np.float32(0.8438), np.float32(0.8644), np.float32(0.7949), np.float32(0.8105), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:36:56.800497: Epoch time: 124.08 s +2026-02-22 10:36:57.874732: +2026-02-22 10:36:57.880523: Epoch 677 +2026-02-22 10:36:57.881321: Current learning rate: 0.00362 +2026-02-22 10:38:59.409513: train_loss -0.1103 +2026-02-22 10:38:59.447398: val_loss -0.0944 +2026-02-22 10:38:59.452736: Pseudo dice [np.float32(0.927), np.float32(0.9464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8701), np.float32(nan), np.float32(0.9388), np.float32(nan), np.float32(0.8879), np.float32(0.08), np.float32(0.8981), np.float32(nan), np.float32(0.8799), np.float32(0.6128), np.float32(0.8488), np.float32(0.6289), np.float32(0.6928), np.float32(0.9076), np.float32(0.9325), np.float32(0.9148), np.float32(0.7765), np.float32(0.7799), np.float32(0.0027), np.float32(0.5521), np.float32(0.6454), np.float32(0.8184), np.float32(0.3295), np.float32(0.3202), np.float32(0.9007), np.float32(0.5788), np.float32(0.8295), np.float32(0.4097), np.float32(0.5509), np.float32(0.5077), np.float32(0.936), np.float32(0.9469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.82), np.float32(0.6138), np.float32(0.7133), np.float32(0.4298), np.float32(0.8262), np.float32(0.8357), np.float32(0.8301), np.float32(0.8364), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:38:59.463891: Epoch time: 121.54 s +2026-02-22 10:39:01.133462: +2026-02-22 10:39:01.228839: Epoch 678 +2026-02-22 10:39:01.230527: Current learning rate: 0.00361 +2026-02-22 10:41:02.825907: train_loss -0.0841 +2026-02-22 10:41:02.855560: val_loss -0.0948 +2026-02-22 10:41:02.856765: Pseudo dice [np.float32(0.9337), np.float32(0.9578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8777), np.float32(nan), np.float32(0.9495), np.float32(nan), np.float32(0.8919), np.float32(0.0449), np.float32(0.871), np.float32(nan), np.float32(0.8572), np.float32(0.4534), np.float32(0.8411), np.float32(0.7402), np.float32(0.7154), np.float32(0.8931), np.float32(0.9346), np.float32(0.914), np.float32(0.7912), np.float32(0.7983), np.float32(0.0087), np.float32(0.1509), np.float32(0.1662), np.float32(0.8303), np.float32(0.0), np.float32(0.0), np.float32(0.9306), np.float32(0.1088), np.float32(0.84), np.float32(0.6046), np.float32(0.4762), np.float32(0.3861), np.float32(0.9015), np.float32(0.9256), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6805), np.float32(0.6725), np.float32(0.6238), np.float32(0.3114), np.float32(0.8507), np.float32(0.703), np.float32(0.8163), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:41:02.878698: Epoch time: 121.69 s +2026-02-22 10:41:04.360854: +2026-02-22 10:41:04.370894: Epoch 679 +2026-02-22 10:41:04.371766: Current learning rate: 0.0036 +2026-02-22 10:43:06.189999: train_loss -0.0636 +2026-02-22 10:43:06.204957: val_loss -0.0577 +2026-02-22 10:43:06.206520: Pseudo dice [np.float32(0.9142), np.float32(0.9097), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8686), np.float32(nan), np.float32(0.9232), np.float32(nan), np.float32(0.903), np.float32(0.2893), np.float32(0.8752), np.float32(nan), np.float32(0.9006), np.float32(0.3583), np.float32(0.862), np.float32(0.7492), np.float32(0.7131), np.float32(0.8732), np.float32(0.9054), np.float32(0.8998), np.float32(0.7044), np.float32(0.7672), np.float32(0.1905), np.float32(0.3604), np.float32(0.0), np.float32(0.7624), np.float32(0.1677), np.float32(0.2284), np.float32(0.9109), np.float32(0.2355), np.float32(0.8114), np.float32(0.3968), np.float32(0.4667), np.float32(0.3984), np.float32(0.888), np.float32(0.8825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.729), np.float32(0.525), np.float32(0.0034), np.float32(0.3043), np.float32(0.9572), np.float32(0.958), np.float32(0.7685), np.float32(0.813), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:43:06.207534: Epoch time: 121.83 s +2026-02-22 10:43:07.471272: +2026-02-22 10:43:07.486599: Epoch 680 +2026-02-22 10:43:07.491205: Current learning rate: 0.00359 +2026-02-22 10:45:12.008555: train_loss -0.0779 +2026-02-22 10:45:12.018716: val_loss -0.1097 +2026-02-22 10:45:12.019944: Pseudo dice [np.float32(0.9508), np.float32(0.9567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8874), np.float32(nan), np.float32(0.9488), np.float32(nan), np.float32(0.9466), np.float32(0.3772), np.float32(0.8817), np.float32(0.0), np.float32(0.9089), np.float32(0.7391), np.float32(0.8605), np.float32(0.7941), np.float32(0.7592), np.float32(0.8987), np.float32(0.9414), np.float32(0.9136), np.float32(0.8053), np.float32(0.8027), np.float32(0.4056), np.float32(0.4092), np.float32(0.3131), np.float32(0.8638), np.float32(0.3473), np.float32(0.6348), np.float32(0.9196), np.float32(0.2425), np.float32(0.8519), np.float32(0.4178), np.float32(0.5464), np.float32(0.4564), np.float32(0.9414), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7933), np.float32(0.0), np.float32(0.7463), np.float32(0.5232), np.float32(0.7576), np.float32(0.8294), np.float32(0.7916), np.float32(0.8562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:45:12.020953: Epoch time: 124.54 s +2026-02-22 10:45:13.436513: +2026-02-22 10:45:13.443532: Epoch 681 +2026-02-22 10:45:13.444333: Current learning rate: 0.00358 +2026-02-22 10:47:12.295490: train_loss -0.0926 +2026-02-22 10:47:12.325666: val_loss -0.109 +2026-02-22 10:47:12.326942: Pseudo dice [np.float32(0.967), np.float32(0.9671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8808), np.float32(nan), np.float32(0.9525), np.float32(nan), np.float32(0.95), np.float32(0.4498), np.float32(0.8759), np.float32(nan), np.float32(0.9042), np.float32(0.5417), np.float32(0.8505), np.float32(0.773), np.float32(0.7237), np.float32(0.8945), np.float32(0.9439), np.float32(0.9197), np.float32(0.7993), np.float32(0.799), np.float32(0.505), np.float32(0.3997), np.float32(0.6195), np.float32(0.8785), np.float32(0.3083), np.float32(0.1659), np.float32(0.9066), np.float32(0.4645), np.float32(0.884), np.float32(0.3849), np.float32(0.3952), np.float32(0.4405), np.float32(0.9119), np.float32(0.9028), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7745), np.float32(0.0133), np.float32(0.4954), np.float32(0.3349), np.float32(0.7888), np.float32(0.7935), np.float32(0.8092), np.float32(0.8466), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:47:12.327946: Epoch time: 118.86 s +2026-02-22 10:47:13.667033: +2026-02-22 10:47:13.670611: Epoch 682 +2026-02-22 10:47:13.671659: Current learning rate: 0.00357 +2026-02-22 10:49:12.288540: train_loss -0.0796 +2026-02-22 10:49:12.302691: val_loss -0.0958 +2026-02-22 10:49:12.306282: Pseudo dice [np.float32(0.95), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8829), np.float32(nan), np.float32(0.9414), np.float32(nan), np.float32(0.9305), np.float32(0.9041), np.float32(0.8711), np.float32(nan), np.float32(0.8771), np.float32(0.704), np.float32(0.8733), np.float32(0.5807), np.float32(0.6897), np.float32(0.8754), np.float32(0.9277), np.float32(0.9032), np.float32(0.7798), np.float32(0.8017), np.float32(0.0052), np.float32(0.2606), np.float32(0.0), np.float32(0.8936), np.float32(0.3976), np.float32(0.3665), np.float32(0.8509), np.float32(0.3832), np.float32(0.81), np.float32(0.5693), np.float32(0.4827), np.float32(0.4613), np.float32(0.9422), np.float32(0.9347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7941), np.float32(0.4505), np.float32(0.5127), np.float32(0.6256), np.float32(0.6724), np.float32(0.6627), np.float32(0.7704), np.float32(0.7852), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:49:12.312407: Epoch time: 118.62 s +2026-02-22 10:49:13.455985: +2026-02-22 10:49:13.459296: Epoch 683 +2026-02-22 10:49:13.460410: Current learning rate: 0.00356 +2026-02-22 10:51:10.538469: train_loss -0.1043 +2026-02-22 10:51:10.560621: val_loss -0.1146 +2026-02-22 10:51:10.570435: Pseudo dice [np.float32(0.9549), np.float32(0.9635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8982), np.float32(nan), np.float32(0.9644), np.float32(nan), np.float32(0.9035), np.float32(0.3595), np.float32(0.8811), np.float32(nan), np.float32(0.9023), np.float32(0.3219), np.float32(0.8608), np.float32(0.4696), np.float32(0.6614), np.float32(0.8968), np.float32(0.9452), np.float32(0.9275), np.float32(0.785), np.float32(0.8334), np.float32(0.3613), np.float32(0.6796), np.float32(0.6187), np.float32(0.8588), np.float32(0.1726), np.float32(0.2159), np.float32(0.9403), np.float32(0.4629), np.float32(0.8671), np.float32(0.2562), np.float32(0.4355), np.float32(0.4068), np.float32(0.9591), np.float32(0.9588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7112), np.float32(0.471), np.float32(0.8978), np.float32(0.7374), np.float32(0.8192), np.float32(0.8078), np.float32(0.817), np.float32(0.8385), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:51:10.578516: Epoch time: 117.09 s +2026-02-22 10:51:10.587707: Yayy! New best EMA pseudo Dice: 0.6841999888420105 +2026-02-22 10:51:14.880447: +2026-02-22 10:51:14.888365: Epoch 684 +2026-02-22 10:51:14.889196: Current learning rate: 0.00355 +2026-02-22 10:53:11.811167: train_loss -0.0997 +2026-02-22 10:53:11.823960: val_loss -0.1008 +2026-02-22 10:53:11.827487: Pseudo dice [np.float32(0.9589), np.float32(0.9586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8857), np.float32(nan), np.float32(0.9522), np.float32(nan), np.float32(0.9068), np.float32(0.019), np.float32(0.8562), np.float32(nan), np.float32(0.9154), np.float32(0.6239), np.float32(0.8646), np.float32(0.6182), np.float32(0.7501), np.float32(0.9031), np.float32(0.9406), np.float32(0.9214), np.float32(0.8088), np.float32(0.8043), np.float32(0.0523), np.float32(0.3542), np.float32(0.2213), np.float32(0.8102), np.float32(0.2612), np.float32(0.2656), np.float32(0.9353), np.float32(0.6093), np.float32(0.8514), np.float32(0.2985), np.float32(0.4722), np.float32(0.4086), np.float32(0.8346), np.float32(0.8511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7974), np.float32(0.0041), np.float32(0.7146), np.float32(0.7467), np.float32(0.8958), np.float32(0.9089), np.float32(0.8118), np.float32(0.833), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:53:11.828468: Epoch time: 116.93 s +2026-02-22 10:53:13.293500: +2026-02-22 10:53:13.300694: Epoch 685 +2026-02-22 10:53:13.301749: Current learning rate: 0.00354 +2026-02-22 10:55:15.090214: train_loss -0.0896 +2026-02-22 10:55:15.097645: val_loss -0.0966 +2026-02-22 10:55:15.099003: Pseudo dice [np.float32(0.9555), np.float32(0.9629), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.884), np.float32(nan), np.float32(0.9474), np.float32(nan), np.float32(0.9376), np.float32(0.2738), np.float32(0.8911), np.float32(nan), np.float32(0.9015), np.float32(0.1989), np.float32(0.8531), np.float32(0.6235), np.float32(0.7199), np.float32(0.9006), np.float32(0.9458), np.float32(0.9282), np.float32(0.7987), np.float32(0.8124), np.float32(0.0002), np.float32(0.2263), np.float32(0.0), np.float32(0.8239), np.float32(0.2029), np.float32(0.2224), np.float32(0.9462), np.float32(0.2879), np.float32(0.7514), np.float32(0.0), np.float32(0.5087), np.float32(0.4896), np.float32(0.866), np.float32(0.9012), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7237), np.float32(0.0177), np.float32(0.6499), np.float32(0.6438), np.float32(0.8385), np.float32(0.8465), np.float32(0.8347), np.float32(0.86), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:55:15.100744: Epoch time: 121.8 s +2026-02-22 10:55:16.415487: +2026-02-22 10:55:16.418864: Epoch 686 +2026-02-22 10:55:16.419691: Current learning rate: 0.00353 +2026-02-22 10:57:10.113469: train_loss -0.1021 +2026-02-22 10:57:10.125015: val_loss -0.1164 +2026-02-22 10:57:10.127922: Pseudo dice [np.float32(0.9595), np.float32(0.9499), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8725), np.float32(nan), np.float32(0.9535), np.float32(nan), np.float32(0.9517), np.float32(0.0389), np.float32(0.8759), np.float32(nan), np.float32(0.9143), np.float32(0.3952), np.float32(0.849), np.float32(0.2465), np.float32(0.6702), np.float32(0.8865), np.float32(0.9482), np.float32(0.919), np.float32(0.8133), np.float32(0.8152), np.float32(0.3322), np.float32(0.3375), np.float32(0.4138), np.float32(0.8545), np.float32(0.3326), np.float32(0.2314), np.float32(0.9304), np.float32(0.1458), np.float32(0.8628), np.float32(0.2122), np.float32(0.44), np.float32(0.4268), np.float32(0.9338), np.float32(0.963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7444), np.float32(0.7558), np.float32(0.5374), np.float32(0.2244), np.float32(0.7991), np.float32(0.7571), np.float32(0.8186), np.float32(0.8441), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:57:10.134429: Epoch time: 113.7 s +2026-02-22 10:57:11.508890: +2026-02-22 10:57:11.512486: Epoch 687 +2026-02-22 10:57:11.513289: Current learning rate: 0.00352 +2026-02-22 10:59:11.308374: train_loss -0.0875 +2026-02-22 10:59:11.372594: val_loss -0.1028 +2026-02-22 10:59:11.374056: Pseudo dice [np.float32(0.9466), np.float32(0.9399), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8624), np.float32(nan), np.float32(0.9554), np.float32(nan), np.float32(0.8799), np.float32(0.7194), np.float32(0.9045), np.float32(nan), np.float32(0.9157), np.float32(0.6687), np.float32(0.8573), np.float32(0.6614), np.float32(0.6857), np.float32(0.9006), np.float32(0.9381), np.float32(0.9226), np.float32(0.7901), np.float32(0.8114), np.float32(0.179), np.float32(0.1426), np.float32(0.4132), np.float32(0.8075), np.float32(0.2756), np.float32(0.4083), np.float32(0.9484), np.float32(0.4278), np.float32(0.836), np.float32(0.6754), np.float32(0.5239), np.float32(0.3977), np.float32(0.8696), np.float32(0.892), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8567), np.float32(0.0), np.float32(0.6379), np.float32(0.5489), np.float32(0.891), np.float32(0.8641), np.float32(0.8066), np.float32(0.8414), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 10:59:11.374995: Epoch time: 119.8 s +2026-02-22 10:59:12.602265: +2026-02-22 10:59:12.608330: Epoch 688 +2026-02-22 10:59:12.609270: Current learning rate: 0.00351 +2026-02-22 11:01:20.835749: train_loss -0.0891 +2026-02-22 11:01:20.871258: val_loss -0.1146 +2026-02-22 11:01:20.875466: Pseudo dice [np.float32(0.9692), np.float32(0.9521), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8914), np.float32(nan), np.float32(0.9613), np.float32(nan), np.float32(0.934), np.float32(0.8495), np.float32(0.8981), np.float32(nan), np.float32(0.8986), np.float32(0.3939), np.float32(0.8523), np.float32(0.6566), np.float32(0.731), np.float32(0.8893), np.float32(0.9255), np.float32(0.9295), np.float32(0.7817), np.float32(0.8182), np.float32(0.4559), np.float32(0.1094), np.float32(0.1701), np.float32(0.8525), np.float32(0.56), np.float32(0.4375), np.float32(0.9444), np.float32(0.2313), np.float32(0.8625), np.float32(0.1593), np.float32(0.4723), np.float32(0.454), np.float32(0.9301), np.float32(0.9577), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7355), np.float32(0.6029), np.float32(0.6622), np.float32(0.5558), np.float32(0.6944), np.float32(0.6769), np.float32(0.8263), np.float32(0.8481), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:01:20.882114: Epoch time: 128.24 s +2026-02-22 11:01:21.901311: +2026-02-22 11:01:21.920448: Epoch 689 +2026-02-22 11:01:21.921233: Current learning rate: 0.0035 +2026-02-22 11:03:28.809352: train_loss -0.0725 +2026-02-22 11:03:29.007291: val_loss -0.0652 +2026-02-22 11:03:29.013297: Pseudo dice [np.float32(0.9532), np.float32(0.931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8915), np.float32(nan), np.float32(0.9467), np.float32(nan), np.float32(0.9285), np.float32(0.3384), np.float32(0.8484), np.float32(nan), np.float32(0.8818), np.float32(0.4784), np.float32(0.8466), np.float32(0.7134), np.float32(0.7514), np.float32(0.8611), np.float32(0.9352), np.float32(0.9022), np.float32(0.7929), np.float32(0.7687), np.float32(0.021), np.float32(0.4929), np.float32(0.3423), np.float32(0.776), np.float32(0.1744), np.float32(0.0533), np.float32(0.8812), np.float32(0.4033), np.float32(0.8452), np.float32(0.525), np.float32(0.3929), np.float32(0.3855), np.float32(0.8802), np.float32(0.914), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6563), np.float32(0.4877), np.float32(0.5908), np.float32(0.6112), np.float32(0.8902), np.float32(0.9003), np.float32(0.7909), np.float32(0.8273), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:03:29.096287: Epoch time: 126.91 s +2026-02-22 11:03:30.717897: +2026-02-22 11:03:30.723046: Epoch 690 +2026-02-22 11:03:30.724093: Current learning rate: 0.00349 +2026-02-22 11:05:47.990964: train_loss -0.0808 +2026-02-22 11:05:48.004887: val_loss -0.0794 +2026-02-22 11:05:48.012184: Pseudo dice [np.float32(0.9475), np.float32(0.9527), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8888), np.float32(nan), np.float32(0.9291), np.float32(nan), np.float32(0.8564), np.float32(0.8093), np.float32(0.8539), np.float32(nan), np.float32(0.905), np.float32(0.3761), np.float32(0.8309), np.float32(0.5149), np.float32(0.6555), np.float32(0.8859), np.float32(0.9238), np.float32(0.8835), np.float32(0.7986), np.float32(0.7813), np.float32(0.475), np.float32(0.3307), np.float32(0.5771), np.float32(0.8623), np.float32(0.2771), np.float32(0.6195), np.float32(0.9384), np.float32(0.6334), np.float32(0.8493), np.float32(0.6218), np.float32(0.4814), np.float32(0.4614), np.float32(0.9104), np.float32(0.937), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7531), np.float32(0.0), np.float32(0.44), np.float32(0.5267), np.float32(0.9292), np.float32(0.9115), np.float32(0.7991), np.float32(0.8164), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:05:48.017961: Epoch time: 137.28 s +2026-02-22 11:05:48.025167: Yayy! New best EMA pseudo Dice: 0.6870999932289124 +2026-02-22 11:05:50.683679: +2026-02-22 11:05:50.685765: Epoch 691 +2026-02-22 11:05:50.686586: Current learning rate: 0.00348 +2026-02-22 11:07:54.731822: train_loss -0.0765 +2026-02-22 11:07:54.742379: val_loss -0.0871 +2026-02-22 11:07:54.743565: Pseudo dice [np.float32(0.9241), np.float32(0.9206), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8692), np.float32(nan), np.float32(0.9446), np.float32(nan), np.float32(0.8715), np.float32(0.0936), np.float32(0.8708), np.float32(nan), np.float32(0.8812), np.float32(0.4976), np.float32(0.8476), np.float32(0.7032), np.float32(0.6704), np.float32(0.8675), np.float32(0.9251), np.float32(0.9037), np.float32(0.7673), np.float32(0.7801), np.float32(0.0), np.float32(0.2962), np.float32(0.2103), np.float32(0.7892), np.float32(0.0007), np.float32(0.0), np.float32(0.9297), np.float32(0.0199), np.float32(0.8696), np.float32(0.6154), np.float32(0.4976), np.float32(0.3759), np.float32(0.957), np.float32(0.9651), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7885), np.float32(0.1481), np.float32(0.7403), np.float32(0.6961), np.float32(0.9231), np.float32(0.9305), np.float32(0.7756), np.float32(0.8171), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:07:54.744634: Epoch time: 124.05 s +2026-02-22 11:07:56.141142: +2026-02-22 11:07:56.144470: Epoch 692 +2026-02-22 11:07:56.145269: Current learning rate: 0.00346 +2026-02-22 11:10:05.360128: train_loss -0.0903 +2026-02-22 11:10:05.388253: val_loss -0.066 +2026-02-22 11:10:05.398985: Pseudo dice [np.float32(0.9133), np.float32(0.9047), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8696), np.float32(nan), np.float32(0.9143), np.float32(nan), np.float32(0.9018), np.float32(0.0582), np.float32(0.857), np.float32(nan), np.float32(0.8528), np.float32(0.5379), np.float32(0.8313), np.float32(0.6618), np.float32(0.641), np.float32(0.8831), np.float32(0.9268), np.float32(0.8815), np.float32(0.7779), np.float32(0.7985), np.float32(0.1644), np.float32(0.7336), np.float32(0.0531), np.float32(0.7813), np.float32(0.4076), np.float32(0.4283), np.float32(0.9382), np.float32(0.1418), np.float32(0.8298), np.float32(0.1287), np.float32(0.4424), np.float32(0.3978), np.float32(0.8851), np.float32(0.8831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8094), np.float32(0.7901), np.float32(0.4408), np.float32(0.4853), np.float32(0.8672), np.float32(0.7916), np.float32(0.7937), np.float32(0.8232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:10:05.403183: Epoch time: 129.22 s +2026-02-22 11:10:06.765732: +2026-02-22 11:10:06.774614: Epoch 693 +2026-02-22 11:10:06.775864: Current learning rate: 0.00345 +2026-02-22 11:12:01.093085: train_loss -0.0933 +2026-02-22 11:12:01.123812: val_loss -0.1163 +2026-02-22 11:12:01.126224: Pseudo dice [np.float32(0.9244), np.float32(0.9151), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8902), np.float32(nan), np.float32(0.9614), np.float32(nan), np.float32(0.9243), np.float32(0.7017), np.float32(0.8947), np.float32(nan), np.float32(0.9037), np.float32(0.5168), np.float32(0.881), np.float32(0.5804), np.float32(0.7304), np.float32(0.9033), np.float32(0.9444), np.float32(0.9113), np.float32(0.783), np.float32(0.8127), np.float32(0.6025), np.float32(0.3978), np.float32(0.0), np.float32(0.8615), np.float32(0.3217), np.float32(0.3185), np.float32(0.9124), np.float32(0.5586), np.float32(0.8694), np.float32(0.5), np.float32(0.529), np.float32(0.4462), np.float32(0.9421), np.float32(0.9694), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8003), np.float32(0.0), np.float32(0.3316), np.float32(0.4086), np.float32(0.857), np.float32(0.8512), np.float32(0.8297), np.float32(0.8553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:12:01.127554: Epoch time: 114.33 s +2026-02-22 11:12:02.451499: +2026-02-22 11:12:02.467509: Epoch 694 +2026-02-22 11:12:02.468326: Current learning rate: 0.00344 +2026-02-22 11:14:02.604703: train_loss -0.0926 +2026-02-22 11:14:02.621315: val_loss -0.0925 +2026-02-22 11:14:02.626730: Pseudo dice [np.float32(0.9469), np.float32(0.9435), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8818), np.float32(nan), np.float32(0.9537), np.float32(nan), np.float32(0.8912), np.float32(0.4546), np.float32(0.8518), np.float32(nan), np.float32(0.9087), np.float32(0.5283), np.float32(0.8669), np.float32(0.6931), np.float32(0.7271), np.float32(0.8569), np.float32(0.9269), np.float32(0.9078), np.float32(0.8037), np.float32(0.7855), np.float32(0.0094), np.float32(0.3067), np.float32(0.1258), np.float32(0.8195), np.float32(0.1882), np.float32(0.3651), np.float32(0.8912), np.float32(0.3498), np.float32(0.8712), np.float32(0.0), np.float32(0.4992), np.float32(0.4132), np.float32(0.9297), np.float32(0.9203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7826), np.float32(0.8201), np.float32(0.0), np.float32(0.7857), np.float32(0.9491), np.float32(0.9509), np.float32(0.7821), np.float32(0.8188), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:14:02.631214: Epoch time: 120.16 s +2026-02-22 11:14:03.703931: +2026-02-22 11:14:03.722941: Epoch 695 +2026-02-22 11:14:03.726441: Current learning rate: 0.00343 +2026-02-22 11:16:03.127269: train_loss -0.0749 +2026-02-22 11:16:03.323451: val_loss -0.0777 +2026-02-22 11:16:03.328960: Pseudo dice [np.float32(0.9118), np.float32(0.9501), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8815), np.float32(nan), np.float32(0.94), np.float32(nan), np.float32(0.9518), np.float32(0.6386), np.float32(0.8873), np.float32(nan), np.float32(0.8776), np.float32(0.7646), np.float32(0.8578), np.float32(0.7553), np.float32(0.7256), np.float32(0.8897), np.float32(0.9346), np.float32(0.8975), np.float32(0.8103), np.float32(0.815), np.float32(0.8128), np.float32(0.144), np.float32(0.231), np.float32(0.8883), np.float32(0.0195), np.float32(0.0006), np.float32(0.9385), np.float32(0.2711), np.float32(0.8151), np.float32(0.0015), np.float32(0.4741), np.float32(0.4371), np.float32(0.9256), np.float32(0.8964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7144), np.float32(0.0), np.float32(0.3937), np.float32(0.2291), np.float32(0.7058), np.float32(0.6011), np.float32(0.8135), np.float32(0.8074), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:16:03.334181: Epoch time: 119.43 s +2026-02-22 11:16:04.790085: +2026-02-22 11:16:04.802106: Epoch 696 +2026-02-22 11:16:04.807554: Current learning rate: 0.00342 +2026-02-22 11:18:09.629452: train_loss -0.0772 +2026-02-22 11:18:09.641081: val_loss -0.0759 +2026-02-22 11:18:09.642264: Pseudo dice [np.float32(0.9567), np.float32(0.9388), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.887), np.float32(nan), np.float32(0.9411), np.float32(nan), np.float32(0.8333), np.float32(0.0863), np.float32(0.8621), np.float32(0.0), np.float32(0.8704), np.float32(0.0607), np.float32(0.8445), np.float32(0.6678), np.float32(0.6833), np.float32(0.8963), np.float32(0.9374), np.float32(0.9124), np.float32(0.7673), np.float32(0.8168), np.float32(0.0046), np.float32(0.4394), np.float32(0.0169), np.float32(0.851), np.float32(0.0), np.float32(0.0124), np.float32(0.8993), np.float32(0.1088), np.float32(0.8473), np.float32(0.0703), np.float32(0.4933), np.float32(0.4486), np.float32(0.8974), np.float32(0.9085), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7487), np.float32(0.3645), np.float32(0.3101), np.float32(0.0318), np.float32(0.855), np.float32(0.8619), np.float32(0.783), np.float32(0.8203), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:18:09.643411: Epoch time: 124.84 s +2026-02-22 11:18:10.843079: +2026-02-22 11:18:10.857062: Epoch 697 +2026-02-22 11:18:10.858011: Current learning rate: 0.00341 +2026-02-22 11:20:20.137318: train_loss -0.0907 +2026-02-22 11:20:20.227000: val_loss -0.1192 +2026-02-22 11:20:20.230135: Pseudo dice [np.float32(0.9665), np.float32(0.9623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8938), np.float32(nan), np.float32(0.9596), np.float32(nan), np.float32(0.9197), np.float32(0.5221), np.float32(0.8907), np.float32(nan), np.float32(0.9062), np.float32(0.595), np.float32(0.8685), np.float32(0.1813), np.float32(0.7026), np.float32(0.9179), np.float32(0.9339), np.float32(0.9293), np.float32(0.7892), np.float32(0.8293), np.float32(0.2489), np.float32(0.6339), np.float32(0.0), np.float32(0.8337), np.float32(0.0566), np.float32(0.2156), np.float32(0.9152), np.float32(0.3756), np.float32(0.859), np.float32(0.6677), np.float32(0.5049), np.float32(0.4785), np.float32(0.9115), np.float32(0.9233), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6852), np.float32(0.1007), np.float32(0.1271), np.float32(0.2313), np.float32(0.9011), np.float32(0.8411), np.float32(0.7998), np.float32(0.825), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:20:20.233142: Epoch time: 129.3 s +2026-02-22 11:20:21.492821: +2026-02-22 11:20:21.506891: Epoch 698 +2026-02-22 11:20:21.507696: Current learning rate: 0.0034 +2026-02-22 11:22:29.594018: train_loss -0.0868 +2026-02-22 11:22:29.657853: val_loss -0.1112 +2026-02-22 11:22:29.664511: Pseudo dice [np.float32(0.9691), np.float32(0.9691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8914), np.float32(nan), np.float32(0.9616), np.float32(nan), np.float32(0.9236), np.float32(0.7258), np.float32(0.8759), np.float32(nan), np.float32(0.9075), np.float32(0.4935), np.float32(0.8558), np.float32(0.6624), np.float32(0.7331), np.float32(0.8947), np.float32(0.9452), np.float32(0.9236), np.float32(0.8122), np.float32(0.8209), np.float32(0.9078), np.float32(0.4272), np.float32(0.7749), np.float32(0.8421), np.float32(0.2033), np.float32(0.455), np.float32(0.904), np.float32(0.5946), np.float32(0.8397), np.float32(0.6762), np.float32(0.51), np.float32(0.4307), np.float32(0.9089), np.float32(0.8776), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8428), np.float32(0.0072), np.float32(0.0147), np.float32(0.0712), np.float32(0.9428), np.float32(0.9596), np.float32(0.8198), np.float32(0.8479), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:22:29.668774: Epoch time: 128.1 s +2026-02-22 11:22:30.986597: +2026-02-22 11:22:30.990682: Epoch 699 +2026-02-22 11:22:30.991993: Current learning rate: 0.00339 +2026-02-22 11:24:18.484875: train_loss -0.0881 +2026-02-22 11:24:18.497965: val_loss -0.0982 +2026-02-22 11:24:18.498985: Pseudo dice [np.float32(0.9496), np.float32(0.9567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8793), np.float32(nan), np.float32(0.9516), np.float32(nan), np.float32(0.908), np.float32(0.7479), np.float32(0.8936), np.float32(nan), np.float32(0.8964), np.float32(0.4672), np.float32(0.8199), np.float32(0.4054), np.float32(0.7528), np.float32(0.9006), np.float32(0.9233), np.float32(0.898), np.float32(0.7783), np.float32(0.7997), np.float32(0.1728), np.float32(0.641), np.float32(0.0865), np.float32(0.8051), np.float32(0.0781), np.float32(0.1539), np.float32(0.9464), np.float32(0.6117), np.float32(0.8342), np.float32(0.6193), np.float32(0.4212), np.float32(0.3454), np.float32(0.8786), np.float32(0.8881), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8332), np.float32(0.0), np.float32(0.9193), np.float32(0.482), np.float32(0.8697), np.float32(0.8893), np.float32(0.791), np.float32(0.8196), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:24:18.503004: Epoch time: 107.44 s +2026-02-22 11:24:20.956460: +2026-02-22 11:24:20.961872: Epoch 700 +2026-02-22 11:24:20.967514: Current learning rate: 0.00338 +2026-02-22 11:26:34.160907: train_loss -0.0866 +2026-02-22 11:26:34.191377: val_loss -0.1015 +2026-02-22 11:26:34.198431: Pseudo dice [np.float32(0.9419), np.float32(0.9392), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.882), np.float32(nan), np.float32(0.9645), np.float32(nan), np.float32(0.8991), np.float32(0.3866), np.float32(0.8962), np.float32(nan), np.float32(0.9075), np.float32(0.2615), np.float32(0.8855), np.float32(0.8014), np.float32(0.7064), np.float32(0.895), np.float32(0.9302), np.float32(0.9288), np.float32(0.7898), np.float32(0.8342), np.float32(0.1494), np.float32(0.592), np.float32(0.3468), np.float32(0.8304), np.float32(0.4322), np.float32(0.2927), np.float32(0.9397), np.float32(0.5708), np.float32(0.8641), np.float32(0.526), np.float32(0.539), np.float32(0.4869), np.float32(0.9097), np.float32(0.9233), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7717), np.float32(0.6495), np.float32(0.6859), np.float32(0.7179), np.float32(0.88), np.float32(0.9243), np.float32(0.8269), np.float32(0.8379), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:26:34.202468: Epoch time: 133.21 s +2026-02-22 11:26:35.551449: +2026-02-22 11:26:35.567706: Epoch 701 +2026-02-22 11:26:35.572973: Current learning rate: 0.00337 +2026-02-22 11:28:33.381155: train_loss -0.0994 +2026-02-22 11:28:33.411154: val_loss -0.1135 +2026-02-22 11:28:33.412227: Pseudo dice [np.float32(0.9644), np.float32(0.9615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8658), np.float32(nan), np.float32(0.958), np.float32(nan), np.float32(0.9486), np.float32(0.3253), np.float32(0.8904), np.float32(nan), np.float32(0.8974), np.float32(0.5753), np.float32(0.8645), np.float32(0.5688), np.float32(0.6906), np.float32(0.8929), np.float32(0.9414), np.float32(0.9166), np.float32(0.8135), np.float32(0.8152), np.float32(0.7447), np.float32(0.6568), np.float32(0.2611), np.float32(0.8695), np.float32(0.0627), np.float32(0.2047), np.float32(0.9254), np.float32(0.453), np.float32(0.8506), np.float32(0.6217), np.float32(0.4396), np.float32(0.4002), np.float32(0.9623), np.float32(0.953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7626), np.float32(0.0006), np.float32(0.811), np.float32(0.737), np.float32(0.7995), np.float32(0.744), np.float32(0.7817), np.float32(0.8259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:28:33.416311: Epoch time: 117.83 s +2026-02-22 11:28:34.748486: +2026-02-22 11:28:34.751672: Epoch 702 +2026-02-22 11:28:34.752494: Current learning rate: 0.00336 +2026-02-22 11:30:41.377231: train_loss -0.0919 +2026-02-22 11:30:41.399033: val_loss -0.0967 +2026-02-22 11:30:41.404436: Pseudo dice [np.float32(0.955), np.float32(0.937), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.9668), np.float32(nan), np.float32(0.7833), np.float32(0.025), np.float32(0.8661), np.float32(nan), np.float32(0.9051), np.float32(0.2255), np.float32(0.8433), np.float32(0.6126), np.float32(0.7081), np.float32(0.8828), np.float32(0.943), np.float32(0.925), np.float32(0.7522), np.float32(0.7942), np.float32(0.0875), np.float32(0.6414), np.float32(0.5735), np.float32(0.8219), np.float32(0.0634), np.float32(0.3428), np.float32(0.9118), np.float32(0.369), np.float32(0.856), np.float32(0.0721), np.float32(0.5327), np.float32(0.4106), np.float32(0.8014), np.float32(0.846), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8012), np.float32(0.0172), np.float32(0.1624), np.float32(0.4055), np.float32(0.8848), np.float32(0.8887), np.float32(0.8208), np.float32(0.8522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:30:41.405684: Epoch time: 126.63 s +2026-02-22 11:30:42.812585: +2026-02-22 11:30:42.824422: Epoch 703 +2026-02-22 11:30:42.840677: Current learning rate: 0.00335 +2026-02-22 11:32:54.843253: train_loss -0.0963 +2026-02-22 11:32:54.888010: val_loss -0.1132 +2026-02-22 11:32:54.895337: Pseudo dice [np.float32(0.9457), np.float32(0.9689), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8861), np.float32(nan), np.float32(0.9569), np.float32(nan), np.float32(0.9527), np.float32(0.7533), np.float32(0.8756), np.float32(nan), np.float32(0.9034), np.float32(0.6943), np.float32(0.8396), np.float32(0.4948), np.float32(0.6955), np.float32(0.8718), np.float32(0.937), np.float32(0.9173), np.float32(0.793), np.float32(0.8016), np.float32(0.1557), np.float32(0.2881), np.float32(0.3457), np.float32(0.7968), np.float32(0.0034), np.float32(0.0146), np.float32(0.961), np.float32(0.2085), np.float32(0.8058), np.float32(0.4665), np.float32(0.5898), np.float32(0.5077), np.float32(0.9469), np.float32(0.9686), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8385), np.float32(0.0027), np.float32(0.6963), np.float32(0.2648), np.float32(0.9682), np.float32(0.9557), np.float32(0.8046), np.float32(0.8133), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:32:54.906272: Epoch time: 132.03 s +2026-02-22 11:32:56.484057: +2026-02-22 11:32:56.499591: Epoch 704 +2026-02-22 11:32:56.500420: Current learning rate: 0.00334 +2026-02-22 11:35:00.681891: train_loss -0.0768 +2026-02-22 11:35:00.697805: val_loss -0.0891 +2026-02-22 11:35:00.701617: Pseudo dice [np.float32(0.9484), np.float32(0.9066), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8794), np.float32(nan), np.float32(0.9575), np.float32(nan), np.float32(0.8672), np.float32(0.2727), np.float32(0.8466), np.float32(nan), np.float32(0.9101), np.float32(0.4936), np.float32(0.8393), np.float32(0.3878), np.float32(0.6363), np.float32(0.8528), np.float32(0.913), np.float32(0.9158), np.float32(0.736), np.float32(0.6974), np.float32(0.5395), np.float32(0.6282), np.float32(0.3923), np.float32(0.8533), np.float32(0.1962), np.float32(0.1378), np.float32(0.8885), np.float32(0.5219), np.float32(0.8334), np.float32(0.5037), np.float32(0.5195), np.float32(0.5012), np.float32(0.8681), np.float32(0.9152), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7034), np.float32(0.5937), np.float32(0.5472), np.float32(0.0092), np.float32(0.9488), np.float32(0.9615), np.float32(0.763), np.float32(0.8298), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:35:00.703473: Epoch time: 124.2 s +2026-02-22 11:35:01.815030: +2026-02-22 11:35:01.818832: Epoch 705 +2026-02-22 11:35:01.819659: Current learning rate: 0.00333 +2026-02-22 11:37:11.702284: train_loss -0.0746 +2026-02-22 11:37:11.726062: val_loss -0.0874 +2026-02-22 11:37:11.730571: Pseudo dice [np.float32(0.9205), np.float32(0.9174), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8741), np.float32(nan), np.float32(0.9397), np.float32(nan), np.float32(0.8554), np.float32(0.0069), np.float32(0.8759), np.float32(nan), np.float32(0.9082), np.float32(0.5747), np.float32(0.8501), np.float32(0.565), np.float32(0.6614), np.float32(0.8932), np.float32(0.9357), np.float32(0.9111), np.float32(0.7918), np.float32(0.7918), np.float32(0.2253), np.float32(0.62), np.float32(0.3545), np.float32(0.8199), np.float32(0.3185), np.float32(0.0004), np.float32(0.9429), np.float32(0.3563), np.float32(0.8402), np.float32(0.571), np.float32(0.4141), np.float32(0.3631), np.float32(0.8581), np.float32(0.8941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7529), np.float32(0.6563), np.float32(0.6043), np.float32(0.6355), np.float32(0.8691), np.float32(0.8883), np.float32(0.7931), np.float32(0.8116), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:37:11.734541: Epoch time: 129.89 s +2026-02-22 11:37:14.956985: +2026-02-22 11:37:14.976091: Epoch 706 +2026-02-22 11:37:14.976892: Current learning rate: 0.00332 +2026-02-22 11:39:14.989839: train_loss -0.1035 +2026-02-22 11:39:15.016503: val_loss -0.1122 +2026-02-22 11:39:15.019006: Pseudo dice [np.float32(0.9501), np.float32(0.9492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8968), np.float32(nan), np.float32(0.9539), np.float32(nan), np.float32(0.9221), np.float32(0.7186), np.float32(0.8938), np.float32(0.0), np.float32(0.9147), np.float32(0.5507), np.float32(0.88), np.float32(0.0), np.float32(0.7093), np.float32(0.9089), np.float32(0.9468), np.float32(0.9073), np.float32(0.8185), np.float32(0.8152), np.float32(0.2727), np.float32(0.6139), np.float32(0.3716), np.float32(0.908), np.float32(0.0807), np.float32(0.0178), np.float32(0.9234), np.float32(0.4613), np.float32(0.8556), np.float32(0.3852), np.float32(0.4938), np.float32(0.4148), np.float32(0.9222), np.float32(0.9259), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7515), np.float32(0.0), np.float32(0.6597), np.float32(0.4422), np.float32(0.5979), np.float32(0.7332), np.float32(0.8185), np.float32(0.8438), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:39:15.020494: Epoch time: 120.04 s +2026-02-22 11:39:16.085463: +2026-02-22 11:39:16.102329: Epoch 707 +2026-02-22 11:39:16.109590: Current learning rate: 0.00331 +2026-02-22 11:41:14.503352: train_loss -0.1031 +2026-02-22 11:41:14.512001: val_loss -0.0972 +2026-02-22 11:41:14.513513: Pseudo dice [np.float32(0.9469), np.float32(0.9568), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8838), np.float32(nan), np.float32(0.929), np.float32(nan), np.float32(0.9325), np.float32(0.0013), np.float32(0.8901), np.float32(nan), np.float32(0.9117), np.float32(0.5498), np.float32(0.8519), np.float32(0.5079), np.float32(0.6996), np.float32(0.8952), np.float32(0.9463), np.float32(0.9155), np.float32(0.7736), np.float32(0.803), np.float32(0.5096), np.float32(0.3854), np.float32(0.7451), np.float32(0.7753), np.float32(0.1507), np.float32(0.1066), np.float32(0.9467), np.float32(0.1559), np.float32(0.8334), np.float32(0.4216), np.float32(0.5146), np.float32(0.4712), np.float32(0.878), np.float32(0.8971), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7286), np.float32(0.0593), np.float32(0.0), np.float32(0.0), np.float32(0.9036), np.float32(0.7923), np.float32(0.8272), np.float32(0.8473), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:41:14.518938: Epoch time: 118.42 s +2026-02-22 11:41:15.765013: +2026-02-22 11:41:15.777669: Epoch 708 +2026-02-22 11:41:15.778475: Current learning rate: 0.0033 +2026-02-22 11:43:26.048051: train_loss -0.0975 +2026-02-22 11:43:26.104114: val_loss -0.1059 +2026-02-22 11:43:26.105717: Pseudo dice [np.float32(0.9511), np.float32(0.9503), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8887), np.float32(nan), np.float32(0.9553), np.float32(nan), np.float32(0.9049), np.float32(0.1935), np.float32(0.8936), np.float32(nan), np.float32(0.8766), np.float32(0.3794), np.float32(0.8554), np.float32(0.6313), np.float32(0.726), np.float32(0.8941), np.float32(0.9424), np.float32(0.8981), np.float32(0.7754), np.float32(0.8134), np.float32(0.2029), np.float32(0.6917), np.float32(0.0), np.float32(0.8548), np.float32(0.0818), np.float32(0.028), np.float32(0.909), np.float32(0.483), np.float32(0.8114), np.float32(0.4949), np.float32(0.4682), np.float32(0.4308), np.float32(0.8603), np.float32(0.9038), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8417), np.float32(0.0), np.float32(0.8838), np.float32(0.1825), np.float32(0.8963), np.float32(0.9114), np.float32(0.8227), np.float32(0.8477), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:43:26.144254: Epoch time: 130.28 s +2026-02-22 11:43:27.154128: +2026-02-22 11:43:27.161285: Epoch 709 +2026-02-22 11:43:27.162102: Current learning rate: 0.00329 +2026-02-22 11:45:29.075191: train_loss -0.1001 +2026-02-22 11:45:29.102434: val_loss -0.1233 +2026-02-22 11:45:29.105368: Pseudo dice [np.float32(0.9664), np.float32(0.9475), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8878), np.float32(nan), np.float32(0.9693), np.float32(nan), np.float32(0.9597), np.float32(0.0), np.float32(0.8854), np.float32(nan), np.float32(0.9129), np.float32(0.1116), np.float32(0.8767), np.float32(0.6325), np.float32(0.7511), np.float32(0.892), np.float32(0.9404), np.float32(0.9114), np.float32(0.7992), np.float32(0.8105), np.float32(0.6057), np.float32(0.5246), np.float32(0.7458), np.float32(0.8978), np.float32(0.1082), np.float32(0.1609), np.float32(0.9143), np.float32(0.4955), np.float32(0.8772), np.float32(0.2925), np.float32(0.5605), np.float32(0.4384), np.float32(0.9338), np.float32(0.9364), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8272), np.float32(0.0002), np.float32(0.8161), np.float32(0.4868), np.float32(0.8089), np.float32(0.844), np.float32(0.8214), np.float32(0.8508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:45:29.107192: Epoch time: 121.92 s +2026-02-22 11:45:30.782779: +2026-02-22 11:45:30.786045: Epoch 710 +2026-02-22 11:45:30.786862: Current learning rate: 0.00328 +2026-02-22 11:47:35.926860: train_loss -0.0979 +2026-02-22 11:47:35.950371: val_loss -0.1084 +2026-02-22 11:47:35.964079: Pseudo dice [np.float32(0.9492), np.float32(0.9594), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8875), np.float32(nan), np.float32(0.9597), np.float32(nan), np.float32(0.9398), np.float32(0.5632), np.float32(0.8855), np.float32(nan), np.float32(0.861), np.float32(0.3799), np.float32(0.8388), np.float32(0.6964), np.float32(0.6788), np.float32(0.9094), np.float32(0.9418), np.float32(0.9178), np.float32(0.8038), np.float32(0.8265), np.float32(0.0127), np.float32(0.5753), np.float32(0.1124), np.float32(0.7865), np.float32(0.0613), np.float32(0.454), np.float32(0.938), np.float32(0.5702), np.float32(0.8328), np.float32(0.2089), np.float32(0.5271), np.float32(0.4244), np.float32(0.9469), np.float32(0.9403), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7356), np.float32(0.0012), np.float32(0.7416), np.float32(0.6129), np.float32(0.919), np.float32(0.884), np.float32(0.7894), np.float32(0.8334), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:47:35.965083: Epoch time: 125.15 s +2026-02-22 11:47:37.115590: +2026-02-22 11:47:37.122402: Epoch 711 +2026-02-22 11:47:37.123214: Current learning rate: 0.00327 +2026-02-22 11:49:36.973362: train_loss -0.0902 +2026-02-22 11:49:37.135398: val_loss -0.1126 +2026-02-22 11:49:37.139999: Pseudo dice [np.float32(0.9602), np.float32(0.9596), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8728), np.float32(nan), np.float32(0.9584), np.float32(nan), np.float32(0.9616), np.float32(0.4162), np.float32(0.8964), np.float32(nan), np.float32(0.8851), np.float32(0.4373), np.float32(0.8609), np.float32(0.5742), np.float32(0.6518), np.float32(0.8958), np.float32(0.9392), np.float32(0.9189), np.float32(0.7321), np.float32(0.7844), np.float32(0.1241), np.float32(0.4774), np.float32(0.6318), np.float32(0.798), np.float32(0.1895), np.float32(0.392), np.float32(0.9222), np.float32(0.321), np.float32(0.843), np.float32(0.1904), np.float32(0.5085), np.float32(0.4736), np.float32(0.9295), np.float32(0.914), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.82), np.float32(0.0012), np.float32(0.7891), np.float32(0.3276), np.float32(0.9217), np.float32(0.9243), np.float32(0.8248), np.float32(0.8241), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:49:37.211402: Epoch time: 119.86 s +2026-02-22 11:49:39.033232: +2026-02-22 11:49:39.042376: Epoch 712 +2026-02-22 11:49:39.056510: Current learning rate: 0.00326 +2026-02-22 11:51:45.002075: train_loss -0.0658 +2026-02-22 11:51:45.017810: val_loss -0.1078 +2026-02-22 11:51:45.019546: Pseudo dice [np.float32(0.9625), np.float32(0.9404), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.9578), np.float32(nan), np.float32(0.896), np.float32(0.3947), np.float32(0.8784), np.float32(nan), np.float32(0.9059), np.float32(0.3244), np.float32(0.8407), np.float32(0.4062), np.float32(0.6392), np.float32(0.8815), np.float32(0.9332), np.float32(0.9116), np.float32(0.7984), np.float32(0.8049), np.float32(0.7674), np.float32(0.5253), np.float32(0.4827), np.float32(0.8519), np.float32(0.3672), np.float32(0.3172), np.float32(0.9133), np.float32(0.5116), np.float32(0.8366), np.float32(0.5112), np.float32(0.5076), np.float32(0.5151), np.float32(0.9113), np.float32(0.8868), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7681), np.float32(0.0787), np.float32(0.5268), np.float32(0.7269), np.float32(0.8004), np.float32(0.8043), np.float32(0.8168), np.float32(0.8483), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:51:45.020295: Epoch time: 125.97 s +2026-02-22 11:51:46.284496: +2026-02-22 11:51:46.288964: Epoch 713 +2026-02-22 11:51:46.289776: Current learning rate: 0.00325 +2026-02-22 11:53:46.931850: train_loss -0.0853 +2026-02-22 11:53:46.960417: val_loss -0.0966 +2026-02-22 11:53:46.962972: Pseudo dice [np.float32(0.9153), np.float32(0.9177), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8739), np.float32(nan), np.float32(0.9382), np.float32(nan), np.float32(0.93), np.float32(0.0099), np.float32(0.884), np.float32(nan), np.float32(0.896), np.float32(0.6935), np.float32(0.7938), np.float32(0.6598), np.float32(0.671), np.float32(0.8752), np.float32(0.935), np.float32(0.8846), np.float32(0.7976), np.float32(0.7978), np.float32(0.8137), np.float32(0.7555), np.float32(0.0), np.float32(0.7657), np.float32(0.017), np.float32(1e-04), np.float32(0.9202), np.float32(0.5992), np.float32(0.8194), np.float32(0.0013), np.float32(0.524), np.float32(0.5115), np.float32(0.8918), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8472), np.float32(0.8776), np.float32(0.8019), np.float32(0.7496), np.float32(0.8281), np.float32(0.8498), np.float32(0.7952), np.float32(0.8428), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:53:46.967878: Epoch time: 120.65 s +2026-02-22 11:53:48.899780: +2026-02-22 11:53:48.904151: Epoch 714 +2026-02-22 11:53:48.905257: Current learning rate: 0.00324 +2026-02-22 11:55:45.516016: train_loss -0.094 +2026-02-22 11:55:45.541135: val_loss -0.0883 +2026-02-22 11:55:45.547095: Pseudo dice [np.float32(0.9239), np.float32(0.9341), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.875), np.float32(nan), np.float32(0.9404), np.float32(nan), np.float32(0.9268), np.float32(0.2551), np.float32(0.8516), np.float32(nan), np.float32(0.9122), np.float32(0.5826), np.float32(0.8448), np.float32(0.6208), np.float32(0.6707), np.float32(0.8809), np.float32(0.9254), np.float32(0.9054), np.float32(0.7659), np.float32(0.7759), np.float32(0.7028), np.float32(0.3728), np.float32(0.0709), np.float32(0.8283), np.float32(0.3911), np.float32(0.5079), np.float32(0.9355), np.float32(0.1335), np.float32(0.8737), np.float32(0.4533), np.float32(0.5117), np.float32(0.4488), np.float32(0.9639), np.float32(0.9424), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7157), np.float32(0.5257), np.float32(0.5167), np.float32(0.6389), np.float32(0.8482), np.float32(0.8898), np.float32(0.7544), np.float32(0.8077), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:55:45.562465: Epoch time: 116.62 s +2026-02-22 11:55:45.566316: Yayy! New best EMA pseudo Dice: 0.6877999901771545 +2026-02-22 11:55:48.042488: +2026-02-22 11:55:48.044078: Epoch 715 +2026-02-22 11:55:48.045140: Current learning rate: 0.00323 +2026-02-22 11:57:42.218699: train_loss -0.0994 +2026-02-22 11:57:42.276997: val_loss -0.1277 +2026-02-22 11:57:42.284423: Pseudo dice [np.float32(0.9629), np.float32(0.9574), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8883), np.float32(nan), np.float32(0.9613), np.float32(nan), np.float32(0.9438), np.float32(0.7248), np.float32(0.8915), np.float32(nan), np.float32(0.8827), np.float32(0.598), np.float32(0.857), np.float32(0.0062), np.float32(0.6763), np.float32(0.9), np.float32(0.9411), np.float32(0.9193), np.float32(0.7801), np.float32(0.805), np.float32(0.3532), np.float32(0.5445), np.float32(0.5647), np.float32(0.8581), np.float32(0.1377), np.float32(0.004), np.float32(0.9066), np.float32(0.2517), np.float32(0.8525), np.float32(0.2503), np.float32(0.6171), np.float32(0.5391), np.float32(0.9616), np.float32(0.9731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7465), np.float32(0.0019), np.float32(0.8426), np.float32(0.4727), np.float32(0.8534), np.float32(0.8499), np.float32(0.8229), np.float32(0.8487), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:57:42.290254: Epoch time: 114.18 s +2026-02-22 11:57:42.312488: Yayy! New best EMA pseudo Dice: 0.6880999803543091 +2026-02-22 11:57:45.494264: +2026-02-22 11:57:45.509434: Epoch 716 +2026-02-22 11:57:45.511859: Current learning rate: 0.00322 +2026-02-22 11:59:48.759512: train_loss -0.0926 +2026-02-22 11:59:48.775173: val_loss -0.107 +2026-02-22 11:59:48.776420: Pseudo dice [np.float32(0.9612), np.float32(0.9627), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8788), np.float32(nan), np.float32(0.9591), np.float32(nan), np.float32(0.9444), np.float32(0.2152), np.float32(0.8713), np.float32(nan), np.float32(0.8605), np.float32(0.6951), np.float32(0.8586), np.float32(0.647), np.float32(0.706), np.float32(0.8753), np.float32(0.9525), np.float32(0.9242), np.float32(0.7529), np.float32(0.8351), np.float32(0.125), np.float32(0.6686), np.float32(0.0), np.float32(0.863), np.float32(0.4754), np.float32(0.3895), np.float32(0.9353), np.float32(0.5493), np.float32(0.8505), np.float32(0.4802), np.float32(0.4547), np.float32(0.4547), np.float32(0.927), np.float32(0.9504), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7522), np.float32(0.0), np.float32(0.0), np.float32(0.0266), np.float32(0.6188), np.float32(0.7425), np.float32(0.7879), np.float32(0.8192), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 11:59:48.777152: Epoch time: 123.27 s +2026-02-22 11:59:49.945760: +2026-02-22 11:59:49.971378: Epoch 717 +2026-02-22 11:59:49.977233: Current learning rate: 0.00321 +2026-02-22 12:01:57.750741: train_loss -0.0963 +2026-02-22 12:01:57.803119: val_loss -0.0791 +2026-02-22 12:01:57.804143: Pseudo dice [np.float32(0.9517), np.float32(0.9461), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8801), np.float32(nan), np.float32(0.9556), np.float32(nan), np.float32(0.8602), np.float32(0.2448), np.float32(0.8839), np.float32(nan), np.float32(0.897), np.float32(0.6033), np.float32(0.8615), np.float32(0.6273), np.float32(0.7118), np.float32(0.8656), np.float32(0.9395), np.float32(0.9074), np.float32(0.7963), np.float32(0.8039), np.float32(0.1501), np.float32(0.6343), np.float32(0.4687), np.float32(0.8404), np.float32(0.1409), np.float32(0.1411), np.float32(0.9335), np.float32(0.1051), np.float32(0.8737), np.float32(0.0), np.float32(0.4672), np.float32(0.4328), np.float32(0.8855), np.float32(0.8918), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8022), np.float32(0.3241), np.float32(0.1216), np.float32(0.1938), np.float32(0.8913), np.float32(0.8612), np.float32(0.8063), np.float32(0.8347), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:01:57.805158: Epoch time: 127.81 s +2026-02-22 12:01:59.070536: +2026-02-22 12:01:59.078920: Epoch 718 +2026-02-22 12:01:59.079720: Current learning rate: 0.0032 +2026-02-22 12:04:06.558740: train_loss -0.0799 +2026-02-22 12:04:06.618712: val_loss -0.1095 +2026-02-22 12:04:06.624575: Pseudo dice [np.float32(0.95), np.float32(0.9498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.871), np.float32(nan), np.float32(0.949), np.float32(nan), np.float32(0.9365), np.float32(0.8589), np.float32(0.89), np.float32(nan), np.float32(0.9086), np.float32(0.4779), np.float32(0.8653), np.float32(0.503), np.float32(0.7227), np.float32(0.8926), np.float32(0.9486), np.float32(0.913), np.float32(0.7362), np.float32(0.7422), np.float32(0.4204), np.float32(0.5197), np.float32(0.392), np.float32(0.7848), np.float32(0.0569), np.float32(0.0207), np.float32(0.9182), np.float32(0.6088), np.float32(0.8693), np.float32(0.7505), np.float32(0.47), np.float32(0.3408), np.float32(0.9757), np.float32(0.97), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7554), np.float32(0.5925), np.float32(0.3069), np.float32(0.4973), np.float32(0.9556), np.float32(0.9367), np.float32(0.775), np.float32(0.815), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:04:06.625575: Epoch time: 127.49 s +2026-02-22 12:04:07.864588: +2026-02-22 12:04:07.869046: Epoch 719 +2026-02-22 12:04:07.869842: Current learning rate: 0.00319 +2026-02-22 12:06:10.998218: train_loss -0.0797 +2026-02-22 12:06:11.042555: val_loss -0.0765 +2026-02-22 12:06:11.048912: Pseudo dice [np.float32(0.9475), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8583), np.float32(nan), np.float32(0.9425), np.float32(nan), np.float32(0.8994), np.float32(0.1434), np.float32(0.8578), np.float32(nan), np.float32(0.9124), np.float32(0.7316), np.float32(0.8557), np.float32(0.5346), np.float32(0.6333), np.float32(0.8508), np.float32(0.9363), np.float32(0.9121), np.float32(0.747), np.float32(0.7844), np.float32(0.0308), np.float32(0.5975), np.float32(0.2866), np.float32(0.8918), np.float32(0.0991), np.float32(0.1762), np.float32(0.9225), np.float32(0.017), np.float32(0.8534), np.float32(0.3826), np.float32(0.5092), np.float32(0.3922), np.float32(0.8469), np.float32(0.8882), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6591), np.float32(0.0), np.float32(0.6279), np.float32(0.5315), np.float32(0.9514), np.float32(0.9604), np.float32(0.7505), np.float32(0.7965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:06:11.051710: Epoch time: 123.14 s +2026-02-22 12:06:12.343702: +2026-02-22 12:06:12.347262: Epoch 720 +2026-02-22 12:06:12.348088: Current learning rate: 0.00318 +2026-02-22 12:08:01.077791: train_loss -0.083 +2026-02-22 12:08:01.093680: val_loss -0.0863 +2026-02-22 12:08:01.098032: Pseudo dice [np.float32(0.9488), np.float32(0.9514), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8927), np.float32(nan), np.float32(0.9617), np.float32(nan), np.float32(0.92), np.float32(0.0004), np.float32(0.8831), np.float32(nan), np.float32(0.8948), np.float32(0.5971), np.float32(0.8395), np.float32(0.5434), np.float32(0.6861), np.float32(0.8822), np.float32(0.9422), np.float32(0.9233), np.float32(0.7953), np.float32(0.7992), np.float32(0.4506), np.float32(0.5623), np.float32(0.6164), np.float32(0.8056), np.float32(0.0168), np.float32(0.1141), np.float32(0.8868), np.float32(0.4499), np.float32(0.817), np.float32(0.1239), np.float32(0.438), np.float32(0.3761), np.float32(0.8295), np.float32(0.8965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7571), np.float32(0.0), np.float32(0.7653), np.float32(0.6245), np.float32(0.8345), np.float32(0.8768), np.float32(0.8453), np.float32(0.8559), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:08:01.100096: Epoch time: 108.74 s +2026-02-22 12:08:02.338750: +2026-02-22 12:08:02.344897: Epoch 721 +2026-02-22 12:08:02.346168: Current learning rate: 0.00317 +2026-02-22 12:10:16.743200: train_loss -0.092 +2026-02-22 12:10:16.765741: val_loss -0.0908 +2026-02-22 12:10:16.766840: Pseudo dice [np.float32(0.9202), np.float32(0.9522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8986), np.float32(nan), np.float32(0.9327), np.float32(nan), np.float32(0.9344), np.float32(0.4257), np.float32(0.8764), np.float32(nan), np.float32(0.8892), np.float32(0.604), np.float32(0.8727), np.float32(0.7404), np.float32(0.7317), np.float32(0.8847), np.float32(0.9446), np.float32(0.915), np.float32(0.8078), np.float32(0.8341), np.float32(0.8271), np.float32(0.6759), np.float32(0.2547), np.float32(0.8508), np.float32(0.2817), np.float32(0.2812), np.float32(0.9295), np.float32(0.4044), np.float32(0.8045), np.float32(0.451), np.float32(0.4137), np.float32(0.4447), np.float32(0.8483), np.float32(0.854), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6919), np.float32(0.0012), np.float32(0.6838), np.float32(0.3235), np.float32(0.9621), np.float32(0.9582), np.float32(0.8243), np.float32(0.862), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:10:16.767825: Epoch time: 134.41 s +2026-02-22 12:10:18.203189: +2026-02-22 12:10:18.206852: Epoch 722 +2026-02-22 12:10:18.207662: Current learning rate: 0.00316 +2026-02-22 12:12:20.804942: train_loss -0.0746 +2026-02-22 12:12:20.809553: val_loss -0.0661 +2026-02-22 12:12:20.811426: Pseudo dice [np.float32(0.9157), np.float32(0.9427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8663), np.float32(nan), np.float32(0.908), np.float32(nan), np.float32(0.9248), np.float32(0.5206), np.float32(0.8202), np.float32(nan), np.float32(0.8746), np.float32(0.5738), np.float32(0.8101), np.float32(0.6193), np.float32(0.6838), np.float32(0.86), np.float32(0.9052), np.float32(0.8797), np.float32(0.7697), np.float32(0.7859), np.float32(0.1384), np.float32(0.6908), np.float32(0.5635), np.float32(0.8198), np.float32(0.5142), np.float32(0.3232), np.float32(0.9364), np.float32(0.0337), np.float32(0.8008), np.float32(0.5669), np.float32(0.4125), np.float32(0.4294), np.float32(0.9351), np.float32(0.907), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7865), np.float32(0.4715), np.float32(0.3767), np.float32(0.4961), np.float32(0.8747), np.float32(0.6975), np.float32(0.7866), np.float32(0.7981), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:12:20.818882: Epoch time: 122.6 s +2026-02-22 12:12:22.167371: +2026-02-22 12:12:22.171194: Epoch 723 +2026-02-22 12:12:22.173019: Current learning rate: 0.00315 +2026-02-22 12:14:29.200938: train_loss -0.0905 +2026-02-22 12:14:29.288140: val_loss -0.1136 +2026-02-22 12:14:29.294167: Pseudo dice [np.float32(0.9595), np.float32(0.9592), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8849), np.float32(nan), np.float32(0.962), np.float32(nan), np.float32(0.955), np.float32(0.0339), np.float32(0.8674), np.float32(nan), np.float32(0.9067), np.float32(0.5401), np.float32(0.86), np.float32(0.5055), np.float32(0.7143), np.float32(0.8751), np.float32(0.9478), np.float32(0.9265), np.float32(0.8243), np.float32(0.8378), np.float32(0.4747), np.float32(0.5949), np.float32(0.8559), np.float32(0.8423), np.float32(0.3457), np.float32(0.4621), np.float32(0.9217), np.float32(0.0), np.float32(0.7974), np.float32(0.2737), np.float32(0.5891), np.float32(0.4314), np.float32(0.9397), np.float32(0.9343), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8381), np.float32(0.0), np.float32(0.7747), np.float32(0.7236), np.float32(0.7699), np.float32(0.7943), np.float32(0.8294), np.float32(0.8525), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:14:29.301628: Epoch time: 127.04 s +2026-02-22 12:14:29.305978: Yayy! New best EMA pseudo Dice: 0.6881999969482422 +2026-02-22 12:14:32.729532: +2026-02-22 12:14:32.730871: Epoch 724 +2026-02-22 12:14:32.731680: Current learning rate: 0.00314 +2026-02-22 12:16:43.865006: train_loss -0.0908 +2026-02-22 12:16:43.885480: val_loss -0.0906 +2026-02-22 12:16:43.887653: Pseudo dice [np.float32(0.9206), np.float32(0.9363), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8671), np.float32(nan), np.float32(0.9083), np.float32(nan), np.float32(0.9158), np.float32(0.0137), np.float32(0.8665), np.float32(0.0), np.float32(0.8595), np.float32(0.5576), np.float32(0.8519), np.float32(0.7961), np.float32(0.6834), np.float32(0.8944), np.float32(0.9443), np.float32(0.9164), np.float32(0.781), np.float32(0.8035), np.float32(0.3865), np.float32(0.4607), np.float32(0.4557), np.float32(0.813), np.float32(0.2258), np.float32(0.5324), np.float32(0.9429), np.float32(0.3625), np.float32(0.8163), np.float32(0.4418), np.float32(0.5855), np.float32(0.4903), np.float32(0.8846), np.float32(0.9276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7675), np.float32(0.0005), np.float32(0.7135), np.float32(0.6767), np.float32(0.886), np.float32(0.768), np.float32(0.824), np.float32(0.8314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:16:43.888874: Epoch time: 131.14 s +2026-02-22 12:16:45.137990: +2026-02-22 12:16:45.142889: Epoch 725 +2026-02-22 12:16:45.143710: Current learning rate: 0.00313 +2026-02-22 12:18:49.986510: train_loss -0.0993 +2026-02-22 12:18:50.257245: val_loss -0.1101 +2026-02-22 12:18:50.260129: Pseudo dice [np.float32(0.9567), np.float32(0.9464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8846), np.float32(nan), np.float32(0.961), np.float32(nan), np.float32(0.8857), np.float32(0.8561), np.float32(0.8964), np.float32(nan), np.float32(0.8806), np.float32(0.5645), np.float32(0.8638), np.float32(0.1134), np.float32(0.6936), np.float32(0.8834), np.float32(0.9281), np.float32(0.919), np.float32(0.7526), np.float32(0.7929), np.float32(0.3464), np.float32(0.5243), np.float32(0.7058), np.float32(0.8478), np.float32(0.4215), np.float32(0.4796), np.float32(0.958), np.float32(0.0479), np.float32(0.8864), np.float32(0.0071), np.float32(0.4507), np.float32(0.4761), np.float32(0.9527), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7116), np.float32(0.4892), np.float32(0.4053), np.float32(0.0548), np.float32(0.7893), np.float32(0.8106), np.float32(0.8003), np.float32(0.8303), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:18:50.262333: Epoch time: 124.85 s +2026-02-22 12:18:51.706075: +2026-02-22 12:18:51.714919: Epoch 726 +2026-02-22 12:18:51.721599: Current learning rate: 0.00312 +2026-02-22 12:20:55.931842: train_loss -0.0946 +2026-02-22 12:20:55.944227: val_loss -0.1126 +2026-02-22 12:20:55.946036: Pseudo dice [np.float32(0.9601), np.float32(0.9645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8712), np.float32(nan), np.float32(0.9507), np.float32(nan), np.float32(0.8846), np.float32(0.1892), np.float32(0.8834), np.float32(nan), np.float32(0.8977), np.float32(0.492), np.float32(0.855), np.float32(0.6629), np.float32(0.7051), np.float32(0.8848), np.float32(0.9374), np.float32(0.9094), np.float32(0.8007), np.float32(0.8021), np.float32(0.2788), np.float32(0.6419), np.float32(0.4407), np.float32(0.8746), np.float32(0.0514), np.float32(0.1398), np.float32(0.94), np.float32(0.231), np.float32(0.8612), np.float32(0.6657), np.float32(0.5165), np.float32(0.5036), np.float32(0.9328), np.float32(0.9219), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8161), np.float32(0.3495), np.float32(0.5315), np.float32(0.2591), np.float32(0.9199), np.float32(0.9211), np.float32(0.8306), np.float32(0.8561), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:20:55.947088: Epoch time: 124.23 s +2026-02-22 12:20:55.947985: Yayy! New best EMA pseudo Dice: 0.6881999969482422 +2026-02-22 12:20:58.460510: +2026-02-22 12:20:58.461927: Epoch 727 +2026-02-22 12:20:58.462754: Current learning rate: 0.00311 +2026-02-22 12:23:04.752867: train_loss -0.0763 +2026-02-22 12:23:04.834003: val_loss -0.1174 +2026-02-22 12:23:04.838828: Pseudo dice [np.float32(0.9591), np.float32(0.9646), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9639), np.float32(nan), np.float32(0.9433), np.float32(0.1693), np.float32(0.8591), np.float32(0.0), np.float32(0.9022), np.float32(0.5719), np.float32(0.8585), np.float32(0.6519), np.float32(0.6614), np.float32(0.8935), np.float32(0.9413), np.float32(0.9127), np.float32(0.7996), np.float32(0.8037), np.float32(0.636), np.float32(0.5599), np.float32(0.7382), np.float32(0.821), np.float32(0.0346), np.float32(0.067), np.float32(0.9469), np.float32(0.2468), np.float32(0.8713), np.float32(0.0), np.float32(0.5606), np.float32(0.4256), np.float32(0.9574), np.float32(0.9438), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7557), np.float32(0.218), np.float32(0.3563), np.float32(0.1052), np.float32(0.9341), np.float32(0.9326), np.float32(0.8336), np.float32(0.8463), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:23:04.917801: Epoch time: 126.29 s +2026-02-22 12:23:06.320975: +2026-02-22 12:23:06.326040: Epoch 728 +2026-02-22 12:23:06.326839: Current learning rate: 0.0031 +2026-02-22 12:25:15.872329: train_loss -0.0793 +2026-02-22 12:25:15.876601: val_loss -0.1002 +2026-02-22 12:25:15.877913: Pseudo dice [np.float32(0.9275), np.float32(0.9355), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8637), np.float32(nan), np.float32(0.9464), np.float32(nan), np.float32(0.9387), np.float32(0.3661), np.float32(0.8686), np.float32(nan), np.float32(0.8746), np.float32(0.4892), np.float32(0.8506), np.float32(0.5956), np.float32(0.6946), np.float32(0.8683), np.float32(0.9322), np.float32(0.9145), np.float32(0.7702), np.float32(0.7841), np.float32(0.3004), np.float32(0.359), np.float32(0.2259), np.float32(0.8411), np.float32(0.0401), np.float32(0.1941), np.float32(0.9303), np.float32(0.1172), np.float32(0.8114), np.float32(0.536), np.float32(0.4508), np.float32(0.5129), np.float32(0.957), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8137), np.float32(0.0277), np.float32(0.4769), np.float32(0.0024), np.float32(0.6045), np.float32(0.8476), np.float32(0.7972), np.float32(0.8349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:25:15.878942: Epoch time: 129.55 s +2026-02-22 12:25:17.244544: +2026-02-22 12:25:17.247854: Epoch 729 +2026-02-22 12:25:17.248656: Current learning rate: 0.00309 +2026-02-22 12:27:24.807691: train_loss -0.0862 +2026-02-22 12:27:24.871866: val_loss -0.1201 +2026-02-22 12:27:24.875878: Pseudo dice [np.float32(0.9731), np.float32(0.9685), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8829), np.float32(nan), np.float32(0.9618), np.float32(nan), np.float32(0.9519), np.float32(0.0005), np.float32(0.8925), np.float32(nan), np.float32(0.9329), np.float32(0.5464), np.float32(0.8745), np.float32(0.5505), np.float32(0.6778), np.float32(0.9044), np.float32(0.9455), np.float32(0.9058), np.float32(0.7661), np.float32(0.8), np.float32(0.0638), np.float32(0.6466), np.float32(0.4338), np.float32(0.8729), np.float32(0.1533), np.float32(0.4623), np.float32(0.903), np.float32(0.5864), np.float32(0.8536), np.float32(0.5283), np.float32(0.4576), np.float32(0.3813), np.float32(0.8685), np.float32(0.9112), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8336), np.float32(0.0), np.float32(0.6381), np.float32(0.4478), np.float32(0.7541), np.float32(0.7274), np.float32(0.8006), np.float32(0.8327), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:27:24.886528: Epoch time: 127.55 s +2026-02-22 12:27:26.228297: +2026-02-22 12:27:26.235194: Epoch 730 +2026-02-22 12:27:26.235995: Current learning rate: 0.00308 +2026-02-22 12:29:28.270691: train_loss -0.0847 +2026-02-22 12:29:28.299644: val_loss -0.0949 +2026-02-22 12:29:28.302115: Pseudo dice [np.float32(0.9503), np.float32(0.948), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8837), np.float32(nan), np.float32(0.9491), np.float32(nan), np.float32(0.9365), np.float32(0.0974), np.float32(0.8672), np.float32(nan), np.float32(0.886), np.float32(0.6138), np.float32(0.8271), np.float32(0.4441), np.float32(0.7158), np.float32(0.8409), np.float32(0.9253), np.float32(0.9057), np.float32(0.7798), np.float32(0.7831), np.float32(0.2412), np.float32(0.3079), np.float32(0.0), np.float32(0.7968), np.float32(0.293), np.float32(0.3521), np.float32(0.9427), np.float32(0.5845), np.float32(0.8523), np.float32(0.6901), np.float32(0.5156), np.float32(0.4696), np.float32(0.9462), np.float32(0.9473), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8246), np.float32(0.0), np.float32(0.1848), np.float32(0.3886), np.float32(0.9498), np.float32(0.9468), np.float32(0.7827), np.float32(0.8154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:29:28.308570: Epoch time: 122.04 s +2026-02-22 12:29:29.555978: +2026-02-22 12:29:29.564112: Epoch 731 +2026-02-22 12:29:29.570499: Current learning rate: 0.00307 +2026-02-22 12:31:26.694510: train_loss -0.0957 +2026-02-22 12:31:26.802155: val_loss -0.1225 +2026-02-22 12:31:26.805878: Pseudo dice [np.float32(0.9671), np.float32(0.9596), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8901), np.float32(nan), np.float32(0.9587), np.float32(nan), np.float32(0.8901), np.float32(0.0094), np.float32(0.886), np.float32(0.0), np.float32(0.8903), np.float32(0.4392), np.float32(0.877), np.float32(0.1158), np.float32(0.6863), np.float32(0.8938), np.float32(0.9452), np.float32(0.9205), np.float32(0.7992), np.float32(0.8109), np.float32(0.1921), np.float32(0.3399), np.float32(0.2471), np.float32(0.8449), np.float32(0.2133), np.float32(0.1184), np.float32(0.9411), np.float32(0.0004), np.float32(0.8578), np.float32(0.4268), np.float32(0.4957), np.float32(0.4644), np.float32(0.9531), np.float32(0.9655), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7882), np.float32(0.0063), np.float32(0.6771), np.float32(0.5213), np.float32(0.8183), np.float32(0.8158), np.float32(0.806), np.float32(0.8348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:31:26.811391: Epoch time: 117.14 s +2026-02-22 12:31:28.278352: +2026-02-22 12:31:28.291811: Epoch 732 +2026-02-22 12:31:28.292618: Current learning rate: 0.00306 +2026-02-22 12:33:42.117539: train_loss -0.089 +2026-02-22 12:33:42.139357: val_loss -0.103 +2026-02-22 12:33:42.148590: Pseudo dice [np.float32(0.9516), np.float32(0.9427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8822), np.float32(nan), np.float32(0.9544), np.float32(nan), np.float32(0.9104), np.float32(0.0), np.float32(0.8907), np.float32(nan), np.float32(0.8871), np.float32(0.5693), np.float32(0.8409), np.float32(0.7525), np.float32(0.7209), np.float32(0.8913), np.float32(0.945), np.float32(0.9095), np.float32(0.8156), np.float32(0.8166), np.float32(0.0154), np.float32(0.3838), np.float32(0.0226), np.float32(0.7871), np.float32(0.1361), np.float32(0.5098), np.float32(0.9295), np.float32(0.2567), np.float32(0.8651), np.float32(0.2093), np.float32(0.5228), np.float32(0.4787), np.float32(0.856), np.float32(0.8856), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7785), np.float32(0.4558), np.float32(0.0274), np.float32(0.3368), np.float32(0.8242), np.float32(0.7613), np.float32(0.8244), np.float32(0.8449), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:33:42.157893: Epoch time: 133.84 s +2026-02-22 12:33:43.458618: +2026-02-22 12:33:43.461927: Epoch 733 +2026-02-22 12:33:43.462742: Current learning rate: 0.00305 +2026-02-22 12:35:57.559863: train_loss -0.0921 +2026-02-22 12:35:57.564985: val_loss -0.1157 +2026-02-22 12:35:57.566276: Pseudo dice [np.float32(0.9702), np.float32(0.9476), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8985), np.float32(nan), np.float32(0.9643), np.float32(nan), np.float32(0.8707), np.float32(0.0328), np.float32(0.8938), np.float32(nan), np.float32(0.931), np.float32(0.5588), np.float32(0.8645), np.float32(0.6018), np.float32(0.726), np.float32(0.9161), np.float32(0.9364), np.float32(0.9268), np.float32(0.7864), np.float32(0.7956), np.float32(0.1452), np.float32(0.1038), np.float32(0.6856), np.float32(0.8741), np.float32(0.0007), np.float32(0.5202), np.float32(0.933), np.float32(0.3707), np.float32(0.8429), np.float32(0.28), np.float32(0.4821), np.float32(0.4062), np.float32(0.8877), np.float32(0.8685), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8052), np.float32(0.0), np.float32(0.4264), np.float32(0.3243), np.float32(0.9528), np.float32(0.9449), np.float32(0.832), np.float32(0.8496), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:35:57.567293: Epoch time: 134.1 s +2026-02-22 12:35:59.098548: +2026-02-22 12:35:59.108588: Epoch 734 +2026-02-22 12:35:59.109401: Current learning rate: 0.00304 +2026-02-22 12:38:06.205119: train_loss -0.0905 +2026-02-22 12:38:06.227466: val_loss -0.1038 +2026-02-22 12:38:06.235158: Pseudo dice [np.float32(0.9159), np.float32(0.9361), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8901), np.float32(nan), np.float32(0.9664), np.float32(nan), np.float32(0.9225), np.float32(0.5422), np.float32(0.8989), np.float32(nan), np.float32(0.9014), np.float32(0.5239), np.float32(0.8576), np.float32(0.5743), np.float32(0.7178), np.float32(0.8949), np.float32(0.9415), np.float32(0.9199), np.float32(0.7851), np.float32(0.7509), np.float32(0.4691), np.float32(0.5623), np.float32(0.4038), np.float32(0.8935), np.float32(0.1432), np.float32(0.147), np.float32(0.9449), np.float32(0.5302), np.float32(0.8284), np.float32(0.5343), np.float32(0.4711), np.float32(0.4767), np.float32(0.9054), np.float32(0.9311), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8017), np.float32(0.5488), np.float32(0.586), np.float32(0.4699), np.float32(0.6626), np.float32(0.7042), np.float32(0.7934), np.float32(0.8372), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:38:06.239497: Epoch time: 127.11 s +2026-02-22 12:38:07.601627: +2026-02-22 12:38:07.613475: Epoch 735 +2026-02-22 12:38:07.615100: Current learning rate: 0.00303 +2026-02-22 12:40:04.008446: train_loss -0.0873 +2026-02-22 12:40:04.031886: val_loss -0.1092 +2026-02-22 12:40:04.033566: Pseudo dice [np.float32(0.9508), np.float32(0.9433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8855), np.float32(nan), np.float32(0.9645), np.float32(nan), np.float32(0.8835), np.float32(0.1366), np.float32(0.8811), np.float32(nan), np.float32(0.8721), np.float32(0.3842), np.float32(0.8516), np.float32(0.7898), np.float32(0.7265), np.float32(0.8947), np.float32(0.9376), np.float32(0.9086), np.float32(0.7805), np.float32(0.7772), np.float32(0.6152), np.float32(0.403), np.float32(0.395), np.float32(0.811), np.float32(0.0148), np.float32(0.0508), np.float32(0.9138), np.float32(0.0366), np.float32(0.806), np.float32(0.4209), np.float32(0.5451), np.float32(0.522), np.float32(0.9057), np.float32(0.9219), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.821), np.float32(0.6369), np.float32(0.7439), np.float32(0.747), np.float32(0.9486), np.float32(0.9479), np.float32(0.8068), np.float32(0.8263), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:40:04.034546: Epoch time: 116.41 s +2026-02-22 12:40:05.923613: +2026-02-22 12:40:05.925334: Epoch 736 +2026-02-22 12:40:05.926155: Current learning rate: 0.00302 +2026-02-22 12:42:11.281326: train_loss -0.1073 +2026-02-22 12:42:11.303432: val_loss -0.1213 +2026-02-22 12:42:11.315706: Pseudo dice [np.float32(0.9601), np.float32(0.9584), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.9529), np.float32(nan), np.float32(0.9333), np.float32(0.1676), np.float32(0.8924), np.float32(nan), np.float32(0.9067), np.float32(0.322), np.float32(0.8598), np.float32(0.5691), np.float32(0.7004), np.float32(0.8914), np.float32(0.9521), np.float32(0.9285), np.float32(0.8017), np.float32(0.8321), np.float32(0.187), np.float32(0.5357), np.float32(0.0695), np.float32(0.8693), np.float32(0.1021), np.float32(0.5773), np.float32(0.9499), np.float32(0.0641), np.float32(0.8785), np.float32(0.78), np.float32(0.5249), np.float32(0.5109), np.float32(0.89), np.float32(0.8979), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6563), np.float32(0.7142), np.float32(0.4072), np.float32(0.3753), np.float32(0.966), np.float32(0.9546), np.float32(0.8364), np.float32(0.8381), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:42:11.316515: Epoch time: 125.36 s +2026-02-22 12:42:12.392346: +2026-02-22 12:42:12.399497: Epoch 737 +2026-02-22 12:42:12.401513: Current learning rate: 0.00301 +2026-02-22 12:44:17.400996: train_loss -0.1053 +2026-02-22 12:44:17.410683: val_loss -0.1335 +2026-02-22 12:44:17.412439: Pseudo dice [np.float32(0.9526), np.float32(0.9581), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8937), np.float32(nan), np.float32(0.9616), np.float32(nan), np.float32(0.9448), np.float32(0.1925), np.float32(0.905), np.float32(nan), np.float32(0.9322), np.float32(0.349), np.float32(0.8531), np.float32(0.5374), np.float32(0.7162), np.float32(0.902), np.float32(0.9463), np.float32(0.9325), np.float32(0.8138), np.float32(0.8271), np.float32(0.6808), np.float32(0.4744), np.float32(0.0), np.float32(0.7841), np.float32(0.1182), np.float32(0.0465), np.float32(0.9221), np.float32(0.6627), np.float32(0.8453), np.float32(0.2449), np.float32(0.4873), np.float32(0.4741), np.float32(0.9649), np.float32(0.9505), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7774), np.float32(0.8171), np.float32(0.0), np.float32(0.0), np.float32(0.8706), np.float32(0.9213), np.float32(0.8228), np.float32(0.8454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:44:17.413161: Epoch time: 125.01 s +2026-02-22 12:44:18.894615: +2026-02-22 12:44:18.899724: Epoch 738 +2026-02-22 12:44:18.900525: Current learning rate: 0.003 +2026-02-22 12:46:16.402125: train_loss -0.1115 +2026-02-22 12:46:16.423521: val_loss -0.096 +2026-02-22 12:46:16.429368: Pseudo dice [np.float32(0.9392), np.float32(0.9448), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9538), np.float32(nan), np.float32(0.9375), np.float32(0.2769), np.float32(0.8867), np.float32(nan), np.float32(0.9057), np.float32(0.5758), np.float32(0.8817), np.float32(0.6602), np.float32(0.7329), np.float32(0.8865), np.float32(0.9534), np.float32(0.9222), np.float32(0.8113), np.float32(0.8194), np.float32(0.0274), np.float32(0.2745), np.float32(0.0), np.float32(0.8888), np.float32(0.0043), np.float32(0.0), np.float32(0.9408), np.float32(0.7213), np.float32(0.812), np.float32(0.0), np.float32(0.5506), np.float32(0.4652), np.float32(0.7383), np.float32(0.7931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8075), np.float32(0.0056), np.float32(0.8115), np.float32(0.6676), np.float32(0.8133), np.float32(0.6837), np.float32(0.8167), np.float32(0.8425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:46:16.435058: Epoch time: 117.51 s +2026-02-22 12:46:17.433464: +2026-02-22 12:46:17.442247: Epoch 739 +2026-02-22 12:46:17.443297: Current learning rate: 0.00299 +2026-02-22 12:48:19.640150: train_loss -0.1129 +2026-02-22 12:48:19.677983: val_loss -0.1162 +2026-02-22 12:48:19.679265: Pseudo dice [np.float32(0.9606), np.float32(0.9489), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.895), np.float32(nan), np.float32(0.9635), np.float32(nan), np.float32(0.9589), np.float32(0.5796), np.float32(0.8829), np.float32(nan), np.float32(0.9139), np.float32(0.6929), np.float32(0.8799), np.float32(0.4985), np.float32(0.7299), np.float32(0.8733), np.float32(0.9441), np.float32(0.9217), np.float32(0.8163), np.float32(0.8163), np.float32(0.9089), np.float32(0.1204), np.float32(0.2407), np.float32(0.8996), np.float32(0.4219), np.float32(0.4479), np.float32(0.9639), np.float32(0.2898), np.float32(0.8165), np.float32(0.6634), np.float32(0.4919), np.float32(0.4581), np.float32(0.8752), np.float32(0.9122), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7844), np.float32(0.8548), np.float32(0.0305), np.float32(0.1108), np.float32(0.8483), np.float32(0.8425), np.float32(0.8064), np.float32(0.831), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:48:19.681217: Epoch time: 122.21 s +2026-02-22 12:48:21.255225: +2026-02-22 12:48:21.259798: Epoch 740 +2026-02-22 12:48:21.260593: Current learning rate: 0.00297 +2026-02-22 12:50:29.703389: train_loss -0.1168 +2026-02-22 12:50:29.728988: val_loss -0.1117 +2026-02-22 12:50:29.731058: Pseudo dice [np.float32(0.9413), np.float32(0.9268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8949), np.float32(nan), np.float32(0.9312), np.float32(nan), np.float32(0.8413), np.float32(0.1929), np.float32(0.8716), np.float32(nan), np.float32(0.9157), np.float32(0.6393), np.float32(0.8772), np.float32(0.7234), np.float32(0.764), np.float32(0.9), np.float32(0.9499), np.float32(0.932), np.float32(0.7772), np.float32(0.8191), np.float32(0.1845), np.float32(0.5779), np.float32(0.077), np.float32(0.8823), np.float32(0.5585), np.float32(0.3066), np.float32(0.905), np.float32(0.4624), np.float32(0.8349), np.float32(0.2717), np.float32(0.4444), np.float32(0.451), np.float32(0.8606), np.float32(0.8326), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8287), np.float32(0.1292), np.float32(0.8149), np.float32(0.135), np.float32(0.908), np.float32(0.8765), np.float32(0.8314), np.float32(0.8506), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:50:29.732062: Epoch time: 128.45 s +2026-02-22 12:50:30.842731: +2026-02-22 12:50:30.848761: Epoch 741 +2026-02-22 12:50:30.849578: Current learning rate: 0.00296 +2026-02-22 12:52:41.928150: train_loss -0.113 +2026-02-22 12:52:41.979818: val_loss -0.0772 +2026-02-22 12:52:41.982700: Pseudo dice [np.float32(0.8758), np.float32(0.9184), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8885), np.float32(nan), np.float32(0.9196), np.float32(nan), np.float32(0.8499), np.float32(0.0241), np.float32(0.8162), np.float32(0.0), np.float32(0.902), np.float32(0.7136), np.float32(0.864), np.float32(0.1131), np.float32(0.7579), np.float32(0.8633), np.float32(0.9359), np.float32(0.9285), np.float32(0.7882), np.float32(0.8123), np.float32(0.5447), np.float32(0.6146), np.float32(0.5184), np.float32(0.9026), np.float32(0.033), np.float32(0.0), np.float32(0.9281), np.float32(0.5916), np.float32(0.8347), np.float32(0.2886), np.float32(0.6385), np.float32(0.5285), np.float32(0.8865), np.float32(0.9036), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7567), np.float32(0.3717), np.float32(0.577), np.float32(0.7063), np.float32(0.8546), np.float32(0.893), np.float32(0.8366), np.float32(0.8335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:52:41.991570: Epoch time: 131.09 s +2026-02-22 12:52:43.389990: +2026-02-22 12:52:43.394027: Epoch 742 +2026-02-22 12:52:43.394820: Current learning rate: 0.00295 +2026-02-22 12:54:44.684295: train_loss -0.1054 +2026-02-22 12:54:44.811544: val_loss -0.0999 +2026-02-22 12:54:44.819203: Pseudo dice [np.float32(0.9274), np.float32(0.9677), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8785), np.float32(nan), np.float32(0.9421), np.float32(nan), np.float32(0.9429), np.float32(0.5393), np.float32(0.8782), np.float32(nan), np.float32(0.8837), np.float32(0.6472), np.float32(0.8672), np.float32(0.2281), np.float32(0.7351), np.float32(0.8995), np.float32(0.9264), np.float32(0.9154), np.float32(0.8065), np.float32(0.8142), np.float32(0.0045), np.float32(0.2535), np.float32(0.0), np.float32(0.8278), np.float32(0.2196), np.float32(0.2524), np.float32(0.9629), np.float32(0.6891), np.float32(0.8379), np.float32(0.5971), np.float32(0.4573), np.float32(0.4421), np.float32(0.9044), np.float32(0.9024), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7871), np.float32(0.0), np.float32(0.5743), np.float32(0.7317), np.float32(0.9503), np.float32(0.9624), np.float32(0.8251), np.float32(0.8568), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:54:44.822688: Epoch time: 121.3 s +2026-02-22 12:54:45.844526: +2026-02-22 12:54:45.848366: Epoch 743 +2026-02-22 12:54:45.849175: Current learning rate: 0.00294 +2026-02-22 12:56:41.924925: train_loss -0.1147 +2026-02-22 12:56:41.950854: val_loss -0.1262 +2026-02-22 12:56:41.952692: Pseudo dice [np.float32(0.9601), np.float32(0.9419), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9058), np.float32(nan), np.float32(0.9719), np.float32(nan), np.float32(0.9116), np.float32(0.0034), np.float32(0.8828), np.float32(nan), np.float32(0.9138), np.float32(0.4709), np.float32(0.8771), np.float32(0.6031), np.float32(0.7062), np.float32(0.8977), np.float32(0.9351), np.float32(0.9179), np.float32(0.8007), np.float32(0.8253), np.float32(0.1399), np.float32(0.542), np.float32(0.4223), np.float32(0.8816), np.float32(0.2662), np.float32(0.2585), np.float32(0.9627), np.float32(0.337), np.float32(0.856), np.float32(0.4352), np.float32(0.5307), np.float32(0.4718), np.float32(0.9313), np.float32(0.9558), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.821), np.float32(0.0), np.float32(0.7297), np.float32(0.6287), np.float32(0.761), np.float32(0.7839), np.float32(0.8072), np.float32(0.8286), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:56:41.953743: Epoch time: 116.08 s +2026-02-22 12:56:43.225622: +2026-02-22 12:56:43.233856: Epoch 744 +2026-02-22 12:56:43.234894: Current learning rate: 0.00293 +2026-02-22 12:58:41.032288: train_loss -0.0871 +2026-02-22 12:58:41.054562: val_loss -0.0842 +2026-02-22 12:58:41.056550: Pseudo dice [np.float32(0.8815), np.float32(0.9066), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8418), np.float32(nan), np.float32(0.8994), np.float32(nan), np.float32(0.9318), np.float32(0.5899), np.float32(0.8721), np.float32(nan), np.float32(0.8942), np.float32(0.5246), np.float32(0.8356), np.float32(0.3772), np.float32(0.6858), np.float32(0.8847), np.float32(0.9356), np.float32(0.8762), np.float32(0.765), np.float32(0.6954), np.float32(0.7608), np.float32(0.6067), np.float32(0.6876), np.float32(0.8043), np.float32(0.2234), np.float32(0.3846), np.float32(0.9355), np.float32(0.6939), np.float32(0.7605), np.float32(0.5319), np.float32(0.4506), np.float32(0.3693), np.float32(0.9281), np.float32(0.9371), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7377), np.float32(0.4629), np.float32(0.8076), np.float32(0.7271), np.float32(0.8879), np.float32(0.8664), np.float32(0.7698), np.float32(0.7678), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 12:58:41.090356: Epoch time: 117.81 s +2026-02-22 12:58:42.140458: +2026-02-22 12:58:42.145781: Epoch 745 +2026-02-22 12:58:42.146586: Current learning rate: 0.00292 +2026-02-22 13:00:43.268404: train_loss -0.0769 +2026-02-22 13:00:43.282739: val_loss -0.0903 +2026-02-22 13:00:43.284551: Pseudo dice [np.float32(0.9094), np.float32(0.9284), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8829), np.float32(nan), np.float32(0.9551), np.float32(nan), np.float32(0.938), np.float32(0.7867), np.float32(0.8533), np.float32(nan), np.float32(0.8922), np.float32(0.5965), np.float32(0.8564), np.float32(0.1831), np.float32(0.6742), np.float32(0.8825), np.float32(0.9405), np.float32(0.9211), np.float32(0.7432), np.float32(0.7671), np.float32(0.3526), np.float32(0.3661), np.float32(0.7384), np.float32(0.8862), np.float32(0.3513), np.float32(0.0761), np.float32(0.9246), np.float32(0.6101), np.float32(0.8581), np.float32(0.0977), np.float32(0.3569), np.float32(0.3723), np.float32(0.8723), np.float32(0.9038), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6744), np.float32(0.6057), np.float32(0.7373), np.float32(0.7988), np.float32(0.7805), np.float32(0.8401), np.float32(0.7485), np.float32(0.8042), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:00:43.288819: Epoch time: 121.13 s +2026-02-22 13:00:43.289751: Yayy! New best EMA pseudo Dice: 0.6894999742507935 +2026-02-22 13:00:45.865759: +2026-02-22 13:00:45.871569: Epoch 746 +2026-02-22 13:00:45.876475: Current learning rate: 0.00291 +2026-02-22 13:02:57.373569: train_loss -0.0989 +2026-02-22 13:02:57.392349: val_loss -0.1073 +2026-02-22 13:02:57.395545: Pseudo dice [np.float32(0.9587), np.float32(0.9561), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8856), np.float32(nan), np.float32(0.962), np.float32(nan), np.float32(0.9292), np.float32(0.742), np.float32(0.911), np.float32(nan), np.float32(0.8545), np.float32(0.4837), np.float32(0.876), np.float32(0.4313), np.float32(0.6687), np.float32(0.9028), np.float32(0.9485), np.float32(0.9181), np.float32(0.7944), np.float32(0.8314), np.float32(0.0364), np.float32(0.2997), np.float32(0.5319), np.float32(0.8907), np.float32(0.1773), np.float32(0.0), np.float32(0.9396), np.float32(0.2622), np.float32(0.822), np.float32(0.5275), np.float32(0.5342), np.float32(0.4174), np.float32(0.8928), np.float32(0.9039), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.802), np.float32(0.0227), np.float32(0.4662), np.float32(0.1332), np.float32(0.9316), np.float32(0.9508), np.float32(0.8291), np.float32(0.8437), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:02:57.398866: Epoch time: 131.51 s +2026-02-22 13:02:58.698375: +2026-02-22 13:02:58.704527: Epoch 747 +2026-02-22 13:02:58.705893: Current learning rate: 0.0029 +2026-02-22 13:05:09.624935: train_loss -0.0932 +2026-02-22 13:05:09.686428: val_loss -0.1147 +2026-02-22 13:05:09.692601: Pseudo dice [np.float32(0.9625), np.float32(0.9639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8986), np.float32(nan), np.float32(0.9634), np.float32(nan), np.float32(0.9369), np.float32(0.1847), np.float32(0.8887), np.float32(nan), np.float32(0.9096), np.float32(0.6548), np.float32(0.8662), np.float32(0.2018), np.float32(0.6457), np.float32(0.9031), np.float32(0.9473), np.float32(0.9195), np.float32(0.8021), np.float32(0.8223), np.float32(0.8048), np.float32(0.5041), np.float32(0.6327), np.float32(0.8132), np.float32(0.2741), np.float32(0.3888), np.float32(0.9116), np.float32(0.5724), np.float32(0.8474), np.float32(0.3652), np.float32(0.4277), np.float32(0.3463), np.float32(0.8656), np.float32(0.8937), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.733), np.float32(0.3018), np.float32(0.6471), np.float32(0.717), np.float32(0.8956), np.float32(0.766), np.float32(0.8296), np.float32(0.8476), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:05:09.697734: Epoch time: 130.93 s +2026-02-22 13:05:09.703633: Yayy! New best EMA pseudo Dice: 0.6905999779701233 +2026-02-22 13:05:12.464460: +2026-02-22 13:05:12.465537: Epoch 748 +2026-02-22 13:05:12.466338: Current learning rate: 0.00289 +2026-02-22 13:07:06.523957: train_loss -0.0994 +2026-02-22 13:07:06.541916: val_loss -0.1082 +2026-02-22 13:07:06.543396: Pseudo dice [np.float32(0.955), np.float32(0.9527), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.896), np.float32(nan), np.float32(0.9645), np.float32(nan), np.float32(0.9582), np.float32(0.6149), np.float32(0.8681), np.float32(0.0), np.float32(0.8883), np.float32(0.5686), np.float32(0.8664), np.float32(0.3051), np.float32(0.7039), np.float32(0.8697), np.float32(0.9459), np.float32(0.9184), np.float32(0.8112), np.float32(0.8245), np.float32(0.1488), np.float32(0.5045), np.float32(0.7464), np.float32(0.8315), np.float32(0.4657), np.float32(0.2115), np.float32(0.9005), np.float32(0.7881), np.float32(0.82), np.float32(0.593), np.float32(0.5557), np.float32(0.4613), np.float32(0.9315), np.float32(0.9125), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.664), np.float32(0.7128), np.float32(0.7907), np.float32(0.3416), np.float32(0.8894), np.float32(0.9434), np.float32(0.8226), np.float32(0.8457), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:07:06.548841: Epoch time: 114.06 s +2026-02-22 13:07:06.553546: Yayy! New best EMA pseudo Dice: 0.6934999823570251 +2026-02-22 13:07:08.915356: +2026-02-22 13:07:08.919667: Epoch 749 +2026-02-22 13:07:08.920831: Current learning rate: 0.00288 +2026-02-22 13:09:13.068063: train_loss -0.0589 +2026-02-22 13:09:13.090436: val_loss -0.0851 +2026-02-22 13:09:13.091454: Pseudo dice [np.float32(0.9267), np.float32(0.9387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8621), np.float32(nan), np.float32(0.9374), np.float32(nan), np.float32(0.945), np.float32(0.0), np.float32(0.8866), np.float32(nan), np.float32(0.8818), np.float32(0.1671), np.float32(0.8466), np.float32(0.0), np.float32(0.7029), np.float32(0.8885), np.float32(0.9093), np.float32(0.8976), np.float32(0.7972), np.float32(0.7829), np.float32(0.0575), np.float32(0.5189), np.float32(0.355), np.float32(0.8036), np.float32(0.0748), np.float32(0.2278), np.float32(0.9202), np.float32(0.1598), np.float32(0.8406), np.float32(0.2878), np.float32(0.4863), np.float32(0.4503), np.float32(0.8409), np.float32(0.8586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8093), np.float32(0.0), np.float32(0.6557), np.float32(0.6532), np.float32(0.7106), np.float32(0.3561), np.float32(0.8226), np.float32(0.8331), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:09:13.092696: Epoch time: 124.16 s +2026-02-22 13:09:17.436488: +2026-02-22 13:09:17.438841: Epoch 750 +2026-02-22 13:09:17.439642: Current learning rate: 0.00287 +2026-02-22 13:11:17.066366: train_loss -0.0831 +2026-02-22 13:11:17.116754: val_loss -0.1159 +2026-02-22 13:11:17.125711: Pseudo dice [np.float32(0.9634), np.float32(0.9581), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8774), np.float32(nan), np.float32(0.9677), np.float32(nan), np.float32(0.9138), np.float32(0.8422), np.float32(0.8746), np.float32(0.0), np.float32(0.8996), np.float32(0.6399), np.float32(0.869), np.float32(0.6681), np.float32(0.7594), np.float32(0.8959), np.float32(0.9486), np.float32(0.923), np.float32(0.8039), np.float32(0.8224), np.float32(0.0338), np.float32(0.6096), np.float32(0.1663), np.float32(0.9003), np.float32(0.1225), np.float32(0.0824), np.float32(0.9605), np.float32(0.2972), np.float32(0.836), np.float32(0.4164), np.float32(0.5722), np.float32(0.4853), np.float32(0.9496), np.float32(0.9182), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7693), np.float32(0.0655), np.float32(0.8292), np.float32(0.6349), np.float32(0.7724), np.float32(0.8013), np.float32(0.8283), np.float32(0.8492), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:11:17.131588: Epoch time: 119.63 s +2026-02-22 13:11:18.626028: +2026-02-22 13:11:18.638435: Epoch 751 +2026-02-22 13:11:18.639443: Current learning rate: 0.00286 +2026-02-22 13:13:25.734096: train_loss -0.1075 +2026-02-22 13:13:25.738529: val_loss -0.0821 +2026-02-22 13:13:25.739915: Pseudo dice [np.float32(0.9652), np.float32(0.9553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8858), np.float32(nan), np.float32(0.9319), np.float32(nan), np.float32(0.8949), np.float32(0.0), np.float32(0.868), np.float32(nan), np.float32(0.8658), np.float32(0.7169), np.float32(0.8658), np.float32(0.7466), np.float32(0.759), np.float32(0.8922), np.float32(0.9278), np.float32(0.903), np.float32(0.7761), np.float32(0.8324), np.float32(0.0085), np.float32(0.4552), np.float32(0.219), np.float32(0.8066), np.float32(0.1843), np.float32(0.2017), np.float32(0.9038), np.float32(0.4895), np.float32(0.8653), np.float32(0.5565), np.float32(0.4218), np.float32(0.4656), np.float32(0.8866), np.float32(0.9092), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.745), np.float32(0.2367), np.float32(0.6952), np.float32(0.5557), np.float32(0.9477), np.float32(0.9422), np.float32(0.7949), np.float32(0.8223), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:13:25.742805: Epoch time: 127.11 s +2026-02-22 13:13:26.932915: +2026-02-22 13:13:26.936258: Epoch 752 +2026-02-22 13:13:26.937079: Current learning rate: 0.00285 +2026-02-22 13:15:20.187845: train_loss -0.0861 +2026-02-22 13:15:20.200930: val_loss -0.0996 +2026-02-22 13:15:20.202035: Pseudo dice [np.float32(0.9619), np.float32(0.9316), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8863), np.float32(nan), np.float32(0.9632), np.float32(nan), np.float32(0.8731), np.float32(0.0895), np.float32(0.88), np.float32(nan), np.float32(0.897), np.float32(0.6258), np.float32(0.8388), np.float32(0.4723), np.float32(0.6448), np.float32(0.8884), np.float32(0.9374), np.float32(0.9135), np.float32(0.7819), np.float32(0.7824), np.float32(0.1026), np.float32(0.2933), np.float32(0.0002), np.float32(0.8561), np.float32(0.0956), np.float32(0.0), np.float32(0.9221), np.float32(0.2927), np.float32(0.8412), np.float32(0.5767), np.float32(0.4029), np.float32(0.3675), np.float32(0.8423), np.float32(0.9013), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6894), np.float32(0.4776), np.float32(0.8471), np.float32(0.6632), np.float32(0.9645), np.float32(0.9356), np.float32(0.8031), np.float32(0.829), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:15:20.203060: Epoch time: 113.26 s +2026-02-22 13:15:21.497467: +2026-02-22 13:15:21.502792: Epoch 753 +2026-02-22 13:15:21.505559: Current learning rate: 0.00284 +2026-02-22 13:17:39.296859: train_loss -0.0934 +2026-02-22 13:17:39.352251: val_loss -0.0842 +2026-02-22 13:17:39.353643: Pseudo dice [np.float32(0.9534), np.float32(0.9456), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8803), np.float32(nan), np.float32(0.9553), np.float32(nan), np.float32(0.9218), np.float32(0.7669), np.float32(0.8687), np.float32(nan), np.float32(0.9077), np.float32(0.4595), np.float32(0.8186), np.float32(0.6538), np.float32(0.6889), np.float32(0.8364), np.float32(0.919), np.float32(0.8992), np.float32(0.7803), np.float32(0.8063), np.float32(0.2027), np.float32(0.6725), np.float32(0.4643), np.float32(0.7548), np.float32(0.3212), np.float32(0.2818), np.float32(0.9327), np.float32(0.3451), np.float32(0.8649), np.float32(0.2791), np.float32(0.5269), np.float32(0.3623), np.float32(0.8979), np.float32(0.8572), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7291), np.float32(0.5236), np.float32(0.8609), np.float32(0.0438), np.float32(0.9516), np.float32(0.9347), np.float32(0.7942), np.float32(0.8247), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:17:39.358911: Epoch time: 137.8 s +2026-02-22 13:17:40.765798: +2026-02-22 13:17:40.769626: Epoch 754 +2026-02-22 13:17:40.770438: Current learning rate: 0.00283 +2026-02-22 13:19:40.346288: train_loss -0.0815 +2026-02-22 13:19:40.375721: val_loss -0.1188 +2026-02-22 13:19:40.377686: Pseudo dice [np.float32(0.9489), np.float32(0.9451), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8851), np.float32(nan), np.float32(0.9626), np.float32(nan), np.float32(0.9569), np.float32(0.7592), np.float32(0.8913), np.float32(nan), np.float32(0.9182), np.float32(0.5586), np.float32(0.8738), np.float32(0.7001), np.float32(0.7447), np.float32(0.8994), np.float32(0.9518), np.float32(0.9178), np.float32(0.7758), np.float32(0.8116), np.float32(0.1489), np.float32(0.6409), np.float32(0.3422), np.float32(0.8642), np.float32(0.3887), np.float32(0.4795), np.float32(0.917), np.float32(0.4745), np.float32(0.8351), np.float32(0.4703), np.float32(0.5359), np.float32(0.4304), np.float32(0.8274), np.float32(0.8991), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7683), np.float32(0.3445), np.float32(0.825), np.float32(0.5003), np.float32(0.8207), np.float32(0.8294), np.float32(0.8123), np.float32(0.8428), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:19:40.442133: Epoch time: 119.58 s +2026-02-22 13:19:41.792629: +2026-02-22 13:19:41.796445: Epoch 755 +2026-02-22 13:19:41.797759: Current learning rate: 0.00282 +2026-02-22 13:21:51.088314: train_loss -0.0869 +2026-02-22 13:21:51.096131: val_loss -0.1004 +2026-02-22 13:21:51.097539: Pseudo dice [np.float32(0.9528), np.float32(0.9506), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8735), np.float32(nan), np.float32(0.9133), np.float32(nan), np.float32(0.8918), np.float32(0.7115), np.float32(0.8924), np.float32(nan), np.float32(0.9124), np.float32(0.5332), np.float32(0.8438), np.float32(0.6249), np.float32(0.6721), np.float32(0.8996), np.float32(0.9102), np.float32(0.8856), np.float32(0.7761), np.float32(0.7673), np.float32(0.2497), np.float32(0.5374), np.float32(0.1069), np.float32(0.9148), np.float32(0.0), np.float32(0.075), np.float32(0.9311), np.float32(0.2224), np.float32(0.8501), np.float32(0.2359), np.float32(0.5182), np.float32(0.4585), np.float32(0.9366), np.float32(0.9216), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7284), np.float32(0.7299), np.float32(0.8005), np.float32(0.634), np.float32(0.895), np.float32(0.8804), np.float32(0.7555), np.float32(0.8107), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:21:51.103080: Epoch time: 129.3 s +2026-02-22 13:21:52.472784: +2026-02-22 13:21:52.494685: Epoch 756 +2026-02-22 13:21:52.503108: Current learning rate: 0.00281 +2026-02-22 13:23:59.131569: train_loss -0.0878 +2026-02-22 13:23:59.146215: val_loss -0.1095 +2026-02-22 13:23:59.147373: Pseudo dice [np.float32(0.9463), np.float32(0.9489), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8903), np.float32(nan), np.float32(0.9557), np.float32(nan), np.float32(0.9104), np.float32(0.3406), np.float32(0.8779), np.float32(nan), np.float32(0.9043), np.float32(0.6092), np.float32(0.8641), np.float32(0.1414), np.float32(0.7131), np.float32(0.8923), np.float32(0.9268), np.float32(0.9175), np.float32(0.8118), np.float32(0.7836), np.float32(0.0283), np.float32(0.4674), np.float32(0.0718), np.float32(0.8796), np.float32(0.2524), np.float32(0.0235), np.float32(0.9501), np.float32(0.0), np.float32(0.8382), np.float32(0.6321), np.float32(0.4409), np.float32(0.4274), np.float32(0.9102), np.float32(0.9451), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7645), np.float32(0.0), np.float32(0.5379), np.float32(0.4379), np.float32(0.9456), np.float32(0.9255), np.float32(0.7899), np.float32(0.8086), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:23:59.148363: Epoch time: 126.66 s +2026-02-22 13:24:00.579129: +2026-02-22 13:24:00.583466: Epoch 757 +2026-02-22 13:24:00.584258: Current learning rate: 0.0028 +2026-02-22 13:26:00.258918: train_loss -0.1079 +2026-02-22 13:26:00.266449: val_loss -0.1131 +2026-02-22 13:26:00.267764: Pseudo dice [np.float32(0.9541), np.float32(0.9463), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8807), np.float32(nan), np.float32(0.961), np.float32(nan), np.float32(0.9347), np.float32(0.1234), np.float32(0.897), np.float32(nan), np.float32(0.9243), np.float32(0.5026), np.float32(0.8731), np.float32(0.7182), np.float32(0.7468), np.float32(0.8751), np.float32(0.9473), np.float32(0.9244), np.float32(0.7956), np.float32(0.8082), np.float32(0.1821), np.float32(0.5357), np.float32(0.5742), np.float32(0.8938), np.float32(0.4526), np.float32(0.502), np.float32(0.9417), np.float32(0.1999), np.float32(0.8194), np.float32(0.4203), np.float32(0.5853), np.float32(0.485), np.float32(0.8917), np.float32(0.8826), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.763), np.float32(0.0123), np.float32(0.6218), np.float32(0.4955), np.float32(0.9416), np.float32(0.9355), np.float32(0.8249), np.float32(0.8314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:26:00.270446: Epoch time: 119.68 s +2026-02-22 13:26:01.817496: +2026-02-22 13:26:01.821136: Epoch 758 +2026-02-22 13:26:01.822428: Current learning rate: 0.00279 +2026-02-22 13:28:02.356936: train_loss -0.103 +2026-02-22 13:28:02.379463: val_loss -0.1089 +2026-02-22 13:28:02.380655: Pseudo dice [np.float32(0.9522), np.float32(0.9518), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8964), np.float32(nan), np.float32(0.9515), np.float32(nan), np.float32(0.8769), np.float32(0.7315), np.float32(0.8888), np.float32(nan), np.float32(0.9124), np.float32(0.8144), np.float32(0.8907), np.float32(0.8362), np.float32(0.7571), np.float32(0.8927), np.float32(0.9438), np.float32(0.9307), np.float32(0.7881), np.float32(0.8291), np.float32(0.4973), np.float32(0.5032), np.float32(0.4778), np.float32(0.8602), np.float32(0.4767), np.float32(0.6973), np.float32(0.8586), np.float32(0.346), np.float32(0.7999), np.float32(0.3147), np.float32(0.5093), np.float32(0.4912), np.float32(0.8887), np.float32(0.8562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8493), np.float32(0.0), np.float32(0.5791), np.float32(0.0), np.float32(0.8061), np.float32(0.7879), np.float32(0.8401), np.float32(0.8538), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:28:02.381832: Epoch time: 120.54 s +2026-02-22 13:28:03.648281: +2026-02-22 13:28:03.652340: Epoch 759 +2026-02-22 13:28:03.653162: Current learning rate: 0.00278 +2026-02-22 13:30:05.928946: train_loss -0.1095 +2026-02-22 13:30:05.932813: val_loss -0.1283 +2026-02-22 13:30:05.933851: Pseudo dice [np.float32(0.9595), np.float32(0.9554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8944), np.float32(nan), np.float32(0.9681), np.float32(nan), np.float32(0.9447), np.float32(0.8479), np.float32(0.9048), np.float32(nan), np.float32(0.9169), np.float32(0.2711), np.float32(0.8731), np.float32(0.0), np.float32(0.7637), np.float32(0.9111), np.float32(0.9465), np.float32(0.9363), np.float32(0.7805), np.float32(0.8148), np.float32(0.0233), np.float32(0.2679), np.float32(0.0), np.float32(0.8197), np.float32(0.5721), np.float32(0.4086), np.float32(0.9403), np.float32(0.0133), np.float32(0.8467), np.float32(0.6577), np.float32(0.5543), np.float32(0.4481), np.float32(0.942), np.float32(0.9388), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8208), np.float32(0.0961), np.float32(0.1332), np.float32(0.5045), np.float32(0.5377), np.float32(0.6599), np.float32(0.8344), np.float32(0.855), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:30:05.934852: Epoch time: 122.28 s +2026-02-22 13:30:07.001684: +2026-02-22 13:30:07.015069: Epoch 760 +2026-02-22 13:30:07.017021: Current learning rate: 0.00277 +2026-02-22 13:32:08.099458: train_loss -0.1148 +2026-02-22 13:32:08.129395: val_loss -0.109 +2026-02-22 13:32:08.136054: Pseudo dice [np.float32(0.9582), np.float32(0.9523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8964), np.float32(nan), np.float32(0.9589), np.float32(nan), np.float32(0.9118), np.float32(0.0), np.float32(0.8608), np.float32(nan), np.float32(0.8861), np.float32(0.6179), np.float32(0.8853), np.float32(0.7559), np.float32(0.7011), np.float32(0.9026), np.float32(0.9075), np.float32(0.8943), np.float32(0.8041), np.float32(0.7992), np.float32(0.0852), np.float32(0.1411), np.float32(0.0855), np.float32(0.8675), np.float32(0.3304), np.float32(0.0882), np.float32(0.8626), np.float32(0.4502), np.float32(0.8722), np.float32(0.2122), np.float32(0.6343), np.float32(0.5131), np.float32(0.9333), np.float32(0.9461), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7229), np.float32(0.211), np.float32(0.8099), np.float32(0.6885), np.float32(0.8276), np.float32(0.7686), np.float32(0.8324), np.float32(0.8552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:32:08.142867: Epoch time: 121.1 s +2026-02-22 13:32:09.504637: +2026-02-22 13:32:09.508324: Epoch 761 +2026-02-22 13:32:09.509371: Current learning rate: 0.00276 +2026-02-22 13:34:26.099700: train_loss -0.0649 +2026-02-22 13:34:26.116298: val_loss -0.1079 +2026-02-22 13:34:26.118075: Pseudo dice [np.float32(0.9317), np.float32(0.9342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8849), np.float32(nan), np.float32(0.9536), np.float32(nan), np.float32(0.9427), np.float32(0.1594), np.float32(0.8757), np.float32(nan), np.float32(0.9293), np.float32(0.4575), np.float32(0.875), np.float32(0.0627), np.float32(0.7109), np.float32(0.8715), np.float32(0.9497), np.float32(0.91), np.float32(0.7899), np.float32(0.7936), np.float32(0.6439), np.float32(0.6551), np.float32(0.5656), np.float32(0.8669), np.float32(0.0647), np.float32(0.346), np.float32(0.94), np.float32(0.389), np.float32(0.8527), np.float32(0.2691), np.float32(0.4023), np.float32(0.3534), np.float32(0.9137), np.float32(0.9185), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7931), np.float32(0.7462), np.float32(0.7884), np.float32(0.7042), np.float32(0.7883), np.float32(0.8154), np.float32(0.8146), np.float32(0.839), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:34:26.119067: Epoch time: 136.6 s +2026-02-22 13:34:27.547742: +2026-02-22 13:34:27.552905: Epoch 762 +2026-02-22 13:34:27.553725: Current learning rate: 0.00275 +2026-02-22 13:36:21.964048: train_loss -0.0878 +2026-02-22 13:36:21.978186: val_loss -0.1075 +2026-02-22 13:36:21.979465: Pseudo dice [np.float32(0.9542), np.float32(0.9517), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8858), np.float32(nan), np.float32(0.9545), np.float32(nan), np.float32(0.9173), np.float32(0.0038), np.float32(0.8637), np.float32(nan), np.float32(0.9031), np.float32(0.2958), np.float32(0.85), np.float32(0.6694), np.float32(0.6937), np.float32(0.8911), np.float32(0.9334), np.float32(0.9077), np.float32(0.7886), np.float32(0.8173), np.float32(0.7246), np.float32(0.5367), np.float32(0.39), np.float32(0.8354), np.float32(0.3655), np.float32(0.4136), np.float32(0.9542), np.float32(0.2295), np.float32(0.8936), np.float32(0.0), np.float32(0.4424), np.float32(0.4703), np.float32(0.8721), np.float32(0.9139), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8076), np.float32(0.378), np.float32(0.6558), np.float32(0.5762), np.float32(0.786), np.float32(0.7681), np.float32(0.8226), np.float32(0.8254), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:36:21.981248: Epoch time: 114.42 s +2026-02-22 13:36:23.465591: +2026-02-22 13:36:23.468917: Epoch 763 +2026-02-22 13:36:23.469731: Current learning rate: 0.00274 +2026-02-22 13:38:27.304309: train_loss -0.0955 +2026-02-22 13:38:27.316473: val_loss -0.1208 +2026-02-22 13:38:27.317802: Pseudo dice [np.float32(0.9608), np.float32(0.9588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8947), np.float32(nan), np.float32(0.9625), np.float32(nan), np.float32(0.955), np.float32(0.2696), np.float32(0.8716), np.float32(nan), np.float32(0.9196), np.float32(0.605), np.float32(0.8718), np.float32(0.5814), np.float32(0.7502), np.float32(0.8933), np.float32(0.9463), np.float32(0.9135), np.float32(0.8168), np.float32(0.8191), np.float32(0.0109), np.float32(0.1462), np.float32(0.1083), np.float32(0.8574), np.float32(0.0969), np.float32(0.3203), np.float32(0.9379), np.float32(0.0), np.float32(0.8145), np.float32(0.3549), np.float32(0.5845), np.float32(0.4709), np.float32(0.9482), np.float32(0.9701), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8214), np.float32(0.0), np.float32(0.3992), np.float32(0.6015), np.float32(0.9582), np.float32(0.9689), np.float32(0.8097), np.float32(0.8453), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:38:27.318920: Epoch time: 123.84 s +2026-02-22 13:38:28.736718: +2026-02-22 13:38:28.782288: Epoch 764 +2026-02-22 13:38:28.788726: Current learning rate: 0.00273 +2026-02-22 13:40:26.499960: train_loss -0.1134 +2026-02-22 13:40:26.540701: val_loss -0.075 +2026-02-22 13:40:26.547556: Pseudo dice [np.float32(0.9439), np.float32(0.948), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8868), np.float32(nan), np.float32(0.9475), np.float32(nan), np.float32(0.9146), np.float32(0.644), np.float32(0.8678), np.float32(nan), np.float32(0.8835), np.float32(0.5139), np.float32(0.851), np.float32(0.2513), np.float32(0.7061), np.float32(0.8824), np.float32(0.943), np.float32(0.906), np.float32(0.8179), np.float32(0.7941), np.float32(0.0052), np.float32(0.5806), np.float32(0.3044), np.float32(0.8311), np.float32(0.3429), np.float32(0.2013), np.float32(0.923), np.float32(0.0255), np.float32(0.8441), np.float32(0.0), np.float32(0.4358), np.float32(0.4714), np.float32(0.858), np.float32(0.8891), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6593), np.float32(0.2813), np.float32(0.6168), np.float32(0.6837), np.float32(0.8025), np.float32(0.7663), np.float32(0.7785), np.float32(0.812), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:40:26.550676: Epoch time: 117.77 s +2026-02-22 13:40:28.384116: +2026-02-22 13:40:28.386392: Epoch 765 +2026-02-22 13:40:28.387425: Current learning rate: 0.00272 +2026-02-22 13:42:38.481413: train_loss -0.101 +2026-02-22 13:42:38.520658: val_loss -0.1143 +2026-02-22 13:42:38.525747: Pseudo dice [np.float32(0.9589), np.float32(0.9635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8949), np.float32(nan), np.float32(0.9622), np.float32(nan), np.float32(0.9581), np.float32(0.515), np.float32(0.8943), np.float32(nan), np.float32(0.903), np.float32(0.7245), np.float32(0.8754), np.float32(0.4118), np.float32(0.747), np.float32(0.8945), np.float32(0.9469), np.float32(0.9272), np.float32(0.8009), np.float32(0.8276), np.float32(0.2518), np.float32(0.5052), np.float32(0.3148), np.float32(0.8993), np.float32(0.0843), np.float32(0.0354), np.float32(0.9408), np.float32(0.4328), np.float32(0.8564), np.float32(0.6776), np.float32(0.5609), np.float32(0.4728), np.float32(0.8928), np.float32(0.9207), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7599), np.float32(0.7691), np.float32(0.8076), np.float32(0.2266), np.float32(0.8327), np.float32(0.8181), np.float32(0.8279), np.float32(0.8584), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:42:38.530904: Epoch time: 130.1 s +2026-02-22 13:42:40.004018: +2026-02-22 13:42:40.011414: Epoch 766 +2026-02-22 13:42:40.012213: Current learning rate: 0.00271 +2026-02-22 13:44:52.902289: train_loss -0.104 +2026-02-22 13:44:52.912700: val_loss -0.1297 +2026-02-22 13:44:52.913762: Pseudo dice [np.float32(0.9533), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8965), np.float32(nan), np.float32(0.963), np.float32(nan), np.float32(0.952), np.float32(0.0077), np.float32(0.9054), np.float32(0.0), np.float32(0.9112), np.float32(0.68), np.float32(0.8612), np.float32(0.7604), np.float32(0.7242), np.float32(0.906), np.float32(0.9291), np.float32(0.9119), np.float32(0.7931), np.float32(0.7913), np.float32(0.1747), np.float32(0.4672), np.float32(0.487), np.float32(0.836), np.float32(0.5541), np.float32(0.3241), np.float32(0.9557), np.float32(0.1594), np.float32(0.838), np.float32(0.2938), np.float32(0.466), np.float32(0.4281), np.float32(0.9243), np.float32(0.9578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7516), np.float32(0.1691), np.float32(0.6864), np.float32(0.7308), np.float32(0.716), np.float32(0.8334), np.float32(0.8258), np.float32(0.866), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:44:52.916208: Epoch time: 132.9 s +2026-02-22 13:44:54.422695: +2026-02-22 13:44:54.427093: Epoch 767 +2026-02-22 13:44:54.427887: Current learning rate: 0.0027 +2026-02-22 13:46:57.377381: train_loss -0.0948 +2026-02-22 13:46:57.504230: val_loss -0.1057 +2026-02-22 13:46:57.505471: Pseudo dice [np.float32(0.959), np.float32(0.96), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8853), np.float32(nan), np.float32(0.9569), np.float32(nan), np.float32(0.9342), np.float32(0.5166), np.float32(0.8933), np.float32(nan), np.float32(0.9093), np.float32(0.6725), np.float32(0.8869), np.float32(0.3374), np.float32(0.7216), np.float32(0.9116), np.float32(0.9498), np.float32(0.9206), np.float32(0.8062), np.float32(0.791), np.float32(0.1237), np.float32(0.396), np.float32(0.4395), np.float32(0.8462), np.float32(0.5731), np.float32(0.359), np.float32(0.9454), np.float32(0.4737), np.float32(0.8135), np.float32(0.4189), np.float32(0.5576), np.float32(0.4655), np.float32(0.8768), np.float32(0.8509), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7982), np.float32(0.5975), np.float32(0.8254), np.float32(0.6515), np.float32(0.7983), np.float32(0.8172), np.float32(0.8014), np.float32(0.8413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:46:57.506464: Epoch time: 122.96 s +2026-02-22 13:46:58.917486: +2026-02-22 13:46:58.923362: Epoch 768 +2026-02-22 13:46:58.925375: Current learning rate: 0.00268 +2026-02-22 13:48:56.412855: train_loss -0.1053 +2026-02-22 13:48:56.476344: val_loss -0.1342 +2026-02-22 13:48:56.482105: Pseudo dice [np.float32(0.9645), np.float32(0.9542), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8965), np.float32(nan), np.float32(0.9644), np.float32(nan), np.float32(0.9447), np.float32(0.2574), np.float32(0.9021), np.float32(nan), np.float32(0.926), np.float32(0.5009), np.float32(0.8695), np.float32(0.3076), np.float32(0.7382), np.float32(0.9115), np.float32(0.9484), np.float32(0.9302), np.float32(0.8125), np.float32(0.8342), np.float32(0.7827), np.float32(0.3465), np.float32(0.0), np.float32(0.8797), np.float32(0.4175), np.float32(0.5745), np.float32(0.9638), np.float32(0.6267), np.float32(0.8747), np.float32(0.2022), np.float32(0.5951), np.float32(0.4649), np.float32(0.9206), np.float32(0.9261), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7729), np.float32(0.6432), np.float32(0.8042), np.float32(0.6138), np.float32(0.9115), np.float32(0.8954), np.float32(0.8363), np.float32(0.8573), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:48:56.488175: Epoch time: 117.5 s +2026-02-22 13:48:56.493633: Yayy! New best EMA pseudo Dice: 0.6956999897956848 +2026-02-22 13:48:59.145410: +2026-02-22 13:48:59.146812: Epoch 769 +2026-02-22 13:48:59.147626: Current learning rate: 0.00267 +2026-02-22 13:51:02.919407: train_loss -0.0998 +2026-02-22 13:51:02.946401: val_loss -0.0912 +2026-02-22 13:51:02.947622: Pseudo dice [np.float32(0.9151), np.float32(0.9122), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8848), np.float32(nan), np.float32(0.9593), np.float32(nan), np.float32(0.8966), np.float32(0.0576), np.float32(0.877), np.float32(nan), np.float32(0.8969), np.float32(0.5611), np.float32(0.8713), np.float32(0.1931), np.float32(0.686), np.float32(0.9029), np.float32(0.9069), np.float32(0.8997), np.float32(0.7288), np.float32(0.7794), np.float32(0.0583), np.float32(0.5053), np.float32(0.1228), np.float32(0.7989), np.float32(0.3659), np.float32(0.2724), np.float32(0.9376), np.float32(0.3296), np.float32(0.839), np.float32(0.4235), np.float32(0.5062), np.float32(0.4181), np.float32(0.8612), np.float32(0.8688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8162), np.float32(0.8167), np.float32(0.7498), np.float32(0.6951), np.float32(0.8877), np.float32(0.8579), np.float32(0.7882), np.float32(0.8223), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:51:02.948619: Epoch time: 123.78 s +2026-02-22 13:51:04.320757: +2026-02-22 13:51:04.326339: Epoch 770 +2026-02-22 13:51:04.331618: Current learning rate: 0.00266 +2026-02-22 13:53:11.170759: train_loss -0.0967 +2026-02-22 13:53:11.177589: val_loss -0.0644 +2026-02-22 13:53:11.179124: Pseudo dice [np.float32(0.9483), np.float32(0.9261), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8594), np.float32(nan), np.float32(0.9211), np.float32(nan), np.float32(0.8123), np.float32(0.5037), np.float32(0.8759), np.float32(nan), np.float32(0.8412), np.float32(0.3422), np.float32(0.8371), np.float32(0.2731), np.float32(0.6485), np.float32(0.8878), np.float32(0.9051), np.float32(0.891), np.float32(0.787), np.float32(0.8082), np.float32(0.1177), np.float32(0.452), np.float32(0.7694), np.float32(0.8432), np.float32(0.191), np.float32(0.2384), np.float32(0.934), np.float32(0.4904), np.float32(0.8583), np.float32(0.1413), np.float32(0.5509), np.float32(0.427), np.float32(0.951), np.float32(0.9469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8192), np.float32(0.0), np.float32(0.7748), np.float32(0.6782), np.float32(0.8593), np.float32(0.8527), np.float32(0.7893), np.float32(0.8014), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:53:11.182562: Epoch time: 126.85 s +2026-02-22 13:53:12.317787: +2026-02-22 13:53:12.331896: Epoch 771 +2026-02-22 13:53:12.336091: Current learning rate: 0.00265 +2026-02-22 13:55:27.621175: train_loss -0.0722 +2026-02-22 13:55:27.659079: val_loss -0.1184 +2026-02-22 13:55:27.661604: Pseudo dice [np.float32(0.956), np.float32(0.9627), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8777), np.float32(nan), np.float32(0.9594), np.float32(nan), np.float32(0.9311), np.float32(0.1056), np.float32(0.8777), np.float32(nan), np.float32(0.8966), np.float32(0.5032), np.float32(0.8513), np.float32(0.0), np.float32(0.7199), np.float32(0.8901), np.float32(0.9481), np.float32(0.9045), np.float32(0.7794), np.float32(0.8241), np.float32(0.4318), np.float32(0.5374), np.float32(0.6632), np.float32(0.8264), np.float32(0.2182), np.float32(0.2046), np.float32(0.949), np.float32(0.4729), np.float32(0.8002), np.float32(0.5959), np.float32(0.5248), np.float32(0.4187), np.float32(0.9048), np.float32(0.887), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7691), np.float32(0.0), np.float32(0.6223), np.float32(0.7077), np.float32(0.7518), np.float32(0.876), np.float32(0.8058), np.float32(0.8465), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:55:27.662611: Epoch time: 135.31 s +2026-02-22 13:55:30.849887: +2026-02-22 13:55:30.852190: Epoch 772 +2026-02-22 13:55:30.852986: Current learning rate: 0.00264 +2026-02-22 13:57:34.556947: train_loss -0.0941 +2026-02-22 13:57:34.563235: val_loss -0.1166 +2026-02-22 13:57:34.569068: Pseudo dice [np.float32(0.9413), np.float32(0.942), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8869), np.float32(nan), np.float32(0.9543), np.float32(nan), np.float32(0.9278), np.float32(0.7263), np.float32(0.9002), np.float32(nan), np.float32(0.9094), np.float32(0.1786), np.float32(0.8661), np.float32(0.6041), np.float32(0.7432), np.float32(0.8877), np.float32(0.9295), np.float32(0.9226), np.float32(0.7869), np.float32(0.7983), np.float32(0.3332), np.float32(0.427), np.float32(0.3765), np.float32(0.9084), np.float32(0.0017), np.float32(0.0), np.float32(0.9385), np.float32(0.3232), np.float32(0.8487), np.float32(0.6532), np.float32(0.5758), np.float32(0.5191), np.float32(0.874), np.float32(0.8964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8512), np.float32(0.034), np.float32(0.8622), np.float32(0.7863), np.float32(0.7606), np.float32(0.773), np.float32(0.8182), np.float32(0.8535), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:57:34.575239: Epoch time: 123.71 s +2026-02-22 13:57:35.668445: +2026-02-22 13:57:35.675473: Epoch 773 +2026-02-22 13:57:35.676274: Current learning rate: 0.00263 +2026-02-22 13:59:48.742033: train_loss -0.1013 +2026-02-22 13:59:48.755702: val_loss -0.1107 +2026-02-22 13:59:48.756737: Pseudo dice [np.float32(0.9627), np.float32(0.9682), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8892), np.float32(nan), np.float32(0.9516), np.float32(nan), np.float32(0.946), np.float32(0.08), np.float32(0.8815), np.float32(0.0), np.float32(0.8924), np.float32(0.5983), np.float32(0.8541), np.float32(0.8522), np.float32(0.7017), np.float32(0.9009), np.float32(0.9404), np.float32(0.9255), np.float32(0.8079), np.float32(0.8123), np.float32(0.1418), np.float32(0.6628), np.float32(0.0), np.float32(0.8592), np.float32(0.4464), np.float32(0.3303), np.float32(0.9158), np.float32(0.6533), np.float32(0.8549), np.float32(0.6051), np.float32(0.4512), np.float32(0.4895), np.float32(0.9556), np.float32(0.9427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7395), np.float32(0.0019), np.float32(0.7976), np.float32(0.3695), np.float32(0.8338), np.float32(0.7596), np.float32(0.8186), np.float32(0.8285), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 13:59:48.757729: Epoch time: 133.08 s +2026-02-22 13:59:49.880641: +2026-02-22 13:59:49.884342: Epoch 774 +2026-02-22 13:59:49.885403: Current learning rate: 0.00262 +2026-02-22 14:01:49.224398: train_loss -0.0947 +2026-02-22 14:01:49.303866: val_loss -0.1115 +2026-02-22 14:01:49.314021: Pseudo dice [np.float32(0.956), np.float32(0.9519), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8951), np.float32(nan), np.float32(0.9715), np.float32(nan), np.float32(0.9254), np.float32(0.7277), np.float32(0.8732), np.float32(0.0), np.float32(0.9243), np.float32(0.306), np.float32(0.8788), np.float32(0.7305), np.float32(0.7668), np.float32(0.8938), np.float32(0.947), np.float32(0.923), np.float32(0.8399), np.float32(0.8347), np.float32(0.8686), np.float32(0.1842), np.float32(0.6222), np.float32(0.8748), np.float32(0.5216), np.float32(0.5524), np.float32(0.8719), np.float32(0.2809), np.float32(0.8374), np.float32(0.5124), np.float32(0.4916), np.float32(0.4994), np.float32(0.8542), np.float32(0.8929), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7784), np.float32(0.629), np.float32(0.7256), np.float32(0.4031), np.float32(0.8428), np.float32(0.8366), np.float32(0.8254), np.float32(0.8515), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:01:49.315070: Epoch time: 119.35 s +2026-02-22 14:01:49.315889: Yayy! New best EMA pseudo Dice: 0.6960999965667725 +2026-02-22 14:01:51.898281: +2026-02-22 14:01:51.904170: Epoch 775 +2026-02-22 14:01:51.907055: Current learning rate: 0.00261 +2026-02-22 14:03:46.994381: train_loss -0.1056 +2026-02-22 14:03:47.011032: val_loss -0.1014 +2026-02-22 14:03:47.014514: Pseudo dice [np.float32(0.9409), np.float32(0.961), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8957), np.float32(nan), np.float32(0.9503), np.float32(nan), np.float32(0.8821), np.float32(0.2166), np.float32(0.879), np.float32(nan), np.float32(0.9061), np.float32(0.5495), np.float32(0.8494), np.float32(0.3712), np.float32(0.7567), np.float32(0.9032), np.float32(0.9336), np.float32(0.9066), np.float32(0.8169), np.float32(0.8087), np.float32(0.3084), np.float32(0.7487), np.float32(0.2847), np.float32(0.8322), np.float32(0.2715), np.float32(0.4272), np.float32(0.9164), np.float32(0.4209), np.float32(0.8311), np.float32(0.6855), np.float32(0.4905), np.float32(0.4562), np.float32(0.9455), np.float32(0.9648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8214), np.float32(0.0), np.float32(0.6151), np.float32(0.7139), np.float32(0.8926), np.float32(0.8583), np.float32(0.7934), np.float32(0.8398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:03:47.015636: Epoch time: 115.1 s +2026-02-22 14:03:47.016579: Yayy! New best EMA pseudo Dice: 0.6973000168800354 +2026-02-22 14:03:49.696275: +2026-02-22 14:03:49.700482: Epoch 776 +2026-02-22 14:03:49.701514: Current learning rate: 0.0026 +2026-02-22 14:05:48.632035: train_loss -0.1103 +2026-02-22 14:05:48.667266: val_loss -0.1312 +2026-02-22 14:05:48.672168: Pseudo dice [np.float32(0.961), np.float32(0.9709), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8984), np.float32(nan), np.float32(0.9499), np.float32(nan), np.float32(0.9637), np.float32(0.6376), np.float32(0.9117), np.float32(nan), np.float32(0.9213), np.float32(0.6783), np.float32(0.8856), np.float32(0.6794), np.float32(0.7459), np.float32(0.9065), np.float32(0.9509), np.float32(0.9252), np.float32(0.7944), np.float32(0.8293), np.float32(0.075), np.float32(0.3721), np.float32(0.5633), np.float32(0.8695), np.float32(0.3438), np.float32(0.482), np.float32(0.9447), np.float32(0.6166), np.float32(0.8334), np.float32(0.0538), np.float32(0.5353), np.float32(0.4761), np.float32(0.8846), np.float32(0.8823), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8257), np.float32(0.1834), np.float32(0.2555), np.float32(0.4953), np.float32(0.9673), np.float32(0.9558), np.float32(0.813), np.float32(0.8342), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:05:48.677080: Epoch time: 118.94 s +2026-02-22 14:05:48.682805: Yayy! New best EMA pseudo Dice: 0.6991000175476074 +2026-02-22 14:05:51.117962: +2026-02-22 14:05:51.119214: Epoch 777 +2026-02-22 14:05:51.120026: Current learning rate: 0.00259 +2026-02-22 14:07:52.893216: train_loss -0.1136 +2026-02-22 14:07:52.948553: val_loss -0.1108 +2026-02-22 14:07:52.953555: Pseudo dice [np.float32(0.9629), np.float32(0.951), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8797), np.float32(nan), np.float32(0.9655), np.float32(nan), np.float32(0.9482), np.float32(0.1849), np.float32(0.9051), np.float32(nan), np.float32(0.9183), np.float32(0.562), np.float32(0.8751), np.float32(0.4376), np.float32(0.7485), np.float32(0.9048), np.float32(0.9476), np.float32(0.9321), np.float32(0.7685), np.float32(0.813), np.float32(0.6399), np.float32(0.5013), np.float32(0.0052), np.float32(0.8536), np.float32(0.104), np.float32(0.2204), np.float32(0.9238), np.float32(0.4931), np.float32(0.7614), np.float32(0.5658), np.float32(0.6344), np.float32(0.4892), np.float32(0.9059), np.float32(0.9248), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.862), np.float32(0.0096), np.float32(0.7765), np.float32(0.6986), np.float32(0.8584), np.float32(0.7862), np.float32(0.8187), np.float32(0.8387), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:07:52.955236: Epoch time: 121.78 s +2026-02-22 14:07:52.958582: Yayy! New best EMA pseudo Dice: 0.699400007724762 +2026-02-22 14:07:55.434064: +2026-02-22 14:07:55.438400: Epoch 778 +2026-02-22 14:07:55.439471: Current learning rate: 0.00258 +2026-02-22 14:09:58.836055: train_loss -0.117 +2026-02-22 14:09:58.884434: val_loss -0.1157 +2026-02-22 14:09:58.885715: Pseudo dice [np.float32(0.9523), np.float32(0.9475), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8931), np.float32(nan), np.float32(0.9605), np.float32(nan), np.float32(0.8804), np.float32(0.7181), np.float32(0.8893), np.float32(nan), np.float32(0.9242), np.float32(0.7235), np.float32(0.8572), np.float32(0.4954), np.float32(0.7297), np.float32(0.9096), np.float32(0.9436), np.float32(0.9251), np.float32(0.8116), np.float32(0.8166), np.float32(0.1168), np.float32(0.448), np.float32(0.6083), np.float32(0.7997), np.float32(0.1464), np.float32(0.7861), np.float32(0.94), np.float32(0.0813), np.float32(0.8596), np.float32(0.4377), np.float32(0.6423), np.float32(0.5324), np.float32(0.9609), np.float32(0.947), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8224), np.float32(0.0014), np.float32(0.7371), np.float32(0.7168), np.float32(0.8072), np.float32(0.6388), np.float32(0.8204), np.float32(0.8499), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:09:58.886786: Epoch time: 123.4 s +2026-02-22 14:09:58.888128: Yayy! New best EMA pseudo Dice: 0.7013999819755554 +2026-02-22 14:10:01.148709: +2026-02-22 14:10:01.154100: Epoch 779 +2026-02-22 14:10:01.154902: Current learning rate: 0.00257 +2026-02-22 14:11:55.879839: train_loss -0.1042 +2026-02-22 14:11:55.996518: val_loss -0.1139 +2026-02-22 14:11:56.001375: Pseudo dice [np.float32(0.9616), np.float32(0.9563), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9023), np.float32(nan), np.float32(0.9637), np.float32(nan), np.float32(0.9398), np.float32(0.0097), np.float32(0.9026), np.float32(nan), np.float32(0.9019), np.float32(0.7516), np.float32(0.8901), np.float32(0.814), np.float32(0.724), np.float32(0.8977), np.float32(0.9486), np.float32(0.9215), np.float32(0.8025), np.float32(0.8385), np.float32(0.4389), np.float32(0.431), np.float32(0.0), np.float32(0.8634), np.float32(0.2232), np.float32(0.6483), np.float32(0.9341), np.float32(0.5626), np.float32(0.8181), np.float32(0.5526), np.float32(0.5389), np.float32(0.4069), np.float32(0.9085), np.float32(0.9022), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7307), np.float32(0.0006), np.float32(0.144), np.float32(0.3076), np.float32(0.6714), np.float32(0.7467), np.float32(0.8323), np.float32(0.8487), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:11:56.009374: Epoch time: 114.73 s +2026-02-22 14:11:57.807019: +2026-02-22 14:11:57.813899: Epoch 780 +2026-02-22 14:11:57.818132: Current learning rate: 0.00256 +2026-02-22 14:13:54.565001: train_loss -0.1069 +2026-02-22 14:13:54.603978: val_loss -0.1271 +2026-02-22 14:13:54.606657: Pseudo dice [np.float32(0.9684), np.float32(0.9626), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8883), np.float32(nan), np.float32(0.9728), np.float32(nan), np.float32(0.9519), np.float32(0.5662), np.float32(0.8741), np.float32(0.0), np.float32(0.8947), np.float32(0.6981), np.float32(0.8618), np.float32(0.7604), np.float32(0.7558), np.float32(0.8799), np.float32(0.9395), np.float32(0.931), np.float32(0.8015), np.float32(0.8316), np.float32(0.687), np.float32(0.6216), np.float32(0.626), np.float32(0.8785), np.float32(0.2267), np.float32(0.6352), np.float32(0.9224), np.float32(0.6227), np.float32(0.8803), np.float32(0.4336), np.float32(0.5179), np.float32(0.4637), np.float32(0.9376), np.float32(0.9499), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7961), np.float32(0.0), np.float32(0.7134), np.float32(0.0498), np.float32(0.9184), np.float32(0.8385), np.float32(0.8342), np.float32(0.8557), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:13:54.607650: Epoch time: 116.76 s +2026-02-22 14:13:54.608583: Yayy! New best EMA pseudo Dice: 0.7020000219345093 +2026-02-22 14:13:56.867279: +2026-02-22 14:13:56.871311: Epoch 781 +2026-02-22 14:13:56.873139: Current learning rate: 0.00255 +2026-02-22 14:16:07.368295: train_loss -0.1149 +2026-02-22 14:16:07.451929: val_loss -0.1126 +2026-02-22 14:16:07.456600: Pseudo dice [np.float32(0.9406), np.float32(0.968), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8928), np.float32(nan), np.float32(0.9539), np.float32(nan), np.float32(0.9445), np.float32(0.6886), np.float32(0.8915), np.float32(nan), np.float32(0.9087), np.float32(0.5334), np.float32(0.882), np.float32(0.4666), np.float32(0.7163), np.float32(0.9027), np.float32(0.9527), np.float32(0.922), np.float32(0.8063), np.float32(0.8354), np.float32(0.0755), np.float32(0.7777), np.float32(0.0), np.float32(0.8222), np.float32(0.5311), np.float32(0.3505), np.float32(0.938), np.float32(0.1077), np.float32(0.812), np.float32(0.4909), np.float32(0.4138), np.float32(0.4587), np.float32(0.9202), np.float32(0.9194), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7867), np.float32(0.5984), np.float32(0.0), np.float32(0.0), np.float32(0.8233), np.float32(0.8622), np.float32(0.8182), np.float32(0.8358), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:16:07.458499: Epoch time: 130.5 s +2026-02-22 14:16:08.975819: +2026-02-22 14:16:08.979140: Epoch 782 +2026-02-22 14:16:08.980188: Current learning rate: 0.00254 +2026-02-22 14:18:09.066536: train_loss -0.104 +2026-02-22 14:18:09.074528: val_loss -0.1107 +2026-02-22 14:18:09.076339: Pseudo dice [np.float32(0.9639), np.float32(0.9577), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8863), np.float32(nan), np.float32(0.9662), np.float32(nan), np.float32(0.901), np.float32(0.06), np.float32(0.8875), np.float32(nan), np.float32(0.92), np.float32(0.6463), np.float32(0.8803), np.float32(0.6876), np.float32(0.7147), np.float32(0.8901), np.float32(0.9446), np.float32(0.928), np.float32(0.8002), np.float32(0.7991), np.float32(0.3337), np.float32(0.601), np.float32(0.3501), np.float32(0.878), np.float32(0.0288), np.float32(0.1258), np.float32(0.9328), np.float32(0.4307), np.float32(0.8285), np.float32(0.6367), np.float32(0.4595), np.float32(0.4672), np.float32(0.8842), np.float32(0.8691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8079), np.float32(0.0009), np.float32(0.8025), np.float32(0.4127), np.float32(0.7739), np.float32(0.846), np.float32(0.8318), np.float32(0.8364), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:18:09.078158: Epoch time: 120.09 s +2026-02-22 14:18:10.298060: +2026-02-22 14:18:10.363448: Epoch 783 +2026-02-22 14:18:10.369069: Current learning rate: 0.00253 +2026-02-22 14:20:15.639486: train_loss -0.0861 +2026-02-22 14:20:15.654158: val_loss -0.1202 +2026-02-22 14:20:15.656801: Pseudo dice [np.float32(0.9319), np.float32(0.9645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8922), np.float32(nan), np.float32(0.966), np.float32(nan), np.float32(0.9512), np.float32(0.671), np.float32(0.8766), np.float32(nan), np.float32(0.9199), np.float32(0.8272), np.float32(0.8793), np.float32(0.5945), np.float32(0.7222), np.float32(0.8894), np.float32(0.9421), np.float32(0.9265), np.float32(0.816), np.float32(0.8115), np.float32(0.324), np.float32(0.639), np.float32(0.5774), np.float32(0.8987), np.float32(0.3737), np.float32(0.3566), np.float32(0.9369), np.float32(0.6151), np.float32(0.8751), np.float32(0.7599), np.float32(0.5354), np.float32(0.5062), np.float32(0.9381), np.float32(0.937), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7968), np.float32(0.1792), np.float32(0.48), np.float32(0.4886), np.float32(0.7234), np.float32(0.8203), np.float32(0.8398), np.float32(0.859), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:20:15.660146: Epoch time: 125.34 s +2026-02-22 14:20:15.662935: Yayy! New best EMA pseudo Dice: 0.7035999894142151 +2026-02-22 14:20:18.536633: +2026-02-22 14:20:18.538223: Epoch 784 +2026-02-22 14:20:18.539043: Current learning rate: 0.00252 +2026-02-22 14:22:36.794945: train_loss -0.1058 +2026-02-22 14:22:36.845896: val_loss -0.0934 +2026-02-22 14:22:36.853252: Pseudo dice [np.float32(0.939), np.float32(0.9198), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8886), np.float32(nan), np.float32(0.9262), np.float32(nan), np.float32(0.8935), np.float32(0.3621), np.float32(0.8864), np.float32(nan), np.float32(0.8961), np.float32(0.7547), np.float32(0.8669), np.float32(0.5518), np.float32(0.7211), np.float32(0.8994), np.float32(0.9294), np.float32(0.9148), np.float32(0.808), np.float32(0.8147), np.float32(0.0524), np.float32(0.6437), np.float32(0.0), np.float32(0.883), np.float32(0.5144), np.float32(0.576), np.float32(0.902), np.float32(0.4873), np.float32(0.8431), np.float32(0.5199), np.float32(0.5204), np.float32(0.4809), np.float32(0.8792), np.float32(0.9348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7557), np.float32(0.0033), np.float32(0.7845), np.float32(0.3747), np.float32(0.8768), np.float32(0.8645), np.float32(0.8085), np.float32(0.8356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:22:36.859585: Epoch time: 138.26 s +2026-02-22 14:22:36.862929: Yayy! New best EMA pseudo Dice: 0.7038000226020813 +2026-02-22 14:22:39.256370: +2026-02-22 14:22:39.257709: Epoch 785 +2026-02-22 14:22:39.258531: Current learning rate: 0.00251 +2026-02-22 14:24:42.577546: train_loss -0.1159 +2026-02-22 14:24:42.609520: val_loss -0.1278 +2026-02-22 14:24:42.610535: Pseudo dice [np.float32(0.9597), np.float32(0.9595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8907), np.float32(nan), np.float32(0.9628), np.float32(nan), np.float32(0.9539), np.float32(0.2685), np.float32(0.8993), np.float32(0.0), np.float32(0.8874), np.float32(0.727), np.float32(0.8929), np.float32(0.5903), np.float32(0.7255), np.float32(0.8993), np.float32(0.9495), np.float32(0.928), np.float32(0.7918), np.float32(0.819), np.float32(0.0747), np.float32(0.4022), np.float32(0.5327), np.float32(0.8554), np.float32(0.0191), np.float32(0.2386), np.float32(0.9578), np.float32(0.005), np.float32(0.8378), np.float32(0.6473), np.float32(0.5597), np.float32(0.5193), np.float32(0.8755), np.float32(0.891), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.822), np.float32(0.2029), np.float32(0.6731), np.float32(0.6331), np.float32(0.9452), np.float32(0.9495), np.float32(0.8436), np.float32(0.8684), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:24:42.611305: Epoch time: 123.32 s +2026-02-22 14:24:44.095003: +2026-02-22 14:24:44.101160: Epoch 786 +2026-02-22 14:24:44.101980: Current learning rate: 0.0025 +2026-02-22 14:26:47.805462: train_loss -0.117 +2026-02-22 14:26:47.824178: val_loss -0.1341 +2026-02-22 14:26:47.826090: Pseudo dice [np.float32(0.9595), np.float32(0.9615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8876), np.float32(nan), np.float32(0.958), np.float32(nan), np.float32(0.9667), np.float32(0.6483), np.float32(0.9039), np.float32(nan), np.float32(0.9045), np.float32(0.5311), np.float32(0.8829), np.float32(0.586), np.float32(0.7162), np.float32(0.9098), np.float32(0.9457), np.float32(0.9328), np.float32(0.813), np.float32(0.8353), np.float32(0.6506), np.float32(0.2774), np.float32(0.3348), np.float32(0.8719), np.float32(0.0014), np.float32(0.4263), np.float32(0.9016), np.float32(0.0), np.float32(0.8601), np.float32(0.4496), np.float32(0.5289), np.float32(0.4253), np.float32(0.8741), np.float32(0.9108), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7581), np.float32(0.3497), np.float32(0.4972), np.float32(0.3327), np.float32(0.9732), np.float32(0.9727), np.float32(0.8203), np.float32(0.8582), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:26:47.827294: Epoch time: 123.71 s +2026-02-22 14:26:49.027015: +2026-02-22 14:26:49.033341: Epoch 787 +2026-02-22 14:26:49.034895: Current learning rate: 0.00249 +2026-02-22 14:28:49.712447: train_loss -0.1044 +2026-02-22 14:28:49.725680: val_loss -0.1166 +2026-02-22 14:28:49.729290: Pseudo dice [np.float32(0.9555), np.float32(0.9687), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8871), np.float32(nan), np.float32(0.9667), np.float32(nan), np.float32(0.9697), np.float32(0.1182), np.float32(0.8835), np.float32(nan), np.float32(0.9117), np.float32(0.5831), np.float32(0.8678), np.float32(0.8409), np.float32(0.6992), np.float32(0.8753), np.float32(0.9514), np.float32(0.9272), np.float32(0.8188), np.float32(0.8303), np.float32(0.6164), np.float32(0.5269), np.float32(0.4347), np.float32(0.8273), np.float32(0.4231), np.float32(0.4699), np.float32(0.9354), np.float32(0.4847), np.float32(0.8586), np.float32(0.6615), np.float32(0.5881), np.float32(0.5435), np.float32(0.8192), np.float32(0.8677), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.85), np.float32(0.0047), np.float32(0.4704), np.float32(0.6988), np.float32(0.9377), np.float32(0.9446), np.float32(0.834), np.float32(0.8372), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:28:49.733212: Epoch time: 120.69 s +2026-02-22 14:28:49.739501: Yayy! New best EMA pseudo Dice: 0.7055000066757202 +2026-02-22 14:28:53.348290: +2026-02-22 14:28:53.349865: Epoch 788 +2026-02-22 14:28:53.350683: Current learning rate: 0.00248 +2026-02-22 14:30:55.280829: train_loss -0.1004 +2026-02-22 14:30:55.340401: val_loss -0.1104 +2026-02-22 14:30:55.341425: Pseudo dice [np.float32(0.9571), np.float32(0.9579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9011), np.float32(nan), np.float32(0.9588), np.float32(nan), np.float32(0.9523), np.float32(0.8192), np.float32(0.8715), np.float32(nan), np.float32(0.8906), np.float32(0.5376), np.float32(0.8851), np.float32(0.1547), np.float32(0.7299), np.float32(0.8956), np.float32(0.9448), np.float32(0.9225), np.float32(0.8032), np.float32(0.812), np.float32(0.1319), np.float32(0.5945), np.float32(0.3682), np.float32(0.8114), np.float32(0.1535), np.float32(0.1111), np.float32(0.922), np.float32(0.0033), np.float32(0.859), np.float32(0.0865), np.float32(0.5949), np.float32(0.4761), np.float32(0.8501), np.float32(0.9141), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.805), np.float32(0.0), np.float32(0.1207), np.float32(0.3217), np.float32(0.8365), np.float32(0.8644), np.float32(0.8297), np.float32(0.8604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:30:55.342423: Epoch time: 121.93 s +2026-02-22 14:30:56.680437: +2026-02-22 14:30:56.691043: Epoch 789 +2026-02-22 14:30:56.691847: Current learning rate: 0.00247 +2026-02-22 14:32:49.788003: train_loss -0.1046 +2026-02-22 14:32:49.833479: val_loss -0.1274 +2026-02-22 14:32:49.843002: Pseudo dice [np.float32(0.9581), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8926), np.float32(nan), np.float32(0.9738), np.float32(nan), np.float32(0.9249), np.float32(0.5157), np.float32(0.8995), np.float32(0.0), np.float32(0.9016), np.float32(0.6348), np.float32(0.8739), np.float32(0.7476), np.float32(0.7398), np.float32(0.8926), np.float32(0.9511), np.float32(0.9305), np.float32(0.7738), np.float32(0.8111), np.float32(0.0356), np.float32(0.5657), np.float32(0.3428), np.float32(0.8965), np.float32(0.2073), np.float32(0.4253), np.float32(0.9255), np.float32(0.6025), np.float32(0.8766), np.float32(0.6883), np.float32(0.588), np.float32(0.4726), np.float32(0.9112), np.float32(0.9443), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7964), np.float32(0.0), np.float32(0.7329), np.float32(0.6893), np.float32(0.8232), np.float32(0.7776), np.float32(0.8299), np.float32(0.8457), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:32:49.848071: Epoch time: 113.11 s +2026-02-22 14:32:51.256705: +2026-02-22 14:32:51.290800: Epoch 790 +2026-02-22 14:32:51.292030: Current learning rate: 0.00245 +2026-02-22 14:34:52.774581: train_loss -0.1058 +2026-02-22 14:34:52.815264: val_loss -0.1208 +2026-02-22 14:34:52.823579: Pseudo dice [np.float32(0.9592), np.float32(0.9605), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8867), np.float32(nan), np.float32(0.9629), np.float32(nan), np.float32(0.9262), np.float32(0.0676), np.float32(0.9017), np.float32(nan), np.float32(0.9195), np.float32(0.7485), np.float32(0.8796), np.float32(0.7997), np.float32(0.7348), np.float32(0.9039), np.float32(0.949), np.float32(0.924), np.float32(0.8135), np.float32(0.821), np.float32(0.0797), np.float32(0.5014), np.float32(0.2602), np.float32(0.9052), np.float32(0.0251), np.float32(0.4157), np.float32(0.8725), np.float32(0.5315), np.float32(0.8722), np.float32(0.73), np.float32(0.5104), np.float32(0.4717), np.float32(0.8828), np.float32(0.8755), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.813), np.float32(0.4662), np.float32(0.7179), np.float32(0.6678), np.float32(0.9071), np.float32(0.8622), np.float32(0.8378), np.float32(0.8528), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:34:52.829033: Epoch time: 121.52 s +2026-02-22 14:34:53.916261: +2026-02-22 14:34:53.924038: Epoch 791 +2026-02-22 14:34:53.929200: Current learning rate: 0.00244 +2026-02-22 14:36:56.035462: train_loss -0.1243 +2026-02-22 14:36:56.068657: val_loss -0.129 +2026-02-22 14:36:56.074922: Pseudo dice [np.float32(0.9642), np.float32(0.9669), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8803), np.float32(nan), np.float32(0.9697), np.float32(nan), np.float32(0.9576), np.float32(0.3315), np.float32(0.8988), np.float32(0.0), np.float32(0.9329), np.float32(0.6223), np.float32(0.8803), np.float32(0.4414), np.float32(0.7307), np.float32(0.9146), np.float32(0.9502), np.float32(0.9296), np.float32(0.8083), np.float32(0.8389), np.float32(0.317), np.float32(0.6615), np.float32(0.1563), np.float32(0.8349), np.float32(0.231), np.float32(0.1134), np.float32(0.932), np.float32(0.5454), np.float32(0.8644), np.float32(0.0593), np.float32(0.551), np.float32(0.4679), np.float32(0.9082), np.float32(0.9179), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8113), np.float32(0.001), np.float32(0.5572), np.float32(0.4585), np.float32(0.9262), np.float32(0.7823), np.float32(0.8237), np.float32(0.8511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:36:56.081439: Epoch time: 122.12 s +2026-02-22 14:36:59.977008: +2026-02-22 14:36:59.978489: Epoch 792 +2026-02-22 14:36:59.979355: Current learning rate: 0.00243 +2026-02-22 14:38:55.289158: train_loss -0.1147 +2026-02-22 14:38:55.301090: val_loss -0.1306 +2026-02-22 14:38:55.302104: Pseudo dice [np.float32(0.9458), np.float32(0.9668), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9093), np.float32(nan), np.float32(0.9612), np.float32(nan), np.float32(0.9028), np.float32(0.3877), np.float32(0.8865), np.float32(0.0), np.float32(0.9349), np.float32(0.6668), np.float32(0.8898), np.float32(0.4377), np.float32(0.7236), np.float32(0.8889), np.float32(0.9489), np.float32(0.9215), np.float32(0.8026), np.float32(0.8104), np.float32(0.7866), np.float32(0.6193), np.float32(0.6854), np.float32(0.8954), np.float32(0.054), np.float32(0.1689), np.float32(0.9497), np.float32(0.5735), np.float32(0.8351), np.float32(0.4819), np.float32(0.6005), np.float32(0.5647), np.float32(0.9197), np.float32(0.949), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8189), np.float32(0.0), np.float32(0.4293), np.float32(0.6096), np.float32(0.756), np.float32(0.8994), np.float32(0.8369), np.float32(0.851), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:38:55.303113: Epoch time: 115.31 s +2026-02-22 14:38:56.661072: +2026-02-22 14:38:56.667479: Epoch 793 +2026-02-22 14:38:56.668325: Current learning rate: 0.00242 +2026-02-22 14:40:49.228468: train_loss -0.1172 +2026-02-22 14:40:49.293725: val_loss -0.1184 +2026-02-22 14:40:49.294960: Pseudo dice [np.float32(0.952), np.float32(0.9367), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8833), np.float32(nan), np.float32(0.9608), np.float32(nan), np.float32(0.9185), np.float32(0.6518), np.float32(0.9123), np.float32(nan), np.float32(0.9008), np.float32(0.6778), np.float32(0.8767), np.float32(0.3225), np.float32(0.6817), np.float32(0.9077), np.float32(0.9359), np.float32(0.9145), np.float32(0.7553), np.float32(0.7772), np.float32(0.2691), np.float32(0.6732), np.float32(0.3175), np.float32(0.8909), np.float32(0.1142), np.float32(0.003), np.float32(0.9175), np.float32(0.3027), np.float32(0.8609), np.float32(0.6758), np.float32(0.4301), np.float32(0.4451), np.float32(0.9538), np.float32(0.9588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5943), np.float32(0.5459), np.float32(0.7864), np.float32(0.5477), np.float32(0.842), np.float32(0.7033), np.float32(0.786), np.float32(0.8079), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:40:49.300285: Epoch time: 112.57 s +2026-02-22 14:40:50.501175: +2026-02-22 14:40:50.522723: Epoch 794 +2026-02-22 14:40:50.528084: Current learning rate: 0.00241 +2026-02-22 14:42:47.574996: train_loss -0.1111 +2026-02-22 14:42:47.653306: val_loss -0.1237 +2026-02-22 14:42:47.658014: Pseudo dice [np.float32(0.9609), np.float32(0.975), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9005), np.float32(nan), np.float32(0.9559), np.float32(nan), np.float32(0.9522), np.float32(0.4991), np.float32(0.9067), np.float32(nan), np.float32(0.9105), np.float32(0.7551), np.float32(0.8798), np.float32(0.3449), np.float32(0.7353), np.float32(0.9105), np.float32(0.9446), np.float32(0.9314), np.float32(0.8063), np.float32(0.8419), np.float32(0.2281), np.float32(0.7367), np.float32(0.0), np.float32(0.8682), np.float32(0.2788), np.float32(0.4177), np.float32(0.9064), np.float32(0.3322), np.float32(0.8547), np.float32(0.7042), np.float32(0.523), np.float32(0.4847), np.float32(0.9127), np.float32(0.9232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8173), np.float32(0.0652), np.float32(0.7255), np.float32(0.7465), np.float32(0.958), np.float32(0.9258), np.float32(0.8087), np.float32(0.8515), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:42:47.663716: Epoch time: 117.07 s +2026-02-22 14:42:48.917603: +2026-02-22 14:42:48.921212: Epoch 795 +2026-02-22 14:42:48.922012: Current learning rate: 0.0024 +2026-02-22 14:44:54.546804: train_loss -0.1211 +2026-02-22 14:44:54.615785: val_loss -0.1326 +2026-02-22 14:44:54.620443: Pseudo dice [np.float32(0.9652), np.float32(0.9575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8956), np.float32(nan), np.float32(0.9596), np.float32(nan), np.float32(0.9057), np.float32(0.2943), np.float32(0.904), np.float32(nan), np.float32(0.9057), np.float32(0.8044), np.float32(0.8794), np.float32(0.5536), np.float32(0.7015), np.float32(0.912), np.float32(0.9367), np.float32(0.9228), np.float32(0.806), np.float32(0.8175), np.float32(0.5369), np.float32(0.5732), np.float32(0.4801), np.float32(0.8845), np.float32(0.2105), np.float32(0.1967), np.float32(0.9531), np.float32(0.637), np.float32(0.8251), np.float32(0.4178), np.float32(0.5429), np.float32(0.5204), np.float32(0.9081), np.float32(0.9471), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.5521), np.float32(0.6414), np.float32(0.786), np.float32(0.6761), np.float32(0.8474), np.float32(0.8736), np.float32(0.8044), np.float32(0.8314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:44:54.627603: Epoch time: 125.63 s +2026-02-22 14:44:54.633224: Yayy! New best EMA pseudo Dice: 0.7067999839782715 +2026-02-22 14:44:57.559795: +2026-02-22 14:44:57.561239: Epoch 796 +2026-02-22 14:44:57.562551: Current learning rate: 0.00239 +2026-02-22 14:46:59.569717: train_loss -0.1083 +2026-02-22 14:46:59.614402: val_loss -0.1288 +2026-02-22 14:46:59.624017: Pseudo dice [np.float32(0.9679), np.float32(0.9623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9011), np.float32(nan), np.float32(0.9642), np.float32(nan), np.float32(0.8594), np.float32(0.0), np.float32(0.9077), np.float32(nan), np.float32(0.9195), np.float32(0.3651), np.float32(0.8831), np.float32(0.6741), np.float32(0.7373), np.float32(0.907), np.float32(0.9447), np.float32(0.9315), np.float32(0.7851), np.float32(0.8101), np.float32(0.8241), np.float32(0.3846), np.float32(0.2158), np.float32(0.9064), np.float32(0.3869), np.float32(0.7674), np.float32(0.9453), np.float32(0.6637), np.float32(0.8463), np.float32(0.6829), np.float32(0.577), np.float32(0.4913), np.float32(0.8427), np.float32(0.9053), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7291), np.float32(0.0186), np.float32(0.6645), np.float32(0.6851), np.float32(0.8795), np.float32(0.8754), np.float32(0.8368), np.float32(0.8532), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:46:59.628882: Epoch time: 122.01 s +2026-02-22 14:46:59.629802: Yayy! New best EMA pseudo Dice: 0.7092000246047974 +2026-02-22 14:47:01.971568: +2026-02-22 14:47:01.974628: Epoch 797 +2026-02-22 14:47:01.975441: Current learning rate: 0.00238 +2026-02-22 14:49:21.829231: train_loss -0.1149 +2026-02-22 14:49:21.912711: val_loss -0.1226 +2026-02-22 14:49:21.913790: Pseudo dice [np.float32(0.9543), np.float32(0.9537), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8992), np.float32(nan), np.float32(0.9654), np.float32(nan), np.float32(0.9616), np.float32(0.861), np.float32(0.9022), np.float32(nan), np.float32(0.9281), np.float32(0.3978), np.float32(0.8653), np.float32(0.6106), np.float32(0.7473), np.float32(0.9106), np.float32(0.9482), np.float32(0.9316), np.float32(0.8185), np.float32(0.7918), np.float32(0.6467), np.float32(0.5201), np.float32(0.6573), np.float32(0.8934), np.float32(0.5475), np.float32(0.4433), np.float32(0.9504), np.float32(0.4125), np.float32(0.8638), np.float32(0.4561), np.float32(0.4581), np.float32(0.5194), np.float32(0.9032), np.float32(0.9423), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8354), np.float32(0.0622), np.float32(0.7161), np.float32(0.6496), np.float32(0.9429), np.float32(0.9369), np.float32(0.8425), np.float32(0.8554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:49:21.915066: Epoch time: 139.86 s +2026-02-22 14:49:21.916185: Yayy! New best EMA pseudo Dice: 0.7139000296592712 +2026-02-22 14:49:24.948489: +2026-02-22 14:49:24.950808: Epoch 798 +2026-02-22 14:49:24.951595: Current learning rate: 0.00237 +2026-02-22 14:51:34.492222: train_loss -0.1118 +2026-02-22 14:51:34.535269: val_loss -0.1314 +2026-02-22 14:51:34.543839: Pseudo dice [np.float32(0.9525), np.float32(0.9596), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8981), np.float32(nan), np.float32(0.9583), np.float32(nan), np.float32(0.9698), np.float32(0.0), np.float32(0.9104), np.float32(nan), np.float32(0.9111), np.float32(0.744), np.float32(0.8832), np.float32(0.6969), np.float32(0.776), np.float32(0.8977), np.float32(0.9562), np.float32(0.9211), np.float32(0.8269), np.float32(0.8321), np.float32(0.876), np.float32(0.6008), np.float32(0.6899), np.float32(0.8445), np.float32(0.2764), np.float32(0.2097), np.float32(0.9106), np.float32(0.3472), np.float32(0.8506), np.float32(0.5482), np.float32(0.5409), np.float32(0.6161), np.float32(0.9394), np.float32(0.9511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7727), np.float32(0.6366), np.float32(0.8954), np.float32(0.787), np.float32(0.8764), np.float32(0.9128), np.float32(0.8496), np.float32(0.8631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:51:34.551507: Epoch time: 129.54 s +2026-02-22 14:51:34.554066: Yayy! New best EMA pseudo Dice: 0.7190999984741211 +2026-02-22 14:51:36.909257: +2026-02-22 14:51:36.915212: Epoch 799 +2026-02-22 14:51:36.918284: Current learning rate: 0.00236 +2026-02-22 14:53:41.105026: train_loss -0.1208 +2026-02-22 14:53:41.110531: val_loss -0.1325 +2026-02-22 14:53:41.111982: Pseudo dice [np.float32(0.9487), np.float32(0.9482), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8989), np.float32(nan), np.float32(0.9619), np.float32(nan), np.float32(0.95), np.float32(0.6329), np.float32(0.9137), np.float32(nan), np.float32(0.9333), np.float32(0.3197), np.float32(0.8829), np.float32(0.8403), np.float32(0.7542), np.float32(0.9127), np.float32(0.9547), np.float32(0.9316), np.float32(0.8168), np.float32(0.821), np.float32(0.7393), np.float32(0.2555), np.float32(0.7089), np.float32(0.8583), np.float32(0.5653), np.float32(0.0531), np.float32(0.9493), np.float32(0.2273), np.float32(0.8553), np.float32(0.768), np.float32(0.5541), np.float32(0.513), np.float32(0.8904), np.float32(0.8944), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8228), np.float32(0.0279), np.float32(0.7309), np.float32(0.7521), np.float32(0.7247), np.float32(0.9067), np.float32(0.8461), np.float32(0.8661), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:53:41.113076: Epoch time: 124.2 s +2026-02-22 14:53:42.351259: Yayy! New best EMA pseudo Dice: 0.7214000225067139 +2026-02-22 14:53:45.008228: +2026-02-22 14:53:45.011463: Epoch 800 +2026-02-22 14:53:45.012528: Current learning rate: 0.00235 +2026-02-22 14:55:56.801075: train_loss -0.1119 +2026-02-22 14:55:56.829709: val_loss -0.1253 +2026-02-22 14:55:56.836839: Pseudo dice [np.float32(0.9678), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8971), np.float32(nan), np.float32(0.966), np.float32(nan), np.float32(0.961), np.float32(0.8515), np.float32(0.9166), np.float32(nan), np.float32(0.8927), np.float32(0.587), np.float32(0.8746), np.float32(0.7691), np.float32(0.7275), np.float32(0.896), np.float32(0.9488), np.float32(0.9233), np.float32(0.8354), np.float32(0.8362), np.float32(0.0497), np.float32(0.7934), np.float32(0.1477), np.float32(0.8721), np.float32(0.11), np.float32(0.4103), np.float32(0.952), np.float32(0.2508), np.float32(0.8482), np.float32(0.5791), np.float32(0.5894), np.float32(0.5053), np.float32(0.9385), np.float32(0.9567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8103), np.float32(0.4509), np.float32(0.7734), np.float32(0.6075), np.float32(0.9426), np.float32(0.9352), np.float32(0.8439), np.float32(0.8645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:55:56.841985: Epoch time: 131.8 s +2026-02-22 14:55:56.847604: Yayy! New best EMA pseudo Dice: 0.7236999869346619 +2026-02-22 14:56:00.397008: +2026-02-22 14:56:00.399554: Epoch 801 +2026-02-22 14:56:00.401707: Current learning rate: 0.00234 +2026-02-22 14:58:01.584108: train_loss -0.1122 +2026-02-22 14:58:01.597168: val_loss -0.1336 +2026-02-22 14:58:01.598460: Pseudo dice [np.float32(0.9677), np.float32(0.9633), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8997), np.float32(nan), np.float32(0.9511), np.float32(nan), np.float32(0.944), np.float32(0.4514), np.float32(0.883), np.float32(nan), np.float32(0.9219), np.float32(0.756), np.float32(0.9009), np.float32(0.643), np.float32(0.7335), np.float32(0.9073), np.float32(0.9478), np.float32(0.9314), np.float32(0.807), np.float32(0.8434), np.float32(0.868), np.float32(0.5375), np.float32(0.4859), np.float32(0.8801), np.float32(0.3279), np.float32(0.5942), np.float32(0.9096), np.float32(0.637), np.float32(0.8547), np.float32(0.5357), np.float32(0.6064), np.float32(0.5109), np.float32(0.8287), np.float32(0.8945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.754), np.float32(0.0), np.float32(0.694), np.float32(0.6207), np.float32(0.8592), np.float32(0.7064), np.float32(0.8504), np.float32(0.8717), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 14:58:01.599591: Epoch time: 121.19 s +2026-02-22 14:58:01.608317: Yayy! New best EMA pseudo Dice: 0.7264000177383423 +2026-02-22 14:58:04.229246: +2026-02-22 14:58:04.231575: Epoch 802 +2026-02-22 14:58:04.232485: Current learning rate: 0.00233 +2026-02-22 15:00:07.975085: train_loss -0.1018 +2026-02-22 15:00:07.993191: val_loss -0.1052 +2026-02-22 15:00:07.994477: Pseudo dice [np.float32(0.9274), np.float32(0.928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8971), np.float32(nan), np.float32(0.9423), np.float32(nan), np.float32(0.8665), np.float32(0.1057), np.float32(0.8739), np.float32(0.0), np.float32(0.9155), np.float32(0.7277), np.float32(0.861), np.float32(0.693), np.float32(0.761), np.float32(0.8657), np.float32(0.938), np.float32(0.9144), np.float32(0.7862), np.float32(0.7932), np.float32(0.2394), np.float32(0.6278), np.float32(0.0), np.float32(0.8605), np.float32(0.3147), np.float32(0.4047), np.float32(0.91), np.float32(0.3304), np.float32(0.847), np.float32(0.7783), np.float32(0.4118), np.float32(0.3915), np.float32(0.8901), np.float32(0.9262), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7775), np.float32(0.3005), np.float32(0.699), np.float32(0.7747), np.float32(0.9389), np.float32(0.9308), np.float32(0.8303), np.float32(0.8553), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:00:07.995461: Epoch time: 123.75 s +2026-02-22 15:00:09.417391: +2026-02-22 15:00:09.421504: Epoch 803 +2026-02-22 15:00:09.423182: Current learning rate: 0.00232 +2026-02-22 15:02:05.806356: train_loss -0.1095 +2026-02-22 15:02:05.824693: val_loss -0.1161 +2026-02-22 15:02:05.825931: Pseudo dice [np.float32(0.9534), np.float32(0.9352), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8934), np.float32(nan), np.float32(0.9629), np.float32(nan), np.float32(0.9145), np.float32(0.6703), np.float32(0.883), np.float32(nan), np.float32(0.9103), np.float32(0.6411), np.float32(0.8775), np.float32(0.5504), np.float32(0.6942), np.float32(0.8841), np.float32(0.9389), np.float32(0.9235), np.float32(0.801), np.float32(0.8198), np.float32(0.5917), np.float32(0.5847), np.float32(0.3213), np.float32(0.8741), np.float32(0.1676), np.float32(0.0149), np.float32(0.9212), np.float32(0.3583), np.float32(0.805), np.float32(0.5696), np.float32(0.664), np.float32(0.5417), np.float32(0.9369), np.float32(0.9222), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7754), np.float32(0.0), np.float32(0.8245), np.float32(0.1724), np.float32(0.9003), np.float32(0.829), np.float32(0.8275), np.float32(0.853), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:02:05.827515: Epoch time: 116.39 s +2026-02-22 15:02:07.237417: +2026-02-22 15:02:07.241474: Epoch 804 +2026-02-22 15:02:07.242629: Current learning rate: 0.00231 +2026-02-22 15:04:11.305353: train_loss -0.1127 +2026-02-22 15:04:11.409156: val_loss -0.1242 +2026-02-22 15:04:11.415515: Pseudo dice [np.float32(0.9666), np.float32(0.9709), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9024), np.float32(nan), np.float32(0.9631), np.float32(nan), np.float32(0.9433), np.float32(0.6335), np.float32(0.8808), np.float32(nan), np.float32(0.9101), np.float32(0.6665), np.float32(0.8834), np.float32(0.6602), np.float32(0.7781), np.float32(0.8902), np.float32(0.9435), np.float32(0.929), np.float32(0.7791), np.float32(0.8309), np.float32(0.7633), np.float32(0.5715), np.float32(0.6973), np.float32(0.8728), np.float32(0.3954), np.float32(0.3416), np.float32(0.9372), np.float32(0.0112), np.float32(0.8347), np.float32(0.3433), np.float32(0.5854), np.float32(0.5139), np.float32(0.9105), np.float32(0.9161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.845), np.float32(0.568), np.float32(0.8222), np.float32(0.4072), np.float32(0.8699), np.float32(0.8997), np.float32(0.8418), np.float32(0.8466), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:04:11.420149: Epoch time: 124.07 s +2026-02-22 15:04:12.815568: +2026-02-22 15:04:12.874514: Epoch 805 +2026-02-22 15:04:12.875586: Current learning rate: 0.0023 +2026-02-22 15:06:27.341627: train_loss -0.1152 +2026-02-22 15:06:27.383733: val_loss -0.1166 +2026-02-22 15:06:27.386541: Pseudo dice [np.float32(0.9479), np.float32(0.931), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8995), np.float32(nan), np.float32(0.9548), np.float32(nan), np.float32(0.9343), np.float32(0.1204), np.float32(0.8953), np.float32(0.0), np.float32(0.8729), np.float32(0.3591), np.float32(0.8879), np.float32(0.7063), np.float32(0.7437), np.float32(0.9096), np.float32(0.9415), np.float32(0.9338), np.float32(0.8), np.float32(0.8338), np.float32(0.0734), np.float32(0.6154), np.float32(0.6407), np.float32(0.9031), np.float32(0.3152), np.float32(0.6199), np.float32(0.942), np.float32(0.418), np.float32(0.8892), np.float32(0.3579), np.float32(0.5962), np.float32(0.5341), np.float32(0.8635), np.float32(0.9144), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7899), np.float32(0.2327), np.float32(0.8596), np.float32(0.829), np.float32(0.9667), np.float32(0.905), np.float32(0.8397), np.float32(0.8575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:06:27.388464: Epoch time: 134.53 s +2026-02-22 15:06:28.715007: +2026-02-22 15:06:28.721748: Epoch 806 +2026-02-22 15:06:28.722648: Current learning rate: 0.00229 +2026-02-22 15:08:38.735897: train_loss -0.1195 +2026-02-22 15:08:38.768173: val_loss -0.1166 +2026-02-22 15:08:38.769269: Pseudo dice [np.float32(0.9708), np.float32(0.9544), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8849), np.float32(nan), np.float32(0.9671), np.float32(nan), np.float32(0.9285), np.float32(0.1038), np.float32(0.8969), np.float32(nan), np.float32(0.9048), np.float32(0.6657), np.float32(0.8851), np.float32(0.823), np.float32(0.7532), np.float32(0.8891), np.float32(0.9483), np.float32(0.932), np.float32(0.7829), np.float32(0.8), np.float32(0.3913), np.float32(0.7414), np.float32(0.6209), np.float32(0.8611), np.float32(0.3907), np.float32(0.4008), np.float32(0.9065), np.float32(0.4331), np.float32(0.8507), np.float32(0.6178), np.float32(0.5282), np.float32(0.436), np.float32(0.9611), np.float32(0.9527), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7698), np.float32(0.7102), np.float32(0.5087), np.float32(0.1504), np.float32(0.9356), np.float32(0.9305), np.float32(0.8343), np.float32(0.8603), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:08:38.770511: Epoch time: 130.02 s +2026-02-22 15:08:40.206713: +2026-02-22 15:08:40.215638: Epoch 807 +2026-02-22 15:08:40.216601: Current learning rate: 0.00228 +2026-02-22 15:10:49.041725: train_loss -0.112 +2026-02-22 15:10:49.049827: val_loss -0.1321 +2026-02-22 15:10:49.050970: Pseudo dice [np.float32(0.9569), np.float32(0.9596), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9007), np.float32(nan), np.float32(0.9522), np.float32(nan), np.float32(0.963), np.float32(0.0), np.float32(0.8928), np.float32(nan), np.float32(0.934), np.float32(0.4535), np.float32(0.8801), np.float32(0.6666), np.float32(0.7239), np.float32(0.8982), np.float32(0.946), np.float32(0.9203), np.float32(0.8326), np.float32(0.822), np.float32(0.8058), np.float32(0.7206), np.float32(0.642), np.float32(0.8317), np.float32(0.5638), np.float32(0.1764), np.float32(0.9592), np.float32(0.3955), np.float32(0.8258), np.float32(0.582), np.float32(0.5891), np.float32(0.481), np.float32(0.9122), np.float32(0.9412), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8378), np.float32(0.84), np.float32(0.5649), np.float32(0.7351), np.float32(0.9604), np.float32(0.9634), np.float32(0.8481), np.float32(0.8425), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:10:49.052866: Epoch time: 128.84 s +2026-02-22 15:10:49.053667: Yayy! New best EMA pseudo Dice: 0.7293999791145325 +2026-02-22 15:10:51.800316: +2026-02-22 15:10:51.806050: Epoch 808 +2026-02-22 15:10:51.806862: Current learning rate: 0.00226 +2026-02-22 15:12:57.362522: train_loss -0.1229 +2026-02-22 15:12:57.474109: val_loss -0.1298 +2026-02-22 15:12:57.476803: Pseudo dice [np.float32(0.9574), np.float32(0.9636), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9005), np.float32(nan), np.float32(0.9631), np.float32(nan), np.float32(0.931), np.float32(0.0722), np.float32(0.898), np.float32(nan), np.float32(0.9261), np.float32(0.6863), np.float32(0.8864), np.float32(0.299), np.float32(0.7278), np.float32(0.9033), np.float32(0.9539), np.float32(0.9241), np.float32(0.8212), np.float32(0.8267), np.float32(0.0546), np.float32(0.3093), np.float32(0.3864), np.float32(0.8986), np.float32(0.2471), np.float32(0.5267), np.float32(0.936), np.float32(0.5205), np.float32(0.852), np.float32(0.1665), np.float32(0.5487), np.float32(0.5117), np.float32(0.9311), np.float32(0.9082), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7382), np.float32(0.6681), np.float32(0.827), np.float32(0.7598), np.float32(0.9334), np.float32(0.9339), np.float32(0.8507), np.float32(0.8619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:12:57.478864: Epoch time: 125.56 s +2026-02-22 15:12:58.942898: +2026-02-22 15:12:58.963153: Epoch 809 +2026-02-22 15:12:58.964207: Current learning rate: 0.00225 +2026-02-22 15:15:09.509210: train_loss -0.114 +2026-02-22 15:15:09.517043: val_loss -0.1088 +2026-02-22 15:15:09.518083: Pseudo dice [np.float32(0.9606), np.float32(0.9416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8889), np.float32(nan), np.float32(0.9605), np.float32(nan), np.float32(0.9299), np.float32(0.6496), np.float32(0.8602), np.float32(nan), np.float32(0.8809), np.float32(0.8031), np.float32(0.8687), np.float32(0.7226), np.float32(0.7251), np.float32(0.8751), np.float32(0.9419), np.float32(0.9203), np.float32(0.8155), np.float32(0.8473), np.float32(0.0315), np.float32(0.4757), np.float32(0.0), np.float32(0.8576), np.float32(0.0616), np.float32(0.1925), np.float32(0.9551), np.float32(0.4331), np.float32(0.8321), np.float32(0.5623), np.float32(0.4855), np.float32(0.4621), np.float32(0.9638), np.float32(0.9391), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7845), np.float32(0.0), np.float32(0.7181), np.float32(0.7161), np.float32(0.9399), np.float32(0.9369), np.float32(0.8013), np.float32(0.832), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:15:09.519658: Epoch time: 130.55 s +2026-02-22 15:15:10.793974: +2026-02-22 15:15:10.811086: Epoch 810 +2026-02-22 15:15:10.817044: Current learning rate: 0.00224 +2026-02-22 15:17:20.483602: train_loss -0.1145 +2026-02-22 15:17:20.518243: val_loss -0.0973 +2026-02-22 15:17:20.523315: Pseudo dice [np.float32(0.9684), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8783), np.float32(nan), np.float32(0.9578), np.float32(nan), np.float32(0.9425), np.float32(0.1491), np.float32(0.8784), np.float32(nan), np.float32(0.8479), np.float32(0.702), np.float32(0.8456), np.float32(0.8202), np.float32(0.7104), np.float32(0.8505), np.float32(0.9217), np.float32(0.9127), np.float32(0.7915), np.float32(0.8265), np.float32(0.55), np.float32(0.3981), np.float32(0.6646), np.float32(0.8307), np.float32(0.3217), np.float32(0.51), np.float32(0.8775), np.float32(0.5168), np.float32(0.8231), np.float32(0.6834), np.float32(0.6208), np.float32(0.5539), np.float32(0.9146), np.float32(0.9161), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7236), np.float32(0.1267), np.float32(0.5988), np.float32(0.7003), np.float32(0.9062), np.float32(0.9078), np.float32(0.8278), np.float32(0.8469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:17:20.528311: Epoch time: 129.69 s +2026-02-22 15:17:23.833317: +2026-02-22 15:17:23.835222: Epoch 811 +2026-02-22 15:17:23.836272: Current learning rate: 0.00223 +2026-02-22 15:19:22.967936: train_loss -0.1171 +2026-02-22 15:19:22.991786: val_loss -0.1113 +2026-02-22 15:19:23.001255: Pseudo dice [np.float32(0.9425), np.float32(0.9671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8978), np.float32(nan), np.float32(0.9422), np.float32(nan), np.float32(0.9482), np.float32(0.8568), np.float32(0.8877), np.float32(nan), np.float32(0.9138), np.float32(0.7863), np.float32(0.8865), np.float32(0.6115), np.float32(0.7126), np.float32(0.897), np.float32(0.9568), np.float32(0.929), np.float32(0.8141), np.float32(0.8132), np.float32(0.7578), np.float32(0.2946), np.float32(0.3868), np.float32(0.871), np.float32(0.4565), np.float32(0.3023), np.float32(0.9377), np.float32(0.5456), np.float32(0.8793), np.float32(0.3642), np.float32(0.5172), np.float32(0.455), np.float32(0.9037), np.float32(0.9135), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7522), np.float32(0.6784), np.float32(0.8605), np.float32(0.8016), np.float32(0.8603), np.float32(0.8604), np.float32(0.8472), np.float32(0.8679), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:19:23.012443: Epoch time: 119.14 s +2026-02-22 15:19:23.019979: Yayy! New best EMA pseudo Dice: 0.7311999797821045 +2026-02-22 15:19:25.654981: +2026-02-22 15:19:25.666502: Epoch 812 +2026-02-22 15:19:25.675958: Current learning rate: 0.00222 +2026-02-22 15:21:31.333198: train_loss -0.1143 +2026-02-22 15:21:31.339409: val_loss -0.1286 +2026-02-22 15:21:31.341001: Pseudo dice [np.float32(0.9533), np.float32(0.97), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8892), np.float32(nan), np.float32(0.9588), np.float32(nan), np.float32(0.96), np.float32(0.6257), np.float32(0.8896), np.float32(nan), np.float32(0.9235), np.float32(0.6383), np.float32(0.8759), np.float32(0.7853), np.float32(0.6974), np.float32(0.8795), np.float32(0.9526), np.float32(0.9177), np.float32(0.8362), np.float32(0.833), np.float32(0.1679), np.float32(0.7606), np.float32(0.4712), np.float32(0.8452), np.float32(0.0976), np.float32(0.006), np.float32(0.9275), np.float32(0.5118), np.float32(0.8817), np.float32(0.0), np.float32(0.5112), np.float32(0.4609), np.float32(0.9312), np.float32(0.9377), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7783), np.float32(0.1003), np.float32(0.6474), np.float32(0.651), np.float32(0.964), np.float32(0.9487), np.float32(0.8328), np.float32(0.8545), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:21:31.342141: Epoch time: 125.68 s +2026-02-22 15:21:32.603059: +2026-02-22 15:21:32.606259: Epoch 813 +2026-02-22 15:21:32.607588: Current learning rate: 0.00221 +2026-02-22 15:23:45.826716: train_loss -0.1049 +2026-02-22 15:23:45.846673: val_loss -0.1007 +2026-02-22 15:23:45.854452: Pseudo dice [np.float32(0.961), np.float32(0.9164), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8911), np.float32(nan), np.float32(0.9644), np.float32(nan), np.float32(0.883), np.float32(0.6158), np.float32(0.8735), np.float32(nan), np.float32(0.8721), np.float32(0.4232), np.float32(0.8684), np.float32(0.6175), np.float32(0.7234), np.float32(0.8812), np.float32(0.9235), np.float32(0.9237), np.float32(0.8231), np.float32(0.8335), np.float32(0.0661), np.float32(0.412), np.float32(0.3798), np.float32(0.8789), np.float32(0.3681), np.float32(0.3915), np.float32(0.9374), np.float32(0.2261), np.float32(0.8381), np.float32(0.6757), np.float32(0.5961), np.float32(0.5835), np.float32(0.9272), np.float32(0.9392), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7451), np.float32(0.4245), np.float32(0.8413), np.float32(0.4138), np.float32(0.8571), np.float32(0.8099), np.float32(0.8204), np.float32(0.8427), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:23:45.862839: Epoch time: 133.23 s +2026-02-22 15:23:47.424563: +2026-02-22 15:23:47.443335: Epoch 814 +2026-02-22 15:23:47.444251: Current learning rate: 0.0022 +2026-02-22 15:26:01.938870: train_loss -0.1077 +2026-02-22 15:26:01.992715: val_loss -0.1285 +2026-02-22 15:26:01.994445: Pseudo dice [np.float32(0.9633), np.float32(0.9611), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9058), np.float32(nan), np.float32(0.943), np.float32(nan), np.float32(0.8951), np.float32(0.1832), np.float32(0.8738), np.float32(nan), np.float32(0.931), np.float32(0.6983), np.float32(0.8809), np.float32(0.8278), np.float32(0.7488), np.float32(0.9022), np.float32(0.9464), np.float32(0.9327), np.float32(0.8186), np.float32(0.8368), np.float32(0.31), np.float32(0.6559), np.float32(0.408), np.float32(0.8988), np.float32(0.0563), np.float32(0.5975), np.float32(0.9565), np.float32(0.0966), np.float32(0.9016), np.float32(0.7235), np.float32(0.483), np.float32(0.4654), np.float32(0.9293), np.float32(0.9175), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8242), np.float32(0.8647), np.float32(0.7479), np.float32(0.7891), np.float32(0.9732), np.float32(0.9682), np.float32(0.8286), np.float32(0.8431), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:26:01.995569: Epoch time: 134.48 s +2026-02-22 15:26:03.296216: +2026-02-22 15:26:03.299566: Epoch 815 +2026-02-22 15:26:03.300369: Current learning rate: 0.00219 +2026-02-22 15:28:07.772845: train_loss -0.1214 +2026-02-22 15:28:07.810230: val_loss -0.12 +2026-02-22 15:28:07.816054: Pseudo dice [np.float32(0.9239), np.float32(0.9424), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.9437), np.float32(nan), np.float32(0.8975), np.float32(0.0228), np.float32(0.8883), np.float32(0.0), np.float32(0.922), np.float32(0.508), np.float32(0.8889), np.float32(0.4283), np.float32(0.7369), np.float32(0.8844), np.float32(0.9497), np.float32(0.927), np.float32(0.8292), np.float32(0.8426), np.float32(0.195), np.float32(0.4632), np.float32(0.0817), np.float32(0.8495), np.float32(0.467), np.float32(0.2152), np.float32(0.8316), np.float32(0.1926), np.float32(0.8769), np.float32(0.6447), np.float32(0.5807), np.float32(0.5101), np.float32(0.9194), np.float32(0.9346), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6652), np.float32(0.6105), np.float32(0.5555), np.float32(0.6816), np.float32(0.9094), np.float32(0.8652), np.float32(0.8061), np.float32(0.8412), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:28:07.823671: Epoch time: 124.48 s +2026-02-22 15:28:09.159877: +2026-02-22 15:28:09.163598: Epoch 816 +2026-02-22 15:28:09.164508: Current learning rate: 0.00218 +2026-02-22 15:30:17.541255: train_loss -0.1178 +2026-02-22 15:30:17.546478: val_loss -0.1317 +2026-02-22 15:30:17.549020: Pseudo dice [np.float32(0.9718), np.float32(0.9695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9095), np.float32(nan), np.float32(0.9655), np.float32(nan), np.float32(0.9559), np.float32(0.0655), np.float32(0.8881), np.float32(nan), np.float32(0.9167), np.float32(0.6643), np.float32(0.8741), np.float32(0.6061), np.float32(0.7618), np.float32(0.9011), np.float32(0.9566), np.float32(0.9335), np.float32(0.8103), np.float32(0.835), np.float32(0.6931), np.float32(0.5242), np.float32(0.412), np.float32(0.8713), np.float32(0.0674), np.float32(0.0753), np.float32(0.9465), np.float32(0.4068), np.float32(0.8426), np.float32(0.6717), np.float32(0.4894), np.float32(0.4884), np.float32(0.9393), np.float32(0.9243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7901), np.float32(0.3081), np.float32(0.8906), np.float32(0.5906), np.float32(0.9505), np.float32(0.9631), np.float32(0.8342), np.float32(0.852), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:30:17.550269: Epoch time: 128.38 s +2026-02-22 15:30:19.198025: +2026-02-22 15:30:19.230207: Epoch 817 +2026-02-22 15:30:19.238289: Current learning rate: 0.00217 +2026-02-22 15:32:12.892489: train_loss -0.1194 +2026-02-22 15:32:12.916694: val_loss -0.1437 +2026-02-22 15:32:12.920122: Pseudo dice [np.float32(0.9704), np.float32(0.9638), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8968), np.float32(nan), np.float32(0.9687), np.float32(nan), np.float32(0.9317), np.float32(0.6302), np.float32(0.9153), np.float32(0.0), np.float32(0.8886), np.float32(0.6912), np.float32(0.88), np.float32(0.8836), np.float32(0.7579), np.float32(0.9048), np.float32(0.9541), np.float32(0.933), np.float32(0.7958), np.float32(0.8381), np.float32(0.7122), np.float32(0.6812), np.float32(0.0), np.float32(0.9049), np.float32(0.0388), np.float32(0.0975), np.float32(0.929), np.float32(0.0292), np.float32(0.8797), np.float32(0.1572), np.float32(0.6348), np.float32(0.583), np.float32(0.9778), np.float32(0.9745), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8341), np.float32(0.3552), np.float32(0.8448), np.float32(0.74), np.float32(0.9122), np.float32(0.8445), np.float32(0.8288), np.float32(0.8501), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:32:12.922489: Epoch time: 113.7 s +2026-02-22 15:32:13.967124: +2026-02-22 15:32:13.979498: Epoch 818 +2026-02-22 15:32:13.981274: Current learning rate: 0.00216 +2026-02-22 15:34:16.701616: train_loss -0.1193 +2026-02-22 15:34:16.728642: val_loss -0.1294 +2026-02-22 15:34:16.731375: Pseudo dice [np.float32(0.9709), np.float32(0.9707), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8983), np.float32(nan), np.float32(0.9606), np.float32(nan), np.float32(0.9673), np.float32(0.8072), np.float32(0.902), np.float32(nan), np.float32(0.9244), np.float32(0.7907), np.float32(0.895), np.float32(0.6681), np.float32(0.7235), np.float32(0.9069), np.float32(0.9577), np.float32(0.9398), np.float32(0.8046), np.float32(0.8218), np.float32(0.5132), np.float32(0.4581), np.float32(0.4143), np.float32(0.8805), np.float32(0.0678), np.float32(0.4999), np.float32(0.9099), np.float32(0.6518), np.float32(0.8768), np.float32(0.5519), np.float32(0.5562), np.float32(0.6063), np.float32(0.9379), np.float32(0.921), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8024), np.float32(0.0069), np.float32(0.8818), np.float32(0.3587), np.float32(0.9296), np.float32(0.9335), np.float32(0.8294), np.float32(0.8635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:34:16.733033: Epoch time: 122.74 s +2026-02-22 15:34:18.246610: +2026-02-22 15:34:18.251897: Epoch 819 +2026-02-22 15:34:18.252687: Current learning rate: 0.00215 +2026-02-22 15:36:22.190170: train_loss -0.1188 +2026-02-22 15:36:22.205031: val_loss -0.1262 +2026-02-22 15:36:22.206235: Pseudo dice [np.float32(0.9556), np.float32(0.9415), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9033), np.float32(nan), np.float32(0.968), np.float32(nan), np.float32(0.9276), np.float32(0.6737), np.float32(0.8952), np.float32(0.0), np.float32(0.9197), np.float32(0.7325), np.float32(0.8964), np.float32(0.7428), np.float32(0.7435), np.float32(0.9129), np.float32(0.9578), np.float32(0.9407), np.float32(0.8141), np.float32(0.8399), np.float32(0.0229), np.float32(0.4377), np.float32(0.7149), np.float32(0.8755), np.float32(0.4634), np.float32(0.3698), np.float32(0.9594), np.float32(0.4423), np.float32(0.8325), np.float32(0.7498), np.float32(0.6233), np.float32(0.5337), np.float32(0.919), np.float32(0.916), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8245), np.float32(0.5942), np.float32(0.8613), np.float32(0.5927), np.float32(0.638), np.float32(0.6167), np.float32(0.8232), np.float32(0.8373), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:36:22.207226: Epoch time: 123.95 s +2026-02-22 15:36:23.466473: +2026-02-22 15:36:23.473776: Epoch 820 +2026-02-22 15:36:23.475336: Current learning rate: 0.00214 +2026-02-22 15:38:29.730063: train_loss -0.1218 +2026-02-22 15:38:29.743618: val_loss -0.1361 +2026-02-22 15:38:29.749038: Pseudo dice [np.float32(0.9699), np.float32(0.9537), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.9649), np.float32(nan), np.float32(0.9491), np.float32(0.7144), np.float32(0.9021), np.float32(nan), np.float32(0.9289), np.float32(0.8244), np.float32(0.8821), np.float32(0.7425), np.float32(0.7506), np.float32(0.9046), np.float32(0.9483), np.float32(0.9246), np.float32(0.827), np.float32(0.8298), np.float32(0.8466), np.float32(0.6407), np.float32(0.5306), np.float32(0.8715), np.float32(0.1316), np.float32(0.1868), np.float32(0.9492), np.float32(0.5311), np.float32(0.8741), np.float32(0.5916), np.float32(0.6109), np.float32(0.5817), np.float32(0.9233), np.float32(0.9121), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7778), np.float32(0.5637), np.float32(0.7251), np.float32(0.772), np.float32(0.8597), np.float32(0.8529), np.float32(0.8184), np.float32(0.8487), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:38:29.750561: Epoch time: 126.27 s +2026-02-22 15:38:29.751283: Yayy! New best EMA pseudo Dice: 0.7336000204086304 +2026-02-22 15:38:32.619342: +2026-02-22 15:38:32.621929: Epoch 821 +2026-02-22 15:38:32.622733: Current learning rate: 0.00213 +2026-02-22 15:40:42.728466: train_loss -0.1028 +2026-02-22 15:40:42.764554: val_loss -0.1089 +2026-02-22 15:40:42.779858: Pseudo dice [np.float32(0.9479), np.float32(0.9478), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8889), np.float32(nan), np.float32(0.9486), np.float32(nan), np.float32(0.9571), np.float32(0.6876), np.float32(0.8941), np.float32(0.0), np.float32(0.8981), np.float32(0.738), np.float32(0.8734), np.float32(0.6027), np.float32(0.7246), np.float32(0.9075), np.float32(0.9397), np.float32(0.9331), np.float32(0.8332), np.float32(0.8284), np.float32(0.1091), np.float32(0.6633), np.float32(0.0678), np.float32(0.8717), np.float32(0.2328), np.float32(0.482), np.float32(0.9239), np.float32(0.6528), np.float32(0.8768), np.float32(0.6761), np.float32(0.64), np.float32(0.5057), np.float32(0.9304), np.float32(0.9362), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7782), np.float32(0.7246), np.float32(0.8114), np.float32(0.7572), np.float32(0.8925), np.float32(0.9113), np.float32(0.8394), np.float32(0.8575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:40:42.788887: Epoch time: 130.11 s +2026-02-22 15:40:42.793140: Yayy! New best EMA pseudo Dice: 0.7343999743461609 +2026-02-22 15:40:45.188824: +2026-02-22 15:40:45.190919: Epoch 822 +2026-02-22 15:40:45.191967: Current learning rate: 0.00212 +2026-02-22 15:42:47.697082: train_loss -0.1226 +2026-02-22 15:42:47.738981: val_loss -0.1237 +2026-02-22 15:42:47.749853: Pseudo dice [np.float32(0.9681), np.float32(0.9678), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8948), np.float32(nan), np.float32(0.9594), np.float32(nan), np.float32(0.9422), np.float32(0.4134), np.float32(0.9051), np.float32(nan), np.float32(0.916), np.float32(0.6842), np.float32(0.8649), np.float32(0.6288), np.float32(0.7396), np.float32(0.9022), np.float32(0.9522), np.float32(0.9312), np.float32(0.8159), np.float32(0.8291), np.float32(0.3324), np.float32(0.3478), np.float32(0.7191), np.float32(0.8262), np.float32(0.2031), np.float32(0.4717), np.float32(0.9173), np.float32(0.1774), np.float32(0.8531), np.float32(0.441), np.float32(0.5988), np.float32(0.5525), np.float32(0.9161), np.float32(0.9171), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8658), np.float32(0.0089), np.float32(0.743), np.float32(0.8066), np.float32(0.7914), np.float32(0.7744), np.float32(0.8262), np.float32(0.8588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:42:47.755489: Epoch time: 122.51 s +2026-02-22 15:42:49.041542: +2026-02-22 15:42:49.045063: Epoch 823 +2026-02-22 15:42:49.045919: Current learning rate: 0.0021 +2026-02-22 15:44:45.069543: train_loss -0.1093 +2026-02-22 15:44:45.111737: val_loss -0.1361 +2026-02-22 15:44:45.116230: Pseudo dice [np.float32(0.9642), np.float32(0.9593), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8889), np.float32(nan), np.float32(0.9632), np.float32(nan), np.float32(0.9487), np.float32(0.3262), np.float32(0.8849), np.float32(nan), np.float32(0.905), np.float32(0.8145), np.float32(0.8595), np.float32(0.6796), np.float32(0.7273), np.float32(0.9034), np.float32(0.9451), np.float32(0.9247), np.float32(0.776), np.float32(0.8119), np.float32(0.6759), np.float32(0.7045), np.float32(0.1825), np.float32(0.7876), np.float32(0.4334), np.float32(0.4613), np.float32(0.9339), np.float32(0.4018), np.float32(0.8466), np.float32(0.697), np.float32(0.4781), np.float32(0.4856), np.float32(0.9371), np.float32(0.9317), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8505), np.float32(0.0713), np.float32(0.8816), np.float32(0.7084), np.float32(0.933), np.float32(0.911), np.float32(0.8445), np.float32(0.8564), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:44:45.121467: Epoch time: 116.03 s +2026-02-22 15:44:45.127584: Yayy! New best EMA pseudo Dice: 0.7351999878883362 +2026-02-22 15:44:47.591581: +2026-02-22 15:44:47.592753: Epoch 824 +2026-02-22 15:44:47.593804: Current learning rate: 0.00209 +2026-02-22 15:46:43.253269: train_loss -0.1218 +2026-02-22 15:46:43.258766: val_loss -0.1297 +2026-02-22 15:46:43.259813: Pseudo dice [np.float32(0.9525), np.float32(0.9548), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9003), np.float32(nan), np.float32(0.9595), np.float32(nan), np.float32(0.9224), np.float32(0.6968), np.float32(0.8856), np.float32(nan), np.float32(0.9106), np.float32(0.5204), np.float32(0.8924), np.float32(0.54), np.float32(0.7499), np.float32(0.9187), np.float32(0.9522), np.float32(0.9379), np.float32(0.786), np.float32(0.8412), np.float32(0.5779), np.float32(0.5638), np.float32(0.4768), np.float32(0.8886), np.float32(0.4943), np.float32(0.4955), np.float32(0.9474), np.float32(0.0636), np.float32(0.8555), np.float32(0.4114), np.float32(0.4964), np.float32(0.4562), np.float32(0.9274), np.float32(0.9237), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8829), np.float32(0.4561), np.float32(0.0), np.float32(0.124), np.float32(0.9432), np.float32(0.8349), np.float32(0.8186), np.float32(0.8645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:46:43.260805: Epoch time: 115.66 s +2026-02-22 15:46:44.565516: +2026-02-22 15:46:44.571844: Epoch 825 +2026-02-22 15:46:44.572616: Current learning rate: 0.00208 +2026-02-22 15:48:54.982961: train_loss -0.1282 +2026-02-22 15:48:54.989369: val_loss -0.1274 +2026-02-22 15:48:54.991385: Pseudo dice [np.float32(0.9636), np.float32(0.9611), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9014), np.float32(nan), np.float32(0.9601), np.float32(nan), np.float32(0.9283), np.float32(0.3307), np.float32(0.8939), np.float32(nan), np.float32(0.9103), np.float32(0.6885), np.float32(0.8845), np.float32(0.7654), np.float32(0.7599), np.float32(0.9081), np.float32(0.9438), np.float32(0.928), np.float32(0.816), np.float32(0.8364), np.float32(0.4422), np.float32(0.4461), np.float32(0.7096), np.float32(0.8883), np.float32(0.5096), np.float32(0.1402), np.float32(0.9379), np.float32(0.5325), np.float32(0.8783), np.float32(0.2146), np.float32(0.4981), np.float32(0.4911), np.float32(0.883), np.float32(0.9091), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7474), np.float32(0.59), np.float32(0.8979), np.float32(0.5159), np.float32(0.787), np.float32(0.7142), np.float32(0.847), np.float32(0.8713), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:48:54.992408: Epoch time: 130.42 s +2026-02-22 15:48:56.051946: +2026-02-22 15:48:56.056404: Epoch 826 +2026-02-22 15:48:56.057722: Current learning rate: 0.00207 +2026-02-22 15:51:08.972094: train_loss -0.1323 +2026-02-22 15:51:08.986358: val_loss -0.1164 +2026-02-22 15:51:08.988022: Pseudo dice [np.float32(0.9354), np.float32(0.9266), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9004), np.float32(nan), np.float32(0.9485), np.float32(nan), np.float32(0.9481), np.float32(0.4354), np.float32(0.9079), np.float32(nan), np.float32(0.9032), np.float32(0.7759), np.float32(0.8651), np.float32(0.5708), np.float32(0.7257), np.float32(0.9164), np.float32(0.9411), np.float32(0.9211), np.float32(0.7784), np.float32(0.8243), np.float32(0.2561), np.float32(0.4552), np.float32(0.7637), np.float32(0.8642), np.float32(0.6669), np.float32(0.5027), np.float32(0.9487), np.float32(0.4177), np.float32(0.8665), np.float32(0.6379), np.float32(0.5949), np.float32(0.6417), np.float32(0.8801), np.float32(0.9348), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7081), np.float32(0.3934), np.float32(0.8316), np.float32(0.6568), np.float32(0.906), np.float32(0.8622), np.float32(0.8208), np.float32(0.8563), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:51:08.991170: Epoch time: 132.92 s +2026-02-22 15:51:08.996526: Yayy! New best EMA pseudo Dice: 0.7364000082015991 +2026-02-22 15:51:11.497097: +2026-02-22 15:51:11.503970: Epoch 827 +2026-02-22 15:51:11.509735: Current learning rate: 0.00206 +2026-02-22 15:53:18.136325: train_loss -0.134 +2026-02-22 15:53:18.145187: val_loss -0.1408 +2026-02-22 15:53:18.155086: Pseudo dice [np.float32(0.9509), np.float32(0.933), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8926), np.float32(nan), np.float32(0.9649), np.float32(nan), np.float32(0.9582), np.float32(0.4668), np.float32(0.914), np.float32(nan), np.float32(0.9027), np.float32(0.6831), np.float32(0.8593), np.float32(0.7255), np.float32(0.7224), np.float32(0.9085), np.float32(0.9508), np.float32(0.9311), np.float32(0.8433), np.float32(0.8415), np.float32(0.068), np.float32(0.0), np.float32(0.394), np.float32(0.8674), np.float32(0.1708), np.float32(0.2631), np.float32(0.9318), np.float32(0.4496), np.float32(0.8253), np.float32(0.7121), np.float32(0.5327), np.float32(0.4729), np.float32(0.8794), np.float32(0.9076), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8198), np.float32(0.0), np.float32(0.8082), np.float32(0.73), np.float32(0.9779), np.float32(0.9699), np.float32(0.8499), np.float32(0.8588), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:53:18.159669: Epoch time: 126.64 s +2026-02-22 15:53:19.413198: +2026-02-22 15:53:19.419222: Epoch 828 +2026-02-22 15:53:19.420022: Current learning rate: 0.00205 +2026-02-22 15:55:13.928757: train_loss -0.1322 +2026-02-22 15:55:13.978709: val_loss -0.123 +2026-02-22 15:55:13.986716: Pseudo dice [np.float32(0.9554), np.float32(0.9601), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8983), np.float32(nan), np.float32(0.9552), np.float32(nan), np.float32(0.9542), np.float32(0.5541), np.float32(0.9126), np.float32(nan), np.float32(0.9005), np.float32(0.6629), np.float32(0.8919), np.float32(0.8216), np.float32(0.721), np.float32(0.9115), np.float32(0.9537), np.float32(0.9272), np.float32(0.8281), np.float32(0.8289), np.float32(0.7493), np.float32(0.7608), np.float32(0.7555), np.float32(0.8929), np.float32(0.2364), np.float32(0.7106), np.float32(0.9637), np.float32(0.343), np.float32(0.8669), np.float32(0.7522), np.float32(0.6304), np.float32(0.5823), np.float32(0.9471), np.float32(0.9268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9126), np.float32(0.0), np.float32(0.9062), np.float32(0.5986), np.float32(0.9235), np.float32(0.9414), np.float32(0.8252), np.float32(0.8543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:55:13.994721: Epoch time: 114.52 s +2026-02-22 15:55:14.000519: Yayy! New best EMA pseudo Dice: 0.7397000193595886 +2026-02-22 15:55:16.826760: +2026-02-22 15:55:16.831536: Epoch 829 +2026-02-22 15:55:16.833120: Current learning rate: 0.00204 +2026-02-22 15:57:22.887235: train_loss -0.1265 +2026-02-22 15:57:22.968443: val_loss -0.1408 +2026-02-22 15:57:22.973635: Pseudo dice [np.float32(0.9641), np.float32(0.9653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9066), np.float32(nan), np.float32(0.9719), np.float32(nan), np.float32(0.9616), np.float32(0.6197), np.float32(0.9039), np.float32(nan), np.float32(0.928), np.float32(0.7872), np.float32(0.8933), np.float32(0.7195), np.float32(0.7724), np.float32(0.9035), np.float32(0.9485), np.float32(0.9252), np.float32(0.8332), np.float32(0.8209), np.float32(0.7396), np.float32(0.6476), np.float32(0.532), np.float32(0.8853), np.float32(0.6577), np.float32(0.3153), np.float32(0.9294), np.float32(0.4721), np.float32(0.8625), np.float32(0.4217), np.float32(0.6328), np.float32(0.441), np.float32(0.8887), np.float32(0.9276), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7928), np.float32(0.0675), np.float32(0.753), np.float32(0.5611), np.float32(0.9133), np.float32(0.894), np.float32(0.8316), np.float32(0.8578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:57:22.977936: Epoch time: 126.05 s +2026-02-22 15:57:22.986383: Yayy! New best EMA pseudo Dice: 0.7422999739646912 +2026-02-22 15:57:25.347437: +2026-02-22 15:57:25.349025: Epoch 830 +2026-02-22 15:57:25.349829: Current learning rate: 0.00203 +2026-02-22 15:59:41.308263: train_loss -0.1347 +2026-02-22 15:59:41.321445: val_loss -0.1274 +2026-02-22 15:59:41.322475: Pseudo dice [np.float32(0.9567), np.float32(0.9713), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.959), np.float32(nan), np.float32(0.957), np.float32(0.6651), np.float32(0.9072), np.float32(nan), np.float32(0.9388), np.float32(0.8412), np.float32(0.8893), np.float32(0.7023), np.float32(0.7349), np.float32(0.9077), np.float32(0.956), np.float32(0.9397), np.float32(0.8296), np.float32(0.8055), np.float32(0.7688), np.float32(0.5793), np.float32(0.7516), np.float32(0.8729), np.float32(0.2238), np.float32(0.3875), np.float32(0.9452), np.float32(0.3649), np.float32(0.8743), np.float32(0.0), np.float32(0.5232), np.float32(0.4587), np.float32(0.9002), np.float32(0.9419), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7301), np.float32(0.6998), np.float32(0.7789), np.float32(0.7417), np.float32(0.7569), np.float32(0.8208), np.float32(0.8444), np.float32(0.8621), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 15:59:41.323484: Epoch time: 135.96 s +2026-02-22 15:59:41.324680: Yayy! New best EMA pseudo Dice: 0.7441999912261963 +2026-02-22 15:59:44.004062: +2026-02-22 15:59:44.005406: Epoch 831 +2026-02-22 15:59:44.006230: Current learning rate: 0.00202 +2026-02-22 16:01:32.321541: train_loss -0.1297 +2026-02-22 16:01:32.345271: val_loss -0.1256 +2026-02-22 16:01:32.346589: Pseudo dice [np.float32(0.9671), np.float32(0.9683), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9013), np.float32(nan), np.float32(0.9588), np.float32(nan), np.float32(0.9585), np.float32(0.6962), np.float32(0.8964), np.float32(nan), np.float32(0.8955), np.float32(0.7351), np.float32(0.8874), np.float32(0.8791), np.float32(0.748), np.float32(0.9058), np.float32(0.9513), np.float32(0.9278), np.float32(0.8131), np.float32(0.8292), np.float32(0.6973), np.float32(0.414), np.float32(0.5333), np.float32(0.8674), np.float32(0.5304), np.float32(0.2271), np.float32(0.9413), np.float32(0.5694), np.float32(0.8556), np.float32(0.4433), np.float32(0.4918), np.float32(0.4177), np.float32(0.8737), np.float32(0.8672), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8262), np.float32(0.0009), np.float32(0.8168), np.float32(0.2014), np.float32(0.9556), np.float32(0.9161), np.float32(0.8445), np.float32(0.851), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:01:32.347519: Epoch time: 108.32 s +2026-02-22 16:01:32.348451: Yayy! New best EMA pseudo Dice: 0.7443000078201294 +2026-02-22 16:01:35.032186: +2026-02-22 16:01:35.036166: Epoch 832 +2026-02-22 16:01:35.036989: Current learning rate: 0.00201 +2026-02-22 16:03:31.930891: train_loss -0.1203 +2026-02-22 16:03:31.944025: val_loss -0.1418 +2026-02-22 16:03:31.945055: Pseudo dice [np.float32(0.9657), np.float32(0.966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9033), np.float32(nan), np.float32(0.9731), np.float32(nan), np.float32(0.9225), np.float32(0.6399), np.float32(0.8971), np.float32(nan), np.float32(0.9286), np.float32(0.6106), np.float32(0.8927), np.float32(0.7702), np.float32(0.7632), np.float32(0.9136), np.float32(0.9511), np.float32(0.9446), np.float32(0.806), np.float32(0.8448), np.float32(0.5124), np.float32(0.4464), np.float32(0.7909), np.float32(0.818), np.float32(0.4689), np.float32(0.4166), np.float32(0.9465), np.float32(0.4652), np.float32(0.8844), np.float32(0.5149), np.float32(0.6617), np.float32(0.5361), np.float32(0.9539), np.float32(0.9543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8389), np.float32(0.7638), np.float32(0.747), np.float32(0.686), np.float32(0.9252), np.float32(0.952), np.float32(0.848), np.float32(0.8626), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:03:31.949840: Epoch time: 116.9 s +2026-02-22 16:03:31.968879: Yayy! New best EMA pseudo Dice: 0.7486000061035156 +2026-02-22 16:03:34.917217: +2026-02-22 16:03:34.918532: Epoch 833 +2026-02-22 16:03:34.919337: Current learning rate: 0.002 +2026-02-22 16:05:44.758766: train_loss -0.1313 +2026-02-22 16:05:44.781334: val_loss -0.1319 +2026-02-22 16:05:44.782876: Pseudo dice [np.float32(0.9621), np.float32(0.9635), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9087), np.float32(nan), np.float32(0.9565), np.float32(nan), np.float32(0.8929), np.float32(0.5302), np.float32(0.9108), np.float32(nan), np.float32(0.9135), np.float32(0.5648), np.float32(0.8842), np.float32(0.8289), np.float32(0.7101), np.float32(0.9035), np.float32(0.9503), np.float32(0.928), np.float32(0.8137), np.float32(0.8312), np.float32(0.2948), np.float32(0.5617), np.float32(0.4747), np.float32(0.8145), np.float32(0.1971), np.float32(0.1706), np.float32(0.9542), np.float32(0.5891), np.float32(0.8827), np.float32(0.781), np.float32(0.4563), np.float32(0.4424), np.float32(0.9655), np.float32(0.9661), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7785), np.float32(0.1709), np.float32(0.6796), np.float32(0.7002), np.float32(0.9727), np.float32(0.9707), np.float32(0.8397), np.float32(0.8531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:05:44.783848: Epoch time: 129.84 s +2026-02-22 16:05:45.904001: +2026-02-22 16:05:45.908234: Epoch 834 +2026-02-22 16:05:45.909795: Current learning rate: 0.00199 +2026-02-22 16:07:52.833149: train_loss -0.1126 +2026-02-22 16:07:52.860701: val_loss -0.1263 +2026-02-22 16:07:52.954924: Pseudo dice [np.float32(0.9568), np.float32(0.957), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8893), np.float32(nan), np.float32(0.9583), np.float32(nan), np.float32(0.9148), np.float32(0.3457), np.float32(0.8968), np.float32(nan), np.float32(0.9347), np.float32(0.8407), np.float32(0.8518), np.float32(0.7278), np.float32(0.7288), np.float32(0.9085), np.float32(0.949), np.float32(0.9098), np.float32(0.8107), np.float32(0.8212), np.float32(0.2496), np.float32(0.4896), np.float32(0.5227), np.float32(0.8181), np.float32(0.3647), np.float32(0.4981), np.float32(0.9534), np.float32(0.526), np.float32(0.871), np.float32(0.4608), np.float32(0.4959), np.float32(0.4251), np.float32(0.9445), np.float32(0.936), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7122), np.float32(0.4609), np.float32(0.7633), np.float32(0.7826), np.float32(0.9084), np.float32(0.9028), np.float32(0.8198), np.float32(0.834), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:07:53.020324: Epoch time: 126.93 s +2026-02-22 16:07:54.263627: +2026-02-22 16:07:54.271957: Epoch 835 +2026-02-22 16:07:54.273249: Current learning rate: 0.00198 +2026-02-22 16:09:47.847920: train_loss -0.1142 +2026-02-22 16:09:47.915265: val_loss -0.1377 +2026-02-22 16:09:47.918961: Pseudo dice [np.float32(0.9625), np.float32(0.9683), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8979), np.float32(nan), np.float32(0.9501), np.float32(nan), np.float32(0.9273), np.float32(0.602), np.float32(0.9096), np.float32(0.0), np.float32(0.9105), np.float32(0.5001), np.float32(0.8746), np.float32(0.5724), np.float32(0.6991), np.float32(0.911), np.float32(0.9519), np.float32(0.92), np.float32(0.7865), np.float32(0.82), np.float32(0.4661), np.float32(0.5718), np.float32(0.529), np.float32(0.9025), np.float32(0.2267), np.float32(0.5554), np.float32(0.9269), np.float32(0.7124), np.float32(0.8516), np.float32(0.6888), np.float32(0.5578), np.float32(0.5151), np.float32(0.9665), np.float32(0.9586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7889), np.float32(0.781), np.float32(0.7608), np.float32(0.7291), np.float32(0.8786), np.float32(0.8019), np.float32(0.8381), np.float32(0.8586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:09:47.924453: Epoch time: 113.59 s +2026-02-22 16:09:49.297929: +2026-02-22 16:09:49.316518: Epoch 836 +2026-02-22 16:09:49.320534: Current learning rate: 0.00196 +2026-02-22 16:11:51.180846: train_loss -0.1046 +2026-02-22 16:11:51.188156: val_loss -0.1188 +2026-02-22 16:11:51.189572: Pseudo dice [np.float32(0.9594), np.float32(0.9651), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8827), np.float32(nan), np.float32(0.9492), np.float32(nan), np.float32(0.9586), np.float32(0.0), np.float32(0.8741), np.float32(nan), np.float32(0.9118), np.float32(0.8085), np.float32(0.855), np.float32(0.7275), np.float32(0.7518), np.float32(0.8916), np.float32(0.9479), np.float32(0.9258), np.float32(0.8144), np.float32(0.8281), np.float32(0.7661), np.float32(0.6379), np.float32(0.3316), np.float32(0.8119), np.float32(0.0225), np.float32(0.211), np.float32(0.935), np.float32(0.4162), np.float32(0.855), np.float32(0.7376), np.float32(0.5429), np.float32(0.4645), np.float32(0.9591), np.float32(0.9661), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6864), np.float32(0.5557), np.float32(0.7937), np.float32(0.6566), np.float32(0.8484), np.float32(0.9406), np.float32(0.809), np.float32(0.8602), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:11:51.192214: Epoch time: 121.89 s +2026-02-22 16:11:52.517143: +2026-02-22 16:11:52.520712: Epoch 837 +2026-02-22 16:11:52.521517: Current learning rate: 0.00195 +2026-02-22 16:13:54.558384: train_loss -0.1129 +2026-02-22 16:13:54.650335: val_loss -0.1157 +2026-02-22 16:13:54.656069: Pseudo dice [np.float32(0.9434), np.float32(0.9141), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8932), np.float32(nan), np.float32(0.959), np.float32(nan), np.float32(0.9165), np.float32(0.8612), np.float32(0.8971), np.float32(nan), np.float32(0.9101), np.float32(0.5768), np.float32(0.8806), np.float32(0.0), np.float32(0.7194), np.float32(0.9111), np.float32(0.9348), np.float32(0.9175), np.float32(0.8063), np.float32(0.7685), np.float32(0.7089), np.float32(0.5225), np.float32(0.4672), np.float32(0.8389), np.float32(0.4655), np.float32(0.5541), np.float32(0.9132), np.float32(0.424), np.float32(0.8056), np.float32(0.3779), np.float32(0.5239), np.float32(0.4616), np.float32(0.9345), np.float32(0.9232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7547), np.float32(0.0), np.float32(0.5631), np.float32(0.508), np.float32(0.9335), np.float32(0.9425), np.float32(0.8189), np.float32(0.8447), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:13:54.663611: Epoch time: 122.04 s +2026-02-22 16:13:55.928222: +2026-02-22 16:13:55.940476: Epoch 838 +2026-02-22 16:13:55.941265: Current learning rate: 0.00194 +2026-02-22 16:16:03.635554: train_loss -0.1188 +2026-02-22 16:16:03.648431: val_loss -0.1034 +2026-02-22 16:16:03.655124: Pseudo dice [np.float32(0.9532), np.float32(0.9418), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8852), np.float32(nan), np.float32(0.9441), np.float32(nan), np.float32(0.9564), np.float32(0.3773), np.float32(0.9162), np.float32(nan), np.float32(0.9263), np.float32(0.5588), np.float32(0.8857), np.float32(0.6033), np.float32(0.7682), np.float32(0.9115), np.float32(0.9466), np.float32(0.9207), np.float32(0.8106), np.float32(0.8375), np.float32(0.6793), np.float32(0.5276), np.float32(0.4002), np.float32(0.8474), np.float32(0.3347), np.float32(0.7376), np.float32(0.9148), np.float32(0.1879), np.float32(0.8677), np.float32(0.4474), np.float32(0.58), np.float32(0.4449), np.float32(0.8634), np.float32(0.9085), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8561), np.float32(0.1469), np.float32(0.7394), np.float32(0.8247), np.float32(0.7476), np.float32(0.8287), np.float32(0.8397), np.float32(0.8753), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:16:03.660366: Epoch time: 127.71 s +2026-02-22 16:16:05.097816: +2026-02-22 16:16:05.102197: Epoch 839 +2026-02-22 16:16:05.103003: Current learning rate: 0.00193 +2026-02-22 16:18:12.128952: train_loss -0.1207 +2026-02-22 16:18:12.159286: val_loss -0.1369 +2026-02-22 16:18:12.162304: Pseudo dice [np.float32(0.9665), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9012), np.float32(nan), np.float32(0.9657), np.float32(nan), np.float32(0.9484), np.float32(0.0779), np.float32(0.8984), np.float32(nan), np.float32(0.927), np.float32(0.5938), np.float32(0.8854), np.float32(0.5714), np.float32(0.7297), np.float32(0.9122), np.float32(0.9415), np.float32(0.9297), np.float32(0.8186), np.float32(0.791), np.float32(0.6854), np.float32(0.6312), np.float32(0.0591), np.float32(0.824), np.float32(0.2313), np.float32(0.5656), np.float32(0.9516), np.float32(0.5337), np.float32(0.8835), np.float32(0.0262), np.float32(0.5289), np.float32(0.4784), np.float32(0.9424), np.float32(0.9433), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8437), np.float32(0.0072), np.float32(0.7111), np.float32(0.7864), np.float32(0.9729), np.float32(0.9696), np.float32(0.8331), np.float32(0.8411), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:18:12.163266: Epoch time: 127.03 s +2026-02-22 16:18:13.156227: +2026-02-22 16:18:13.159840: Epoch 840 +2026-02-22 16:18:13.160656: Current learning rate: 0.00192 +2026-02-22 16:20:14.833826: train_loss -0.1131 +2026-02-22 16:20:14.840461: val_loss -0.1319 +2026-02-22 16:20:14.841484: Pseudo dice [np.float32(0.9534), np.float32(0.9618), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8857), np.float32(nan), np.float32(0.9645), np.float32(nan), np.float32(0.9639), np.float32(0.2171), np.float32(0.8976), np.float32(nan), np.float32(0.9225), np.float32(0.688), np.float32(0.881), np.float32(0.6638), np.float32(0.7085), np.float32(0.9014), np.float32(0.9464), np.float32(0.9324), np.float32(0.8168), np.float32(0.8547), np.float32(0.1041), np.float32(0.395), np.float32(0.0), np.float32(0.849), np.float32(0.2214), np.float32(0.3475), np.float32(0.9585), np.float32(0.5487), np.float32(0.8499), np.float32(0.7801), np.float32(0.5288), np.float32(0.4839), np.float32(0.9603), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8097), np.float32(0.0226), np.float32(0.7553), np.float32(0.1933), np.float32(0.8627), np.float32(0.8344), np.float32(0.8283), np.float32(0.8467), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:20:14.842484: Epoch time: 121.68 s +2026-02-22 16:20:16.538211: +2026-02-22 16:20:16.540275: Epoch 841 +2026-02-22 16:20:16.541079: Current learning rate: 0.00191 +2026-02-22 16:22:17.361234: train_loss -0.1166 +2026-02-22 16:22:17.402999: val_loss -0.1302 +2026-02-22 16:22:17.409819: Pseudo dice [np.float32(0.9654), np.float32(0.9654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9007), np.float32(nan), np.float32(0.9693), np.float32(nan), np.float32(0.9392), np.float32(0.6489), np.float32(0.8903), np.float32(nan), np.float32(0.9107), np.float32(0.6651), np.float32(0.8776), np.float32(0.7814), np.float32(0.6968), np.float32(0.9087), np.float32(0.9541), np.float32(0.9326), np.float32(0.8137), np.float32(0.8254), np.float32(0.5231), np.float32(0.4721), np.float32(0.5791), np.float32(0.8228), np.float32(0.5188), np.float32(0.5831), np.float32(0.9278), np.float32(0.2716), np.float32(0.8605), np.float32(0.5302), np.float32(0.5392), np.float32(0.5004), np.float32(0.9288), np.float32(0.9479), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8327), np.float32(0.7325), np.float32(0.838), np.float32(0.595), np.float32(0.9742), np.float32(0.9674), np.float32(0.832), np.float32(0.8525), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:22:17.413388: Epoch time: 120.83 s +2026-02-22 16:22:18.767894: +2026-02-22 16:22:18.771886: Epoch 842 +2026-02-22 16:22:18.772680: Current learning rate: 0.0019 +2026-02-22 16:24:26.856208: train_loss -0.1226 +2026-02-22 16:24:26.929326: val_loss -0.1211 +2026-02-22 16:24:26.934617: Pseudo dice [np.float32(0.9573), np.float32(0.96), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8932), np.float32(nan), np.float32(0.9678), np.float32(nan), np.float32(0.9655), np.float32(0.0), np.float32(0.8864), np.float32(0.0), np.float32(0.8973), np.float32(0.7939), np.float32(0.8676), np.float32(0.7415), np.float32(0.7243), np.float32(0.8916), np.float32(0.9464), np.float32(0.9292), np.float32(0.8053), np.float32(0.7949), np.float32(0.52), np.float32(0.555), np.float32(0.2126), np.float32(0.8564), np.float32(0.1864), np.float32(0.5234), np.float32(0.9373), np.float32(0.5603), np.float32(0.8556), np.float32(0.7523), np.float32(0.523), np.float32(0.5324), np.float32(0.9354), np.float32(0.9409), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8427), np.float32(0.0261), np.float32(0.8855), np.float32(0.7652), np.float32(0.9476), np.float32(0.9594), np.float32(0.8251), np.float32(0.8289), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:24:26.941223: Epoch time: 128.09 s +2026-02-22 16:24:28.469072: +2026-02-22 16:24:28.473483: Epoch 843 +2026-02-22 16:24:28.474719: Current learning rate: 0.00189 +2026-02-22 16:26:44.271191: train_loss -0.113 +2026-02-22 16:26:44.279038: val_loss -0.115 +2026-02-22 16:26:44.280066: Pseudo dice [np.float32(0.9629), np.float32(0.9454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8889), np.float32(nan), np.float32(0.951), np.float32(nan), np.float32(0.9161), np.float32(0.1408), np.float32(0.9019), np.float32(nan), np.float32(0.913), np.float32(0.6019), np.float32(0.864), np.float32(0.7761), np.float32(0.7288), np.float32(0.9084), np.float32(0.9092), np.float32(0.9229), np.float32(0.7672), np.float32(0.8087), np.float32(0.7491), np.float32(0.3826), np.float32(0.576), np.float32(0.8712), np.float32(0.0), np.float32(0.0221), np.float32(0.9291), np.float32(0.4281), np.float32(0.7991), np.float32(0.6314), np.float32(0.4897), np.float32(0.4745), np.float32(0.9398), np.float32(0.871), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7801), np.float32(0.0062), np.float32(0.8647), np.float32(0.5329), np.float32(0.9152), np.float32(0.9454), np.float32(0.8354), np.float32(0.8309), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:26:44.281118: Epoch time: 135.8 s +2026-02-22 16:26:45.447825: +2026-02-22 16:26:45.451392: Epoch 844 +2026-02-22 16:26:45.452203: Current learning rate: 0.00188 +2026-02-22 16:28:53.488777: train_loss -0.1135 +2026-02-22 16:28:53.624806: val_loss -0.1445 +2026-02-22 16:28:53.631950: Pseudo dice [np.float32(0.962), np.float32(0.9621), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9011), np.float32(nan), np.float32(0.9716), np.float32(nan), np.float32(0.9573), np.float32(0.8034), np.float32(0.8985), np.float32(0.0), np.float32(0.9172), np.float32(0.7542), np.float32(0.8815), np.float32(0.0895), np.float32(0.7409), np.float32(0.9182), np.float32(0.9518), np.float32(0.9348), np.float32(0.832), np.float32(0.8066), np.float32(0.6749), np.float32(0.4975), np.float32(0.5851), np.float32(0.8526), np.float32(0.3751), np.float32(0.1338), np.float32(0.9558), np.float32(0.5294), np.float32(0.8882), np.float32(0.6853), np.float32(0.5118), np.float32(0.4869), np.float32(0.9513), np.float32(0.9671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8461), np.float32(0.809), np.float32(0.5226), np.float32(0.5122), np.float32(0.9706), np.float32(0.9748), np.float32(0.8267), np.float32(0.8579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:28:53.636376: Epoch time: 128.04 s +2026-02-22 16:28:55.395002: +2026-02-22 16:28:55.401216: Epoch 845 +2026-02-22 16:28:55.402033: Current learning rate: 0.00187 +2026-02-22 16:30:52.904219: train_loss -0.1114 +2026-02-22 16:30:52.933928: val_loss -0.1193 +2026-02-22 16:30:52.942164: Pseudo dice [np.float32(0.9556), np.float32(0.9609), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8881), np.float32(nan), np.float32(0.9583), np.float32(nan), np.float32(0.9561), np.float32(0.776), np.float32(0.8895), np.float32(nan), np.float32(0.8953), np.float32(0.4187), np.float32(0.8676), np.float32(0.7748), np.float32(0.7331), np.float32(0.9022), np.float32(0.95), np.float32(0.9256), np.float32(0.7689), np.float32(0.8146), np.float32(0.3318), np.float32(0.5758), np.float32(0.4763), np.float32(0.8883), np.float32(0.5365), np.float32(0.7472), np.float32(0.947), np.float32(0.6627), np.float32(0.8797), np.float32(0.7526), np.float32(0.5457), np.float32(0.4974), np.float32(0.9112), np.float32(0.938), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7854), np.float32(0.0802), np.float32(0.9035), np.float32(0.3857), np.float32(0.9415), np.float32(0.9111), np.float32(0.827), np.float32(0.8498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:30:52.949895: Epoch time: 117.51 s +2026-02-22 16:30:54.128053: +2026-02-22 16:30:54.141598: Epoch 846 +2026-02-22 16:30:54.146321: Current learning rate: 0.00186 +2026-02-22 16:32:52.544947: train_loss -0.118 +2026-02-22 16:32:52.567138: val_loss -0.1258 +2026-02-22 16:32:52.572013: Pseudo dice [np.float32(0.9593), np.float32(0.9566), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8882), np.float32(nan), np.float32(0.963), np.float32(nan), np.float32(0.9468), np.float32(0.0), np.float32(0.8921), np.float32(nan), np.float32(0.8881), np.float32(0.7563), np.float32(0.8707), np.float32(0.8257), np.float32(0.7289), np.float32(0.915), np.float32(0.9516), np.float32(0.9322), np.float32(0.8057), np.float32(0.8558), np.float32(0.7838), np.float32(0.4754), np.float32(0.0), np.float32(0.8735), np.float32(0.16), np.float32(0.2775), np.float32(0.9075), np.float32(0.5625), np.float32(0.8411), np.float32(0.3984), np.float32(0.6205), np.float32(0.5621), np.float32(0.9193), np.float32(0.9312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7809), np.float32(0.0316), np.float32(0.4742), np.float32(0.3604), np.float32(0.9074), np.float32(0.8525), np.float32(0.8357), np.float32(0.8628), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:32:52.575236: Epoch time: 118.42 s +2026-02-22 16:32:53.801241: +2026-02-22 16:32:53.820225: Epoch 847 +2026-02-22 16:32:53.820967: Current learning rate: 0.00185 +2026-02-22 16:35:08.585063: train_loss -0.1286 +2026-02-22 16:35:08.596231: val_loss -0.143 +2026-02-22 16:35:08.597323: Pseudo dice [np.float32(0.9666), np.float32(0.9653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8902), np.float32(nan), np.float32(0.9616), np.float32(nan), np.float32(0.9374), np.float32(0.1869), np.float32(0.8982), np.float32(nan), np.float32(0.9377), np.float32(0.772), np.float32(0.8851), np.float32(0.6787), np.float32(0.7362), np.float32(0.923), np.float32(0.9536), np.float32(0.9338), np.float32(0.7832), np.float32(0.824), np.float32(0.7311), np.float32(0.5843), np.float32(0.785), np.float32(0.8945), np.float32(0.1009), np.float32(0.2729), np.float32(0.9145), np.float32(0.2912), np.float32(0.8289), np.float32(0.6465), np.float32(0.6409), np.float32(0.5697), np.float32(0.9304), np.float32(0.9075), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8359), np.float32(0.6507), np.float32(0.8675), np.float32(0.6748), np.float32(0.8019), np.float32(0.8373), np.float32(0.8463), np.float32(0.8686), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:35:08.598579: Epoch time: 134.78 s +2026-02-22 16:35:09.873521: +2026-02-22 16:35:09.887854: Epoch 848 +2026-02-22 16:35:09.895411: Current learning rate: 0.00184 +2026-02-22 16:37:13.757424: train_loss -0.134 +2026-02-22 16:37:13.797690: val_loss -0.115 +2026-02-22 16:37:13.799214: Pseudo dice [np.float32(0.9625), np.float32(0.9596), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8926), np.float32(nan), np.float32(0.9564), np.float32(nan), np.float32(0.9398), np.float32(0.2666), np.float32(0.8998), np.float32(nan), np.float32(0.904), np.float32(0.7731), np.float32(0.8813), np.float32(0.6939), np.float32(0.7383), np.float32(0.8948), np.float32(0.9501), np.float32(0.9324), np.float32(0.7836), np.float32(0.8058), np.float32(0.0673), np.float32(0.6455), np.float32(0.3931), np.float32(0.8932), np.float32(0.6968), np.float32(0.4407), np.float32(0.9581), np.float32(0.5968), np.float32(0.8594), np.float32(0.5407), np.float32(0.5123), np.float32(0.4704), np.float32(0.9594), np.float32(0.9153), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8401), np.float32(0.6034), np.float32(0.0), np.float32(0.1272), np.float32(0.9579), np.float32(0.9117), np.float32(0.8103), np.float32(0.8399), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:37:13.800163: Epoch time: 123.88 s +2026-02-22 16:37:15.428263: +2026-02-22 16:37:15.433409: Epoch 849 +2026-02-22 16:37:15.434199: Current learning rate: 0.00182 +2026-02-22 16:39:23.373708: train_loss -0.1318 +2026-02-22 16:39:23.396250: val_loss -0.1312 +2026-02-22 16:39:23.401759: Pseudo dice [np.float32(0.9211), np.float32(0.9124), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8985), np.float32(nan), np.float32(0.9661), np.float32(nan), np.float32(0.9475), np.float32(0.4709), np.float32(0.8913), np.float32(nan), np.float32(0.9178), np.float32(0.7567), np.float32(0.8667), np.float32(0.5818), np.float32(0.7461), np.float32(0.8959), np.float32(0.944), np.float32(0.9232), np.float32(0.8272), np.float32(0.8302), np.float32(0.0492), np.float32(0.7602), np.float32(0.1786), np.float32(0.8792), np.float32(0.02), np.float32(0.3337), np.float32(0.9487), np.float32(0.0113), np.float32(0.8728), np.float32(0.425), np.float32(0.6037), np.float32(0.545), np.float32(0.958), np.float32(0.9455), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8137), np.float32(0.4965), np.float32(0.0011), np.float32(0.1064), np.float32(0.9202), np.float32(0.9252), np.float32(0.8348), np.float32(0.8629), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:39:23.410753: Epoch time: 127.95 s +2026-02-22 16:39:26.622314: +2026-02-22 16:39:26.627694: Epoch 850 +2026-02-22 16:39:26.628502: Current learning rate: 0.00181 +2026-02-22 16:41:26.849799: train_loss -0.1065 +2026-02-22 16:41:26.891409: val_loss -0.088 +2026-02-22 16:41:26.896579: Pseudo dice [np.float32(0.9602), np.float32(0.9312), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(nan), np.float32(0.9356), np.float32(nan), np.float32(0.88), np.float32(0.3038), np.float32(0.8583), np.float32(nan), np.float32(0.914), np.float32(0.7676), np.float32(0.8505), np.float32(0.7517), np.float32(0.6894), np.float32(0.8867), np.float32(0.9308), np.float32(0.9072), np.float32(0.7643), np.float32(0.813), np.float32(0.0488), np.float32(0.3216), np.float32(0.7245), np.float32(0.7878), np.float32(0.393), np.float32(0.6013), np.float32(0.9493), np.float32(0.4518), np.float32(0.8527), np.float32(0.467), np.float32(0.4699), np.float32(0.426), np.float32(0.9086), np.float32(0.9252), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7412), np.float32(0.0617), np.float32(0.8303), np.float32(0.7145), np.float32(0.5801), np.float32(0.6196), np.float32(0.7961), np.float32(0.822), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:41:26.912127: Epoch time: 120.23 s +2026-02-22 16:41:28.031052: +2026-02-22 16:41:28.042911: Epoch 851 +2026-02-22 16:41:28.044461: Current learning rate: 0.0018 +2026-02-22 16:43:36.906085: train_loss -0.1167 +2026-02-22 16:43:36.987211: val_loss -0.1321 +2026-02-22 16:43:36.992808: Pseudo dice [np.float32(0.9552), np.float32(0.9702), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.887), np.float32(nan), np.float32(0.962), np.float32(nan), np.float32(0.9633), np.float32(0.0), np.float32(0.8967), np.float32(nan), np.float32(0.9155), np.float32(0.6274), np.float32(0.8749), np.float32(0.6625), np.float32(0.7485), np.float32(0.9082), np.float32(0.9444), np.float32(0.9174), np.float32(0.8191), np.float32(0.8477), np.float32(0.0062), np.float32(0.4657), np.float32(0.4545), np.float32(0.8904), np.float32(0.5856), np.float32(0.5339), np.float32(0.9402), np.float32(0.3934), np.float32(0.8689), np.float32(0.5213), np.float32(0.5922), np.float32(0.4942), np.float32(0.8948), np.float32(0.9068), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7822), np.float32(0.6386), np.float32(0.5993), np.float32(0.7503), np.float32(0.9359), np.float32(0.9291), np.float32(0.8379), np.float32(0.8465), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:43:36.996560: Epoch time: 128.88 s +2026-02-22 16:43:38.637651: +2026-02-22 16:43:38.640982: Epoch 852 +2026-02-22 16:43:38.641776: Current learning rate: 0.00179 +2026-02-22 16:45:52.427723: train_loss -0.1155 +2026-02-22 16:45:52.447180: val_loss -0.1208 +2026-02-22 16:45:52.452663: Pseudo dice [np.float32(0.9611), np.float32(0.9477), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8837), np.float32(nan), np.float32(0.9686), np.float32(nan), np.float32(0.9291), np.float32(0.5234), np.float32(0.8841), np.float32(0.0), np.float32(0.9087), np.float32(0.6638), np.float32(0.8727), np.float32(0.5924), np.float32(0.7374), np.float32(0.8899), np.float32(0.9472), np.float32(0.9308), np.float32(0.8017), np.float32(0.8419), np.float32(0.1743), np.float32(0.4654), np.float32(0.1806), np.float32(0.8694), np.float32(0.5449), np.float32(0.5223), np.float32(0.9269), np.float32(0.6477), np.float32(0.888), np.float32(0.4296), np.float32(0.6018), np.float32(0.5325), np.float32(0.9797), np.float32(0.9802), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7298), np.float32(0.1466), np.float32(0.8247), np.float32(0.5355), np.float32(0.8918), np.float32(0.8266), np.float32(0.8246), np.float32(0.845), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:45:52.453583: Epoch time: 133.79 s +2026-02-22 16:45:53.710520: +2026-02-22 16:45:53.719158: Epoch 853 +2026-02-22 16:45:53.720183: Current learning rate: 0.00178 +2026-02-22 16:47:57.255516: train_loss -0.1074 +2026-02-22 16:47:57.289012: val_loss -0.1364 +2026-02-22 16:47:57.305026: Pseudo dice [np.float32(0.9724), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8995), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.9627), np.float32(0.7468), np.float32(0.8774), np.float32(nan), np.float32(0.8879), np.float32(0.7), np.float32(0.8752), np.float32(0.5385), np.float32(0.7441), np.float32(0.8988), np.float32(0.9506), np.float32(0.9346), np.float32(0.8045), np.float32(0.8215), np.float32(0.734), np.float32(0.5563), np.float32(0.7396), np.float32(0.8991), np.float32(0.3896), np.float32(0.0969), np.float32(0.9416), np.float32(0.4638), np.float32(0.8317), np.float32(0.5565), np.float32(0.5777), np.float32(0.5447), np.float32(0.9217), np.float32(0.9279), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8297), np.float32(0.0336), np.float32(0.6482), np.float32(0.7321), np.float32(0.9555), np.float32(0.9346), np.float32(0.8056), np.float32(0.8416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:47:57.309668: Epoch time: 123.55 s +2026-02-22 16:47:58.815714: +2026-02-22 16:47:58.827418: Epoch 854 +2026-02-22 16:47:58.828216: Current learning rate: 0.00177 +2026-02-22 16:50:03.146985: train_loss -0.1225 +2026-02-22 16:50:03.169195: val_loss -0.1305 +2026-02-22 16:50:03.170983: Pseudo dice [np.float32(0.9596), np.float32(0.9636), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8905), np.float32(nan), np.float32(0.9659), np.float32(nan), np.float32(0.9251), np.float32(0.7326), np.float32(0.8913), np.float32(nan), np.float32(0.9137), np.float32(0.6129), np.float32(0.8851), np.float32(0.6762), np.float32(0.7235), np.float32(0.9056), np.float32(0.9459), np.float32(0.9307), np.float32(0.826), np.float32(0.8252), np.float32(0.7305), np.float32(0.5959), np.float32(0.2755), np.float32(0.8855), np.float32(0.2877), np.float32(0.0355), np.float32(0.9477), np.float32(0.482), np.float32(0.8747), np.float32(0.463), np.float32(0.5194), np.float32(0.4978), np.float32(0.8828), np.float32(0.9268), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8306), np.float32(0.0), np.float32(0.7114), np.float32(0.813), np.float32(0.8457), np.float32(0.8047), np.float32(0.818), np.float32(0.8622), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:50:03.172192: Epoch time: 124.33 s +2026-02-22 16:50:06.304943: +2026-02-22 16:50:06.306758: Epoch 855 +2026-02-22 16:50:06.307577: Current learning rate: 0.00176 +2026-02-22 16:52:10.398091: train_loss -0.1012 +2026-02-22 16:52:10.474086: val_loss -0.1227 +2026-02-22 16:52:10.475299: Pseudo dice [np.float32(0.9566), np.float32(0.9533), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9063), np.float32(nan), np.float32(0.9555), np.float32(nan), np.float32(0.9489), np.float32(0.2329), np.float32(0.9147), np.float32(nan), np.float32(0.9113), np.float32(0.7577), np.float32(0.8941), np.float32(0.6833), np.float32(0.7462), np.float32(0.9113), np.float32(0.9559), np.float32(0.9336), np.float32(0.8106), np.float32(0.8176), np.float32(0.7297), np.float32(0.5944), np.float32(0.5062), np.float32(0.8606), np.float32(0.3155), np.float32(0.2229), np.float32(0.9394), np.float32(0.3065), np.float32(0.8659), np.float32(0.533), np.float32(0.5961), np.float32(0.5409), np.float32(0.842), np.float32(0.8488), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8455), np.float32(0.1105), np.float32(0.6627), np.float32(0.7256), np.float32(0.6247), np.float32(0.526), np.float32(0.8277), np.float32(0.8556), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:52:10.476255: Epoch time: 124.1 s +2026-02-22 16:52:12.026916: +2026-02-22 16:52:12.034920: Epoch 856 +2026-02-22 16:52:12.040653: Current learning rate: 0.00175 +2026-02-22 16:54:29.034928: train_loss -0.1204 +2026-02-22 16:54:29.111443: val_loss -0.1374 +2026-02-22 16:54:29.112621: Pseudo dice [np.float32(0.9668), np.float32(0.9665), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9025), np.float32(nan), np.float32(0.9748), np.float32(nan), np.float32(0.9649), np.float32(0.2168), np.float32(0.9057), np.float32(0.0), np.float32(0.9241), np.float32(0.644), np.float32(0.8567), np.float32(0.7188), np.float32(0.772), np.float32(0.91), np.float32(0.9538), np.float32(0.9314), np.float32(0.8381), np.float32(0.8385), np.float32(0.1633), np.float32(0.7072), np.float32(0.7267), np.float32(0.8703), np.float32(0.2784), np.float32(0.6881), np.float32(0.9481), np.float32(0.3819), np.float32(0.8718), np.float32(0.7625), np.float32(0.5136), np.float32(0.4906), np.float32(0.9434), np.float32(0.9388), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.829), np.float32(0.0073), np.float32(0.7484), np.float32(0.7102), np.float32(0.9452), np.float32(0.9334), np.float32(0.8418), np.float32(0.8453), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:54:29.113558: Epoch time: 137.01 s +2026-02-22 16:54:30.306450: +2026-02-22 16:54:30.327667: Epoch 857 +2026-02-22 16:54:30.329305: Current learning rate: 0.00174 +2026-02-22 16:56:38.830164: train_loss -0.1272 +2026-02-22 16:56:38.839759: val_loss -0.1455 +2026-02-22 16:56:38.841052: Pseudo dice [np.float32(0.9638), np.float32(0.9644), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9097), np.float32(nan), np.float32(0.9658), np.float32(nan), np.float32(0.9349), np.float32(0.7429), np.float32(0.9096), np.float32(0.0), np.float32(0.9112), np.float32(0.7351), np.float32(0.8963), np.float32(0.7526), np.float32(0.7723), np.float32(0.9136), np.float32(0.9552), np.float32(0.9424), np.float32(0.8438), np.float32(0.8202), np.float32(0.3458), np.float32(0.6066), np.float32(0.4013), np.float32(0.8642), np.float32(0.3084), np.float32(0.606), np.float32(0.9507), np.float32(0.128), np.float32(0.8799), np.float32(0.7426), np.float32(0.5394), np.float32(0.433), np.float32(0.9067), np.float32(0.9102), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8989), np.float32(0.0), np.float32(0.7417), np.float32(0.8267), np.float32(0.8227), np.float32(0.771), np.float32(0.8121), np.float32(0.8513), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:56:38.842061: Epoch time: 128.53 s +2026-02-22 16:56:40.262851: +2026-02-22 16:56:40.267582: Epoch 858 +2026-02-22 16:56:40.268900: Current learning rate: 0.00173 +2026-02-22 16:58:50.700823: train_loss -0.1347 +2026-02-22 16:58:50.718237: val_loss -0.1496 +2026-02-22 16:58:50.722850: Pseudo dice [np.float32(0.9644), np.float32(0.9656), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9151), np.float32(nan), np.float32(0.964), np.float32(nan), np.float32(0.9634), np.float32(0.0), np.float32(0.9141), np.float32(nan), np.float32(0.9573), np.float32(0.6863), np.float32(0.8992), np.float32(0.7619), np.float32(0.7879), np.float32(0.922), np.float32(0.9621), np.float32(0.9476), np.float32(0.8322), np.float32(0.8464), np.float32(0.4563), np.float32(0.4513), np.float32(0.5726), np.float32(0.8986), np.float32(0.1205), np.float32(0.1158), np.float32(0.9227), np.float32(0.3549), np.float32(0.8886), np.float32(0.0), np.float32(0.5958), np.float32(0.5109), np.float32(0.9224), np.float32(0.9223), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.812), np.float32(0.1104), np.float32(0.7193), np.float32(0.8454), np.float32(0.9035), np.float32(0.9319), np.float32(0.8537), np.float32(0.8757), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 16:58:50.728388: Epoch time: 130.44 s +2026-02-22 16:58:52.145213: +2026-02-22 16:58:52.150731: Epoch 859 +2026-02-22 16:58:52.152540: Current learning rate: 0.00172 +2026-02-22 17:00:59.159520: train_loss -0.1318 +2026-02-22 17:00:59.180264: val_loss -0.1314 +2026-02-22 17:00:59.181250: Pseudo dice [np.float32(0.9543), np.float32(0.9597), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.9559), np.float32(nan), np.float32(0.9571), np.float32(0.4399), np.float32(0.9083), np.float32(nan), np.float32(0.9262), np.float32(0.7122), np.float32(0.8708), np.float32(0.732), np.float32(0.7359), np.float32(0.913), np.float32(0.9527), np.float32(0.926), np.float32(0.7988), np.float32(0.8269), np.float32(0.4859), np.float32(0.5601), np.float32(0.2675), np.float32(0.8393), np.float32(0.5293), np.float32(0.3611), np.float32(0.9386), np.float32(0.7369), np.float32(0.8364), np.float32(0.3763), np.float32(0.5901), np.float32(0.4723), np.float32(0.9462), np.float32(0.9556), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.789), np.float32(0.0), np.float32(0.858), np.float32(0.8074), np.float32(0.9284), np.float32(0.929), np.float32(0.8223), np.float32(0.8502), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:00:59.182263: Epoch time: 127.02 s +2026-02-22 17:01:00.944506: +2026-02-22 17:01:00.952373: Epoch 860 +2026-02-22 17:01:00.958342: Current learning rate: 0.0017 +2026-02-22 17:03:06.448218: train_loss -0.1352 +2026-02-22 17:03:06.456009: val_loss -0.1163 +2026-02-22 17:03:06.460593: Pseudo dice [np.float32(0.9598), np.float32(0.9621), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9045), np.float32(nan), np.float32(0.9606), np.float32(nan), np.float32(0.9572), np.float32(0.8483), np.float32(0.9085), np.float32(nan), np.float32(0.9338), np.float32(0.8375), np.float32(0.8809), np.float32(0.6667), np.float32(0.7617), np.float32(0.915), np.float32(0.9548), np.float32(0.931), np.float32(0.8164), np.float32(0.8359), np.float32(0.5632), np.float32(0.587), np.float32(0.0927), np.float32(0.8803), np.float32(0.1663), np.float32(0.4276), np.float32(0.9413), np.float32(0.5518), np.float32(0.8373), np.float32(0.5722), np.float32(0.5771), np.float32(0.5373), np.float32(0.8279), np.float32(0.8528), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7276), np.float32(0.2071), np.float32(0.0446), np.float32(0.0), np.float32(0.6897), np.float32(0.8548), np.float32(0.8375), np.float32(0.8579), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:03:06.464560: Epoch time: 125.51 s +2026-02-22 17:03:07.675228: +2026-02-22 17:03:07.685025: Epoch 861 +2026-02-22 17:03:07.687194: Current learning rate: 0.00169 +2026-02-22 17:05:12.481867: train_loss -0.1242 +2026-02-22 17:05:12.515635: val_loss -0.146 +2026-02-22 17:05:12.524866: Pseudo dice [np.float32(0.9611), np.float32(0.9573), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9094), np.float32(nan), np.float32(0.9667), np.float32(nan), np.float32(0.9678), np.float32(0.0), np.float32(0.9223), np.float32(nan), np.float32(0.9167), np.float32(0.6727), np.float32(0.9017), np.float32(0.7109), np.float32(0.7663), np.float32(0.9136), np.float32(0.9541), np.float32(0.943), np.float32(0.8283), np.float32(0.8487), np.float32(0.8386), np.float32(0.4513), np.float32(0.5643), np.float32(0.8741), np.float32(0.1309), np.float32(0.1752), np.float32(0.9288), np.float32(0.2596), np.float32(0.88), np.float32(0.6557), np.float32(0.4984), np.float32(0.4585), np.float32(0.9161), np.float32(0.9314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7831), np.float32(0.2435), np.float32(0.8025), np.float32(0.6346), np.float32(0.8991), np.float32(0.8308), np.float32(0.8218), np.float32(0.8501), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:05:12.532040: Epoch time: 124.81 s +2026-02-22 17:05:14.033290: +2026-02-22 17:05:14.036520: Epoch 862 +2026-02-22 17:05:14.037339: Current learning rate: 0.00168 +2026-02-22 17:07:24.265730: train_loss -0.1219 +2026-02-22 17:07:24.280656: val_loss -0.1128 +2026-02-22 17:07:24.283139: Pseudo dice [np.float32(0.9574), np.float32(0.9657), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8754), np.float32(nan), np.float32(0.9571), np.float32(nan), np.float32(0.9469), np.float32(0.8786), np.float32(0.8533), np.float32(nan), np.float32(0.8931), np.float32(0.6453), np.float32(0.8616), np.float32(0.2233), np.float32(0.708), np.float32(0.8883), np.float32(0.9452), np.float32(0.9213), np.float32(0.8242), np.float32(0.8332), np.float32(0.764), np.float32(0.6213), np.float32(0.503), np.float32(0.8606), np.float32(0.497), np.float32(0.6551), np.float32(0.942), np.float32(0.5906), np.float32(0.8586), np.float32(0.6067), np.float32(0.5611), np.float32(0.4515), np.float32(0.9414), np.float32(0.9607), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7094), np.float32(0.0478), np.float32(0.7526), np.float32(0.6424), np.float32(0.882), np.float32(0.8488), np.float32(0.8112), np.float32(0.8315), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:07:24.284107: Epoch time: 130.23 s +2026-02-22 17:07:25.753825: +2026-02-22 17:07:25.785782: Epoch 863 +2026-02-22 17:07:25.796987: Current learning rate: 0.00167 +2026-02-22 17:09:39.928141: train_loss -0.1177 +2026-02-22 17:09:39.972558: val_loss -0.1346 +2026-02-22 17:09:39.978458: Pseudo dice [np.float32(0.9595), np.float32(0.966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8828), np.float32(nan), np.float32(0.9557), np.float32(nan), np.float32(0.9435), np.float32(0.0115), np.float32(0.9001), np.float32(nan), np.float32(0.9041), np.float32(0.8369), np.float32(0.8587), np.float32(0.7012), np.float32(0.734), np.float32(0.9038), np.float32(0.9504), np.float32(0.9308), np.float32(0.795), np.float32(0.813), np.float32(0.4779), np.float32(0.6954), np.float32(0.4765), np.float32(0.8601), np.float32(0.365), np.float32(0.3613), np.float32(0.9539), np.float32(0.1597), np.float32(0.8738), np.float32(0.7278), np.float32(0.6505), np.float32(0.5277), np.float32(0.9606), np.float32(0.9497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8635), np.float32(0.1814), np.float32(0.0029), np.float32(0.2315), np.float32(0.966), np.float32(0.9711), np.float32(0.8318), np.float32(0.8454), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:09:39.985826: Epoch time: 134.18 s +2026-02-22 17:09:41.343756: +2026-02-22 17:09:41.354534: Epoch 864 +2026-02-22 17:09:41.359884: Current learning rate: 0.00166 +2026-02-22 17:11:48.122409: train_loss -0.1269 +2026-02-22 17:11:48.138057: val_loss -0.1241 +2026-02-22 17:11:48.139081: Pseudo dice [np.float32(0.9617), np.float32(0.934), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9026), np.float32(nan), np.float32(0.9644), np.float32(nan), np.float32(0.9326), np.float32(0.6027), np.float32(0.9032), np.float32(nan), np.float32(0.8906), np.float32(0.5356), np.float32(0.8721), np.float32(0.6629), np.float32(0.7238), np.float32(0.8941), np.float32(0.9293), np.float32(0.9028), np.float32(0.8024), np.float32(0.845), np.float32(0.4891), np.float32(0.5618), np.float32(0.0), np.float32(0.9054), np.float32(0.321), np.float32(0.1041), np.float32(0.962), np.float32(0.2515), np.float32(0.8259), np.float32(0.4042), np.float32(0.5477), np.float32(0.4638), np.float32(0.8818), np.float32(0.9252), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7971), np.float32(0.7994), np.float32(0.8207), np.float32(0.8155), np.float32(0.9679), np.float32(0.9485), np.float32(0.8347), np.float32(0.8618), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:11:48.140120: Epoch time: 126.79 s +2026-02-22 17:11:49.453354: +2026-02-22 17:11:49.457661: Epoch 865 +2026-02-22 17:11:49.459406: Current learning rate: 0.00165 +2026-02-22 17:13:48.528653: train_loss -0.1269 +2026-02-22 17:13:48.594707: val_loss -0.1514 +2026-02-22 17:13:48.596777: Pseudo dice [np.float32(0.966), np.float32(0.9644), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9019), np.float32(nan), np.float32(0.9739), np.float32(nan), np.float32(0.953), np.float32(0.8275), np.float32(0.9125), np.float32(nan), np.float32(0.9304), np.float32(0.4283), np.float32(0.8862), np.float32(0.6375), np.float32(0.7315), np.float32(0.9168), np.float32(0.959), np.float32(0.937), np.float32(0.8043), np.float32(0.8353), np.float32(0.4708), np.float32(0.6221), np.float32(0.7084), np.float32(0.8852), np.float32(0.501), np.float32(0.5603), np.float32(0.9562), np.float32(0.3364), np.float32(0.8646), np.float32(0.631), np.float32(0.6098), np.float32(0.5271), np.float32(0.9595), np.float32(0.9607), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7979), np.float32(0.4714), np.float32(0.7265), np.float32(0.7912), np.float32(0.8853), np.float32(0.8912), np.float32(0.8266), np.float32(0.8595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:13:48.598511: Epoch time: 119.04 s +2026-02-22 17:13:50.149160: +2026-02-22 17:13:50.152463: Epoch 866 +2026-02-22 17:13:50.153279: Current learning rate: 0.00164 +2026-02-22 17:15:53.591830: train_loss -0.1319 +2026-02-22 17:15:53.741926: val_loss -0.1326 +2026-02-22 17:15:53.748446: Pseudo dice [np.float32(0.9678), np.float32(0.968), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8897), np.float32(nan), np.float32(0.9687), np.float32(nan), np.float32(0.9424), np.float32(0.2902), np.float32(0.8896), np.float32(nan), np.float32(0.8975), np.float32(0.8199), np.float32(0.8866), np.float32(0.5851), np.float32(0.7301), np.float32(0.9132), np.float32(0.9564), np.float32(0.9337), np.float32(0.8118), np.float32(0.8331), np.float32(0.1556), np.float32(0.4876), np.float32(0.7828), np.float32(0.8793), np.float32(0.7065), np.float32(0.3582), np.float32(0.9459), np.float32(0.4881), np.float32(0.8588), np.float32(0.7777), np.float32(0.583), np.float32(0.5204), np.float32(0.9137), np.float32(0.9099), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8414), np.float32(0.7277), np.float32(0.8649), np.float32(0.7953), np.float32(0.9257), np.float32(0.9317), np.float32(0.8413), np.float32(0.8504), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:15:53.750344: Epoch time: 123.45 s +2026-02-22 17:15:55.107243: +2026-02-22 17:15:55.111992: Epoch 867 +2026-02-22 17:15:55.112793: Current learning rate: 0.00163 +2026-02-22 17:18:06.685846: train_loss -0.1304 +2026-02-22 17:18:06.704102: val_loss -0.1353 +2026-02-22 17:18:06.707614: Pseudo dice [np.float32(0.9518), np.float32(0.9512), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9027), np.float32(nan), np.float32(0.9671), np.float32(nan), np.float32(0.9376), np.float32(0.6149), np.float32(0.8972), np.float32(nan), np.float32(0.9311), np.float32(0.6155), np.float32(0.8898), np.float32(0.6864), np.float32(0.7781), np.float32(0.9129), np.float32(0.9362), np.float32(0.9292), np.float32(0.7768), np.float32(0.8262), np.float32(0.1881), np.float32(0.7285), np.float32(0.5673), np.float32(0.8611), np.float32(0.6638), np.float32(0.3057), np.float32(0.9629), np.float32(1e-04), np.float32(0.8694), np.float32(0.7438), np.float32(0.5228), np.float32(0.5194), np.float32(0.9268), np.float32(0.9311), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8791), np.float32(0.2637), np.float32(0.8026), np.float32(0.6373), np.float32(0.7526), np.float32(0.8666), np.float32(0.833), np.float32(0.8302), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:18:06.712884: Epoch time: 131.58 s +2026-02-22 17:18:08.055641: +2026-02-22 17:18:08.065859: Epoch 868 +2026-02-22 17:18:08.070863: Current learning rate: 0.00162 +2026-02-22 17:20:12.017332: train_loss -0.1121 +2026-02-22 17:20:12.101493: val_loss -0.1494 +2026-02-22 17:20:12.106938: Pseudo dice [np.float32(0.9732), np.float32(0.9665), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8907), np.float32(nan), np.float32(0.9669), np.float32(nan), np.float32(0.9598), np.float32(0.3616), np.float32(0.8984), np.float32(nan), np.float32(0.9177), np.float32(0.7394), np.float32(0.8827), np.float32(0.6446), np.float32(0.7384), np.float32(0.9084), np.float32(0.9451), np.float32(0.9289), np.float32(0.7966), np.float32(0.8099), np.float32(0.7192), np.float32(0.5184), np.float32(0.2945), np.float32(0.8534), np.float32(0.4304), np.float32(0.6048), np.float32(0.9655), np.float32(0.225), np.float32(0.8747), np.float32(0.527), np.float32(0.5607), np.float32(0.377), np.float32(0.949), np.float32(0.9242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8283), np.float32(0.6696), np.float32(0.3751), np.float32(0.5846), np.float32(0.9491), np.float32(0.967), np.float32(0.819), np.float32(0.8243), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:20:12.111014: Epoch time: 123.96 s +2026-02-22 17:20:13.405585: +2026-02-22 17:20:13.409233: Epoch 869 +2026-02-22 17:20:13.410047: Current learning rate: 0.00161 +2026-02-22 17:22:11.089913: train_loss -0.1245 +2026-02-22 17:22:11.229649: val_loss -0.1281 +2026-02-22 17:22:11.232406: Pseudo dice [np.float32(0.924), np.float32(0.9287), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8972), np.float32(nan), np.float32(0.9639), np.float32(nan), np.float32(0.9634), np.float32(0.7368), np.float32(0.8985), np.float32(nan), np.float32(0.9298), np.float32(0.8922), np.float32(0.9018), np.float32(0.4924), np.float32(0.7505), np.float32(0.9148), np.float32(0.9411), np.float32(0.9313), np.float32(0.7803), np.float32(0.8125), np.float32(0.1078), np.float32(0.7005), np.float32(0.3115), np.float32(0.9196), np.float32(0.5947), np.float32(0.5013), np.float32(0.9439), np.float32(0.5671), np.float32(0.8801), np.float32(0.3656), np.float32(0.5699), np.float32(0.5228), np.float32(0.9297), np.float32(0.9027), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8107), np.float32(0.0134), np.float32(0.8012), np.float32(0.7014), np.float32(0.8683), np.float32(0.9259), np.float32(0.839), np.float32(0.8442), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:22:11.239462: Epoch time: 117.66 s +2026-02-22 17:22:12.719110: +2026-02-22 17:22:12.721205: Epoch 870 +2026-02-22 17:22:12.722017: Current learning rate: 0.00159 +2026-02-22 17:24:22.899789: train_loss -0.1355 +2026-02-22 17:24:22.906723: val_loss -0.1373 +2026-02-22 17:24:22.908218: Pseudo dice [np.float32(0.9353), np.float32(0.9458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9016), np.float32(nan), np.float32(0.9689), np.float32(nan), np.float32(0.9559), np.float32(0.7243), np.float32(0.9195), np.float32(nan), np.float32(0.92), np.float32(0.6427), np.float32(0.8786), np.float32(0.7898), np.float32(0.7697), np.float32(0.9172), np.float32(0.9452), np.float32(0.9171), np.float32(0.8159), np.float32(0.8268), np.float32(0.18), np.float32(0.6833), np.float32(0.5032), np.float32(0.8799), np.float32(0.6549), np.float32(0.4402), np.float32(0.9537), np.float32(0.8242), np.float32(0.8724), np.float32(0.7065), np.float32(0.5668), np.float32(0.4972), np.float32(0.8962), np.float32(0.866), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7996), np.float32(0.6885), np.float32(0.8779), np.float32(0.4167), np.float32(0.9498), np.float32(0.9337), np.float32(0.8192), np.float32(0.8392), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:24:22.913415: Epoch time: 130.18 s +2026-02-22 17:24:24.198491: +2026-02-22 17:24:24.202334: Epoch 871 +2026-02-22 17:24:24.203147: Current learning rate: 0.00158 +2026-02-22 17:26:23.891712: train_loss -0.133 +2026-02-22 17:26:23.913924: val_loss -0.1458 +2026-02-22 17:26:23.919458: Pseudo dice [np.float32(0.9653), np.float32(0.9652), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9094), np.float32(nan), np.float32(0.9713), np.float32(nan), np.float32(0.9565), np.float32(0.1743), np.float32(0.9262), np.float32(nan), np.float32(0.9339), np.float32(0.5844), np.float32(0.899), np.float32(0.8534), np.float32(0.7567), np.float32(0.9282), np.float32(0.9488), np.float32(0.931), np.float32(0.8177), np.float32(0.841), np.float32(0.9099), np.float32(0.3838), np.float32(0.7593), np.float32(0.9166), np.float32(0.201), np.float32(0.4854), np.float32(0.935), np.float32(0.4794), np.float32(0.8671), np.float32(0.5644), np.float32(0.6507), np.float32(0.5252), np.float32(0.918), np.float32(0.9502), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8191), np.float32(0.0427), np.float32(0.2262), np.float32(0.1973), np.float32(0.9), np.float32(0.6632), np.float32(0.8377), np.float32(0.8582), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:26:23.924533: Epoch time: 119.7 s +2026-02-22 17:26:25.237857: +2026-02-22 17:26:25.253265: Epoch 872 +2026-02-22 17:26:25.254532: Current learning rate: 0.00157 +2026-02-22 17:28:17.150745: train_loss -0.1467 +2026-02-22 17:28:17.185712: val_loss -0.1502 +2026-02-22 17:28:17.186835: Pseudo dice [np.float32(0.9648), np.float32(0.9638), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.909), np.float32(nan), np.float32(0.9662), np.float32(nan), np.float32(0.957), np.float32(0.1237), np.float32(0.9159), np.float32(nan), np.float32(0.9336), np.float32(0.6013), np.float32(0.8859), np.float32(0.6132), np.float32(0.7549), np.float32(0.9243), np.float32(0.9534), np.float32(0.9407), np.float32(0.8163), np.float32(0.8256), np.float32(0.783), np.float32(0.5016), np.float32(0.5467), np.float32(0.8869), np.float32(0.4334), np.float32(0.5107), np.float32(0.9619), np.float32(0.2177), np.float32(0.8748), np.float32(0.5962), np.float32(0.5759), np.float32(0.5147), np.float32(0.9202), np.float32(0.9638), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8664), np.float32(0.1127), np.float32(0.4799), np.float32(0.7027), np.float32(0.8135), np.float32(0.8723), np.float32(0.8533), np.float32(0.8756), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:28:17.187823: Epoch time: 111.91 s +2026-02-22 17:28:18.748317: +2026-02-22 17:28:18.753186: Epoch 873 +2026-02-22 17:28:18.754008: Current learning rate: 0.00156 +2026-02-22 17:30:23.348088: train_loss -0.1397 +2026-02-22 17:30:23.352544: val_loss -0.1511 +2026-02-22 17:30:23.353598: Pseudo dice [np.float32(0.9607), np.float32(0.963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9106), np.float32(nan), np.float32(0.9655), np.float32(nan), np.float32(0.9435), np.float32(0.7013), np.float32(0.9272), np.float32(nan), np.float32(0.9319), np.float32(0.82), np.float32(0.8965), np.float32(0.7594), np.float32(0.781), np.float32(0.9249), np.float32(0.9578), np.float32(0.9352), np.float32(0.8283), np.float32(0.8429), np.float32(0.7321), np.float32(0.4714), np.float32(0.5677), np.float32(0.8953), np.float32(0.3665), np.float32(0.6009), np.float32(0.9519), np.float32(0.1085), np.float32(0.9039), np.float32(0.6599), np.float32(0.4383), np.float32(0.5201), np.float32(0.9261), np.float32(0.9154), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8006), np.float32(0.3603), np.float32(0.9161), np.float32(0.7031), np.float32(0.8763), np.float32(0.8989), np.float32(0.8445), np.float32(0.8567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:30:23.422658: Epoch time: 124.6 s +2026-02-22 17:30:23.430003: Yayy! New best EMA pseudo Dice: 0.7486000061035156 +2026-02-22 17:30:26.595597: +2026-02-22 17:30:26.598612: Epoch 874 +2026-02-22 17:30:26.599404: Current learning rate: 0.00155 +2026-02-22 17:32:41.311482: train_loss -0.1373 +2026-02-22 17:32:41.427232: val_loss -0.1346 +2026-02-22 17:32:41.432022: Pseudo dice [np.float32(0.9605), np.float32(0.9474), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9032), np.float32(nan), np.float32(0.9695), np.float32(nan), np.float32(0.9458), np.float32(0.8971), np.float32(0.9073), np.float32(nan), np.float32(0.919), np.float32(0.7974), np.float32(0.8925), np.float32(0.679), np.float32(0.7792), np.float32(0.9187), np.float32(0.9514), np.float32(0.9363), np.float32(0.8333), np.float32(0.829), np.float32(0.8646), np.float32(0.2201), np.float32(0.1273), np.float32(0.8852), np.float32(0.134), np.float32(0.3331), np.float32(0.9473), np.float32(0.5556), np.float32(0.8639), np.float32(0.6089), np.float32(0.5408), np.float32(0.5433), np.float32(0.9183), np.float32(0.937), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7386), np.float32(0.2854), np.float32(0.8895), np.float32(0.5943), np.float32(0.9637), np.float32(0.9666), np.float32(0.8477), np.float32(0.8648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:32:41.435411: Epoch time: 134.72 s +2026-02-22 17:32:41.437766: Yayy! New best EMA pseudo Dice: 0.7498999834060669 +2026-02-22 17:32:43.998085: +2026-02-22 17:32:44.002235: Epoch 875 +2026-02-22 17:32:44.005706: Current learning rate: 0.00154 +2026-02-22 17:35:00.725856: train_loss -0.1443 +2026-02-22 17:35:00.767884: val_loss -0.1322 +2026-02-22 17:35:00.770353: Pseudo dice [np.float32(0.9738), np.float32(0.9699), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8986), np.float32(nan), np.float32(0.9577), np.float32(nan), np.float32(0.9384), np.float32(0.6482), np.float32(0.8848), np.float32(nan), np.float32(0.9266), np.float32(0.8162), np.float32(0.8872), np.float32(0.3885), np.float32(0.743), np.float32(0.9115), np.float32(0.9534), np.float32(0.9409), np.float32(0.8236), np.float32(0.855), np.float32(0.0594), np.float32(0.4803), np.float32(0.0), np.float32(0.823), np.float32(0.4579), np.float32(0.6218), np.float32(0.9458), np.float32(0.0988), np.float32(0.8879), np.float32(0.5289), np.float32(0.5783), np.float32(0.5521), np.float32(0.937), np.float32(0.9416), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8808), np.float32(0.8538), np.float32(0.2588), np.float32(0.0126), np.float32(0.978), np.float32(0.9731), np.float32(0.8174), np.float32(0.8339), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:35:00.799360: Epoch time: 136.73 s +2026-02-22 17:35:02.249204: +2026-02-22 17:35:02.273262: Epoch 876 +2026-02-22 17:35:02.280317: Current learning rate: 0.00153 +2026-02-22 17:37:05.577062: train_loss -0.138 +2026-02-22 17:37:05.614100: val_loss -0.1403 +2026-02-22 17:37:05.625817: Pseudo dice [np.float32(0.961), np.float32(0.9688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9053), np.float32(nan), np.float32(0.9687), np.float32(nan), np.float32(0.9488), np.float32(0.6223), np.float32(0.8886), np.float32(nan), np.float32(0.9302), np.float32(0.6489), np.float32(0.8952), np.float32(0.8267), np.float32(0.7925), np.float32(0.9087), np.float32(0.9597), np.float32(0.9352), np.float32(0.8192), np.float32(0.8404), np.float32(0.2186), np.float32(0.517), np.float32(0.0), np.float32(0.9167), np.float32(0.4066), np.float32(0.3942), np.float32(0.9596), np.float32(0.0), np.float32(0.8412), np.float32(0.6709), np.float32(0.5873), np.float32(0.6068), np.float32(0.9017), np.float32(0.9006), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8213), np.float32(0.1109), np.float32(0.7999), np.float32(0.8806), np.float32(0.9677), np.float32(0.969), np.float32(0.8558), np.float32(0.8621), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:37:05.632028: Epoch time: 123.33 s +2026-02-22 17:37:06.634538: +2026-02-22 17:37:06.649167: Epoch 877 +2026-02-22 17:37:06.649951: Current learning rate: 0.00152 +2026-02-22 17:39:05.468122: train_loss -0.1325 +2026-02-22 17:39:05.535163: val_loss -0.149 +2026-02-22 17:39:05.539938: Pseudo dice [np.float32(0.9727), np.float32(0.9741), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9175), np.float32(nan), np.float32(0.9738), np.float32(nan), np.float32(0.8894), np.float32(0.8579), np.float32(0.9178), np.float32(nan), np.float32(0.9311), np.float32(0.7154), np.float32(0.8983), np.float32(0.743), np.float32(0.7695), np.float32(0.9124), np.float32(0.9587), np.float32(0.9436), np.float32(0.8218), np.float32(0.8426), np.float32(0.2114), np.float32(0.7026), np.float32(0.0279), np.float32(0.9225), np.float32(0.3977), np.float32(0.2446), np.float32(0.9675), np.float32(0.6798), np.float32(0.8749), np.float32(0.7916), np.float32(0.5822), np.float32(0.5511), np.float32(0.9302), np.float32(0.916), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8639), np.float32(0.0), np.float32(0.8707), np.float32(0.8284), np.float32(0.9272), np.float32(0.942), np.float32(0.8514), np.float32(0.8734), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:39:05.545750: Epoch time: 118.84 s +2026-02-22 17:39:07.326714: +2026-02-22 17:39:07.328850: Epoch 878 +2026-02-22 17:39:07.329900: Current learning rate: 0.00151 +2026-02-22 17:41:14.984730: train_loss -0.135 +2026-02-22 17:41:15.034617: val_loss -0.1438 +2026-02-22 17:41:15.036480: Pseudo dice [np.float32(0.9683), np.float32(0.957), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9149), np.float32(nan), np.float32(0.967), np.float32(nan), np.float32(0.9518), np.float32(0.1566), np.float32(0.9218), np.float32(nan), np.float32(0.9272), np.float32(0.745), np.float32(0.902), np.float32(0.7988), np.float32(0.7428), np.float32(0.901), np.float32(0.9551), np.float32(0.9327), np.float32(0.842), np.float32(0.8434), np.float32(0.9041), np.float32(0.6951), np.float32(0.8204), np.float32(0.8888), np.float32(0.578), np.float32(0.4586), np.float32(0.9241), np.float32(0.4924), np.float32(0.8793), np.float32(0.5827), np.float32(0.5918), np.float32(0.4749), np.float32(0.9153), np.float32(0.9478), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8085), np.float32(0.1364), np.float32(0.7188), np.float32(0.7781), np.float32(0.9496), np.float32(0.9486), np.float32(0.8413), np.float32(0.8633), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:41:15.037780: Epoch time: 127.57 s +2026-02-22 17:41:15.038769: Yayy! New best EMA pseudo Dice: 0.7523999810218811 +2026-02-22 17:41:18.064034: +2026-02-22 17:41:18.065690: Epoch 879 +2026-02-22 17:41:18.066497: Current learning rate: 0.00149 +2026-02-22 17:43:26.281073: train_loss -0.1319 +2026-02-22 17:43:26.311887: val_loss -0.1319 +2026-02-22 17:43:26.312977: Pseudo dice [np.float32(0.9664), np.float32(0.9705), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9016), np.float32(nan), np.float32(0.9608), np.float32(nan), np.float32(0.9588), np.float32(0.7175), np.float32(0.9008), np.float32(0.0), np.float32(0.9326), np.float32(0.8614), np.float32(0.8844), np.float32(0.5286), np.float32(0.7437), np.float32(0.9089), np.float32(0.954), np.float32(0.9352), np.float32(0.8331), np.float32(0.8388), np.float32(0.2784), np.float32(0.6452), np.float32(0.0), np.float32(0.8683), np.float32(0.5187), np.float32(0.5642), np.float32(0.9239), np.float32(0.5158), np.float32(0.8622), np.float32(0.8303), np.float32(0.58), np.float32(0.5084), np.float32(0.905), np.float32(0.9111), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8033), np.float32(0.0442), np.float32(0.7916), np.float32(0.7803), np.float32(0.9136), np.float32(0.9268), np.float32(0.8596), np.float32(0.854), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:43:26.314125: Epoch time: 128.22 s +2026-02-22 17:43:27.863895: +2026-02-22 17:43:27.867335: Epoch 880 +2026-02-22 17:43:27.868137: Current learning rate: 0.00148 +2026-02-22 17:45:26.436548: train_loss -0.1324 +2026-02-22 17:45:26.493065: val_loss -0.1461 +2026-02-22 17:45:26.498794: Pseudo dice [np.float32(0.9662), np.float32(0.9657), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9081), np.float32(nan), np.float32(0.9721), np.float32(nan), np.float32(0.9715), np.float32(0.8339), np.float32(0.8993), np.float32(nan), np.float32(0.9404), np.float32(0.6033), np.float32(0.8924), np.float32(0.8154), np.float32(0.7366), np.float32(0.9191), np.float32(0.9562), np.float32(0.9351), np.float32(0.8239), np.float32(0.8063), np.float32(0.383), np.float32(0.4645), np.float32(0.2486), np.float32(0.8824), np.float32(0.5257), np.float32(0.6534), np.float32(0.9468), np.float32(0.5301), np.float32(0.8935), np.float32(0.6609), np.float32(0.5634), np.float32(0.5329), np.float32(0.9006), np.float32(0.9368), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8166), np.float32(0.3728), np.float32(0.9262), np.float32(0.3855), np.float32(0.8505), np.float32(0.8613), np.float32(0.8351), np.float32(0.8595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:45:26.505318: Epoch time: 118.58 s +2026-02-22 17:45:26.512059: Yayy! New best EMA pseudo Dice: 0.7530999779701233 +2026-02-22 17:45:29.104600: +2026-02-22 17:45:29.106427: Epoch 881 +2026-02-22 17:45:29.107257: Current learning rate: 0.00147 +2026-02-22 17:47:36.922848: train_loss -0.1369 +2026-02-22 17:47:36.942279: val_loss -0.1293 +2026-02-22 17:47:36.945536: Pseudo dice [np.float32(0.9454), np.float32(0.9383), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8904), np.float32(nan), np.float32(0.9467), np.float32(nan), np.float32(0.9381), np.float32(0.3024), np.float32(0.9043), np.float32(nan), np.float32(0.9213), np.float32(0.5909), np.float32(0.8905), np.float32(0.6375), np.float32(0.7273), np.float32(0.9089), np.float32(0.9449), np.float32(0.928), np.float32(0.7981), np.float32(0.8158), np.float32(0.9093), np.float32(0.6771), np.float32(0.2868), np.float32(0.8919), np.float32(0.6826), np.float32(0.476), np.float32(0.9469), np.float32(0.0637), np.float32(0.8831), np.float32(0.625), np.float32(0.6219), np.float32(0.5563), np.float32(0.9191), np.float32(0.928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8329), np.float32(0.7817), np.float32(0.846), np.float32(0.8456), np.float32(0.8717), np.float32(0.8879), np.float32(0.8351), np.float32(0.8601), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:47:36.950365: Epoch time: 127.82 s +2026-02-22 17:47:36.954117: Yayy! New best EMA pseudo Dice: 0.7554000020027161 +2026-02-22 17:47:39.224022: +2026-02-22 17:47:39.236069: Epoch 882 +2026-02-22 17:47:39.238985: Current learning rate: 0.00146 +2026-02-22 17:49:42.448038: train_loss -0.1385 +2026-02-22 17:49:42.453372: val_loss -0.1383 +2026-02-22 17:49:42.454423: Pseudo dice [np.float32(0.9368), np.float32(0.9314), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8993), np.float32(nan), np.float32(0.9608), np.float32(nan), np.float32(0.838), np.float32(0.1111), np.float32(0.9108), np.float32(nan), np.float32(0.9109), np.float32(0.7382), np.float32(0.881), np.float32(0.8599), np.float32(0.7316), np.float32(0.9208), np.float32(0.9475), np.float32(0.9278), np.float32(0.8185), np.float32(0.8404), np.float32(0.4618), np.float32(0.7875), np.float32(0.3284), np.float32(0.9096), np.float32(0.5302), np.float32(0.8189), np.float32(0.9562), np.float32(0.4957), np.float32(0.8743), np.float32(0.7133), np.float32(0.5925), np.float32(0.5063), np.float32(0.9561), np.float32(0.971), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8526), np.float32(0.1381), np.float32(0.5131), np.float32(0.251), np.float32(0.7921), np.float32(0.6889), np.float32(0.8139), np.float32(0.835), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:49:42.455413: Epoch time: 123.23 s +2026-02-22 17:49:43.800251: +2026-02-22 17:49:43.833245: Epoch 883 +2026-02-22 17:49:43.835500: Current learning rate: 0.00145 +2026-02-22 17:51:56.632530: train_loss -0.1408 +2026-02-22 17:51:56.660674: val_loss -0.1246 +2026-02-22 17:51:56.665930: Pseudo dice [np.float32(0.9582), np.float32(0.9649), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8972), np.float32(nan), np.float32(0.9657), np.float32(nan), np.float32(0.9454), np.float32(0.8646), np.float32(0.899), np.float32(nan), np.float32(0.921), np.float32(0.5995), np.float32(0.8798), np.float32(0.8485), np.float32(0.7422), np.float32(0.8926), np.float32(0.9543), np.float32(0.922), np.float32(0.8429), np.float32(0.8433), np.float32(0.3058), np.float32(0.4032), np.float32(0.5858), np.float32(0.9188), np.float32(0.5881), np.float32(0.0879), np.float32(0.9333), np.float32(0.1591), np.float32(0.9063), np.float32(0.6057), np.float32(0.4833), np.float32(0.4584), np.float32(0.9571), np.float32(0.9365), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8438), np.float32(0.8253), np.float32(0.6798), np.float32(0.7043), np.float32(0.7147), np.float32(0.673), np.float32(0.8349), np.float32(0.8479), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:51:56.770492: Epoch time: 132.83 s +2026-02-22 17:51:58.416430: +2026-02-22 17:51:58.431571: Epoch 884 +2026-02-22 17:51:58.433388: Current learning rate: 0.00144 +2026-02-22 17:53:58.351458: train_loss -0.141 +2026-02-22 17:53:58.422457: val_loss -0.1555 +2026-02-22 17:53:58.427721: Pseudo dice [np.float32(0.9714), np.float32(0.967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8943), np.float32(nan), np.float32(0.9788), np.float32(nan), np.float32(0.9563), np.float32(0.726), np.float32(0.9056), np.float32(nan), np.float32(0.9225), np.float32(0.0), np.float32(0.8878), np.float32(0.8408), np.float32(0.7533), np.float32(0.9178), np.float32(0.9534), np.float32(0.9357), np.float32(0.8244), np.float32(0.8504), np.float32(0.7247), np.float32(0.4543), np.float32(0.4729), np.float32(0.9104), np.float32(0.1486), np.float32(0.0657), np.float32(0.9508), np.float32(0.4391), np.float32(0.877), np.float32(0.6788), np.float32(0.6076), np.float32(0.4945), np.float32(0.8802), np.float32(0.9242), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7852), np.float32(0.5245), np.float32(0.8723), np.float32(0.2352), np.float32(0.957), np.float32(0.9729), np.float32(0.8279), np.float32(0.8498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:53:58.433554: Epoch time: 119.94 s +2026-02-22 17:53:59.869189: +2026-02-22 17:53:59.883544: Epoch 885 +2026-02-22 17:53:59.885031: Current learning rate: 0.00143 +2026-02-22 17:56:01.035071: train_loss -0.1286 +2026-02-22 17:56:01.080215: val_loss -0.1471 +2026-02-22 17:56:01.084854: Pseudo dice [np.float32(0.9577), np.float32(0.963), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8971), np.float32(nan), np.float32(0.9747), np.float32(nan), np.float32(0.9645), np.float32(0.7181), np.float32(0.9093), np.float32(nan), np.float32(0.926), np.float32(0.8476), np.float32(0.8872), np.float32(0.6272), np.float32(0.7644), np.float32(0.919), np.float32(0.9575), np.float32(0.9317), np.float32(0.8269), np.float32(0.8481), np.float32(0.32), np.float32(0.7127), np.float32(0.1984), np.float32(0.9133), np.float32(0.2316), np.float32(0.3665), np.float32(0.9387), np.float32(0.6358), np.float32(0.8971), np.float32(0.6404), np.float32(0.6418), np.float32(0.4898), np.float32(0.8983), np.float32(0.9333), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.823), np.float32(0.1331), np.float32(0.8071), np.float32(0.8502), np.float32(0.8985), np.float32(0.8261), np.float32(0.8105), np.float32(0.8353), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:56:01.086594: Epoch time: 121.17 s +2026-02-22 17:56:02.399352: +2026-02-22 17:56:02.480694: Epoch 886 +2026-02-22 17:56:02.481736: Current learning rate: 0.00142 +2026-02-22 17:58:11.485462: train_loss -0.1403 +2026-02-22 17:58:11.495649: val_loss -0.1432 +2026-02-22 17:58:11.496912: Pseudo dice [np.float32(0.9549), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9106), np.float32(nan), np.float32(0.96), np.float32(nan), np.float32(0.9351), np.float32(0.3777), np.float32(0.9128), np.float32(nan), np.float32(0.9382), np.float32(0.7081), np.float32(0.8907), np.float32(0.3465), np.float32(0.765), np.float32(0.9209), np.float32(0.9524), np.float32(0.9428), np.float32(0.8406), np.float32(0.8539), np.float32(0.444), np.float32(0.53), np.float32(0.5871), np.float32(0.855), np.float32(0.4629), np.float32(0.6233), np.float32(0.9068), np.float32(0.4718), np.float32(0.8803), np.float32(0.7561), np.float32(0.7033), np.float32(0.6303), np.float32(0.887), np.float32(0.8783), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8393), np.float32(0.4943), np.float32(0.7472), np.float32(0.8709), np.float32(0.8789), np.float32(0.9285), np.float32(0.8435), np.float32(0.8692), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 17:58:11.497921: Epoch time: 129.09 s +2026-02-22 17:58:11.498850: Yayy! New best EMA pseudo Dice: 0.7559999823570251 +2026-02-22 17:58:13.936302: +2026-02-22 17:58:13.942938: Epoch 887 +2026-02-22 17:58:13.943747: Current learning rate: 0.00141 +2026-02-22 18:00:10.431019: train_loss -0.1301 +2026-02-22 18:00:10.439229: val_loss -0.1508 +2026-02-22 18:00:10.440271: Pseudo dice [np.float32(0.9446), np.float32(0.9533), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9095), np.float32(nan), np.float32(0.968), np.float32(nan), np.float32(0.9605), np.float32(0.2079), np.float32(0.9092), np.float32(nan), np.float32(0.9398), np.float32(0.0088), np.float32(0.9015), np.float32(0.5232), np.float32(0.7614), np.float32(0.9248), np.float32(0.9592), np.float32(0.9408), np.float32(0.8234), np.float32(0.8246), np.float32(0.5663), np.float32(0.4026), np.float32(0.089), np.float32(0.9092), np.float32(0.6465), np.float32(0.5515), np.float32(0.9528), np.float32(0.6395), np.float32(0.8716), np.float32(0.5535), np.float32(0.5751), np.float32(0.4508), np.float32(0.8778), np.float32(0.9004), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8753), np.float32(0.0), np.float32(0.7943), np.float32(0.6955), np.float32(0.9136), np.float32(0.8961), np.float32(0.8417), np.float32(0.8691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:00:10.441264: Epoch time: 116.5 s +2026-02-22 18:00:11.734686: +2026-02-22 18:00:11.743437: Epoch 888 +2026-02-22 18:00:11.744243: Current learning rate: 0.00139 +2026-02-22 18:02:23.330036: train_loss -0.1403 +2026-02-22 18:02:23.363018: val_loss -0.1575 +2026-02-22 18:02:23.371493: Pseudo dice [np.float32(0.9688), np.float32(0.9664), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9119), np.float32(nan), np.float32(0.9777), np.float32(nan), np.float32(0.9441), np.float32(0.0), np.float32(0.9205), np.float32(nan), np.float32(0.9239), np.float32(0.6583), np.float32(0.89), np.float32(0.6154), np.float32(0.7662), np.float32(0.9223), np.float32(0.9535), np.float32(0.942), np.float32(0.8294), np.float32(0.8311), np.float32(0.7577), np.float32(0.7162), np.float32(0.7196), np.float32(0.8855), np.float32(0.2642), np.float32(0.5547), np.float32(0.9619), np.float32(0.6047), np.float32(0.879), np.float32(0.7476), np.float32(0.6063), np.float32(0.5353), np.float32(0.9257), np.float32(0.9213), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8403), np.float32(0.6558), np.float32(0.8385), np.float32(0.778), np.float32(0.8931), np.float32(0.8802), np.float32(0.8433), np.float32(0.8728), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:02:23.375916: Epoch time: 131.6 s +2026-02-22 18:02:23.378911: Yayy! New best EMA pseudo Dice: 0.7565000057220459 +2026-02-22 18:02:26.126010: +2026-02-22 18:02:26.127316: Epoch 889 +2026-02-22 18:02:26.128397: Current learning rate: 0.00138 +2026-02-22 18:04:28.320157: train_loss -0.1322 +2026-02-22 18:04:28.345955: val_loss -0.1587 +2026-02-22 18:04:28.347474: Pseudo dice [np.float32(0.9715), np.float32(0.9736), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9075), np.float32(nan), np.float32(0.9722), np.float32(nan), np.float32(0.96), np.float32(0.0), np.float32(0.9164), np.float32(0.0), np.float32(0.9351), np.float32(0.8822), np.float32(0.8976), np.float32(0.6574), np.float32(0.7479), np.float32(0.9249), np.float32(0.9477), np.float32(0.9356), np.float32(0.8146), np.float32(0.8316), np.float32(0.456), np.float32(0.7113), np.float32(0.6722), np.float32(0.877), np.float32(0.6663), np.float32(0.4861), np.float32(0.9472), np.float32(0.5236), np.float32(0.9054), np.float32(0.635), np.float32(0.5507), np.float32(0.5624), np.float32(0.9647), np.float32(0.9604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8096), np.float32(0.6864), np.float32(0.7765), np.float32(0.8323), np.float32(0.9595), np.float32(0.9672), np.float32(0.8449), np.float32(0.8565), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:04:28.348676: Epoch time: 122.2 s +2026-02-22 18:04:28.351257: Yayy! New best EMA pseudo Dice: 0.7580999732017517 +2026-02-22 18:04:31.007182: +2026-02-22 18:04:31.014406: Epoch 890 +2026-02-22 18:04:31.023350: Current learning rate: 0.00137 +2026-02-22 18:06:33.737873: train_loss -0.1342 +2026-02-22 18:06:33.756136: val_loss -0.1524 +2026-02-22 18:06:33.758417: Pseudo dice [np.float32(0.9623), np.float32(0.9586), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8935), np.float32(nan), np.float32(0.9761), np.float32(nan), np.float32(0.9543), np.float32(0.3907), np.float32(0.9043), np.float32(nan), np.float32(0.9438), np.float32(0.7898), np.float32(0.8887), np.float32(0.7725), np.float32(0.7467), np.float32(0.9138), np.float32(0.958), np.float32(0.9399), np.float32(0.8277), np.float32(0.8203), np.float32(0.4357), np.float32(0.7548), np.float32(0.4782), np.float32(0.9211), np.float32(0.7227), np.float32(0.3044), np.float32(0.9619), np.float32(0.273), np.float32(0.8903), np.float32(0.5782), np.float32(0.6865), np.float32(0.6156), np.float32(0.9404), np.float32(0.952), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8546), np.float32(0.2412), np.float32(0.7436), np.float32(0.7989), np.float32(0.9267), np.float32(0.9449), np.float32(0.8308), np.float32(0.8531), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:06:33.759624: Epoch time: 122.73 s +2026-02-22 18:06:33.760569: Yayy! New best EMA pseudo Dice: 0.7601000070571899 +2026-02-22 18:06:36.164493: +2026-02-22 18:06:36.166146: Epoch 891 +2026-02-22 18:06:36.167220: Current learning rate: 0.00136 +2026-02-22 18:08:48.148732: train_loss -0.1135 +2026-02-22 18:08:48.180877: val_loss -0.1393 +2026-02-22 18:08:48.181927: Pseudo dice [np.float32(0.9583), np.float32(0.9537), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8952), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.9586), np.float32(0.6535), np.float32(0.9016), np.float32(nan), np.float32(0.9298), np.float32(0.6979), np.float32(0.8935), np.float32(0.6317), np.float32(0.6845), np.float32(0.9117), np.float32(0.9472), np.float32(0.9323), np.float32(0.8159), np.float32(0.8484), np.float32(0.7502), np.float32(0.7075), np.float32(0.3832), np.float32(0.8882), np.float32(0.0595), np.float32(0.3372), np.float32(0.924), np.float32(0.5912), np.float32(0.8669), np.float32(0.7241), np.float32(0.5595), np.float32(0.5737), np.float32(0.9285), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7936), np.float32(0.5911), np.float32(0.8419), np.float32(0.6238), np.float32(0.8929), np.float32(0.8465), np.float32(0.8403), np.float32(0.85), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:08:48.182880: Epoch time: 131.99 s +2026-02-22 18:08:48.183588: Yayy! New best EMA pseudo Dice: 0.7613000273704529 +2026-02-22 18:08:51.032364: +2026-02-22 18:08:51.033924: Epoch 892 +2026-02-22 18:08:51.034737: Current learning rate: 0.00135 +2026-02-22 18:10:52.970482: train_loss -0.1349 +2026-02-22 18:10:52.995594: val_loss -0.1354 +2026-02-22 18:10:53.001243: Pseudo dice [np.float32(0.9685), np.float32(0.9691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9), np.float32(nan), np.float32(0.9665), np.float32(nan), np.float32(0.938), np.float32(0.7195), np.float32(0.8875), np.float32(nan), np.float32(0.8915), np.float32(0.62), np.float32(0.8826), np.float32(0.5312), np.float32(0.7394), np.float32(0.9013), np.float32(0.95), np.float32(0.9282), np.float32(0.7888), np.float32(0.831), np.float32(0.697), np.float32(0.3829), np.float32(0.7849), np.float32(0.8067), np.float32(0.5361), np.float32(0.4335), np.float32(0.9578), np.float32(0.1771), np.float32(0.8372), np.float32(0.6466), np.float32(0.5349), np.float32(0.5342), np.float32(0.9141), np.float32(0.9181), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8495), np.float32(0.5169), np.float32(0.9152), np.float32(0.6949), np.float32(0.9603), np.float32(0.95), np.float32(0.8358), np.float32(0.8522), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:10:53.019791: Epoch time: 121.94 s +2026-02-22 18:10:53.023260: Yayy! New best EMA pseudo Dice: 0.762499988079071 +2026-02-22 18:10:55.966704: +2026-02-22 18:10:55.968305: Epoch 893 +2026-02-22 18:10:55.969109: Current learning rate: 0.00134 +2026-02-22 18:12:48.539802: train_loss -0.1343 +2026-02-22 18:12:48.561963: val_loss -0.1558 +2026-02-22 18:12:48.569876: Pseudo dice [np.float32(0.9713), np.float32(0.9723), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8839), np.float32(nan), np.float32(0.9741), np.float32(nan), np.float32(0.9637), np.float32(0.8634), np.float32(0.9039), np.float32(nan), np.float32(0.9232), np.float32(0.7152), np.float32(0.8937), np.float32(0.6244), np.float32(0.7413), np.float32(0.9204), np.float32(0.9522), np.float32(0.9381), np.float32(0.7873), np.float32(0.8301), np.float32(0.0424), np.float32(0.104), np.float32(0.5813), np.float32(0.8981), np.float32(0.2936), np.float32(0.5817), np.float32(0.961), np.float32(0.1666), np.float32(0.8556), np.float32(0.7114), np.float32(0.5696), np.float32(0.4915), np.float32(0.9387), np.float32(0.9393), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8161), np.float32(0.0002), np.float32(0.8108), np.float32(0.8258), np.float32(0.944), np.float32(0.9594), np.float32(0.8353), np.float32(0.8532), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:12:48.576882: Epoch time: 112.57 s +2026-02-22 18:12:49.713920: +2026-02-22 18:12:49.720930: Epoch 894 +2026-02-22 18:12:49.721737: Current learning rate: 0.00133 +2026-02-22 18:14:51.107482: train_loss -0.1337 +2026-02-22 18:14:51.123168: val_loss -0.1382 +2026-02-22 18:14:51.129815: Pseudo dice [np.float32(0.9657), np.float32(0.9676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9083), np.float32(nan), np.float32(0.9652), np.float32(nan), np.float32(0.9171), np.float32(0.394), np.float32(0.9032), np.float32(nan), np.float32(0.8895), np.float32(0.5734), np.float32(0.8818), np.float32(0.4164), np.float32(0.7307), np.float32(0.908), np.float32(0.9512), np.float32(0.938), np.float32(0.806), np.float32(0.8481), np.float32(0.9139), np.float32(0.5325), np.float32(0.0), np.float32(0.9039), np.float32(0.3055), np.float32(0.0196), np.float32(0.9257), np.float32(0.3835), np.float32(0.8774), np.float32(0.7357), np.float32(0.7275), np.float32(0.5655), np.float32(0.9328), np.float32(0.96), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8233), np.float32(0.0607), np.float32(0.5512), np.float32(0.5727), np.float32(0.9353), np.float32(0.9513), np.float32(0.8382), np.float32(0.8603), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:14:51.136353: Epoch time: 121.4 s +2026-02-22 18:14:52.452893: +2026-02-22 18:14:52.456846: Epoch 895 +2026-02-22 18:14:52.457808: Current learning rate: 0.00132 +2026-02-22 18:17:07.730395: train_loss -0.1418 +2026-02-22 18:17:07.743167: val_loss -0.1175 +2026-02-22 18:17:07.745278: Pseudo dice [np.float32(0.9341), np.float32(0.9469), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9016), np.float32(nan), np.float32(0.9552), np.float32(nan), np.float32(0.957), np.float32(0.6469), np.float32(0.9002), np.float32(nan), np.float32(0.8992), np.float32(0.5577), np.float32(0.8894), np.float32(0.5051), np.float32(0.7341), np.float32(0.9068), np.float32(0.9507), np.float32(0.9321), np.float32(0.801), np.float32(0.826), np.float32(0.5307), np.float32(0.7113), np.float32(0.5191), np.float32(0.883), np.float32(0.1341), np.float32(0.5735), np.float32(0.9632), np.float32(0.1541), np.float32(0.8507), np.float32(0.6921), np.float32(0.501), np.float32(0.5154), np.float32(0.9203), np.float32(0.9106), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8014), np.float32(0.717), np.float32(0.6801), np.float32(0.6612), np.float32(0.9659), np.float32(0.9722), np.float32(0.82), np.float32(0.8498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:17:07.748561: Epoch time: 135.28 s +2026-02-22 18:17:09.265405: +2026-02-22 18:17:09.268827: Epoch 896 +2026-02-22 18:17:09.269892: Current learning rate: 0.0013 +2026-02-22 18:19:04.672913: train_loss -0.1275 +2026-02-22 18:19:04.698625: val_loss -0.1455 +2026-02-22 18:19:04.707080: Pseudo dice [np.float32(0.9692), np.float32(0.9609), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9134), np.float32(nan), np.float32(0.9711), np.float32(nan), np.float32(0.9496), np.float32(0.6901), np.float32(0.9152), np.float32(nan), np.float32(0.9255), np.float32(0.6175), np.float32(0.8954), np.float32(0.7102), np.float32(0.7365), np.float32(0.9), np.float32(0.9498), np.float32(0.9365), np.float32(0.8312), np.float32(0.8308), np.float32(0.1689), np.float32(0.6811), np.float32(0.0), np.float32(0.9118), np.float32(0.6915), np.float32(0.5573), np.float32(0.886), np.float32(0.6528), np.float32(0.8699), np.float32(0.6216), np.float32(0.5719), np.float32(0.5444), np.float32(0.9337), np.float32(0.9547), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8199), np.float32(0.4782), np.float32(0.9183), np.float32(0.1209), np.float32(0.9604), np.float32(0.9624), np.float32(0.8255), np.float32(0.8527), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:19:04.713005: Epoch time: 115.41 s +2026-02-22 18:19:06.170767: +2026-02-22 18:19:06.176684: Epoch 897 +2026-02-22 18:19:06.177538: Current learning rate: 0.00129 +2026-02-22 18:21:11.672112: train_loss -0.1303 +2026-02-22 18:21:11.744185: val_loss -0.1582 +2026-02-22 18:21:11.749955: Pseudo dice [np.float32(0.9696), np.float32(0.97), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9109), np.float32(nan), np.float32(0.9705), np.float32(nan), np.float32(0.944), np.float32(0.1618), np.float32(0.9092), np.float32(0.0), np.float32(0.9318), np.float32(0.5981), np.float32(0.8944), np.float32(0.8219), np.float32(0.7639), np.float32(0.9265), np.float32(0.9553), np.float32(0.9377), np.float32(0.8451), np.float32(0.8363), np.float32(0.8627), np.float32(0.371), np.float32(0.2252), np.float32(0.8947), np.float32(0.2843), np.float32(0.5835), np.float32(0.9562), np.float32(0.8002), np.float32(0.8582), np.float32(0.6446), np.float32(0.6023), np.float32(0.5102), np.float32(0.9644), np.float32(0.9381), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7656), np.float32(0.342), np.float32(0.7577), np.float32(0.8042), np.float32(0.9145), np.float32(0.8929), np.float32(0.8385), np.float32(0.86), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:21:11.751672: Epoch time: 125.5 s +2026-02-22 18:21:13.359196: +2026-02-22 18:21:13.372219: Epoch 898 +2026-02-22 18:21:13.374316: Current learning rate: 0.00128 +2026-02-22 18:23:20.749345: train_loss -0.1305 +2026-02-22 18:23:20.757479: val_loss -0.1526 +2026-02-22 18:23:20.758465: Pseudo dice [np.float32(0.9537), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9032), np.float32(nan), np.float32(0.9734), np.float32(nan), np.float32(0.9491), np.float32(0.1157), np.float32(0.907), np.float32(nan), np.float32(0.9361), np.float32(0.8495), np.float32(0.893), np.float32(0.7319), np.float32(0.7726), np.float32(0.909), np.float32(0.9568), np.float32(0.9371), np.float32(0.7943), np.float32(0.824), np.float32(0.8553), np.float32(0.5373), np.float32(0.0122), np.float32(0.8626), np.float32(0.6823), np.float32(0.5254), np.float32(0.9544), np.float32(0.313), np.float32(0.8723), np.float32(0.5574), np.float32(0.6155), np.float32(0.526), np.float32(0.9504), np.float32(0.9381), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8588), np.float32(0.9183), np.float32(0.8485), np.float32(0.7218), np.float32(0.9536), np.float32(0.9681), np.float32(0.8356), np.float32(0.868), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:23:20.759232: Epoch time: 127.39 s +2026-02-22 18:23:21.820922: +2026-02-22 18:23:21.824193: Epoch 899 +2026-02-22 18:23:21.824992: Current learning rate: 0.00127 +2026-02-22 18:25:35.585567: train_loss -0.1236 +2026-02-22 18:25:35.624738: val_loss -0.1338 +2026-02-22 18:25:35.631148: Pseudo dice [np.float32(0.9709), np.float32(0.9645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8887), np.float32(nan), np.float32(0.9524), np.float32(nan), np.float32(0.9669), np.float32(0.5491), np.float32(0.8956), np.float32(nan), np.float32(0.9277), np.float32(0.7613), np.float32(0.8851), np.float32(0.4771), np.float32(0.7514), np.float32(0.9216), np.float32(0.953), np.float32(0.9327), np.float32(0.8004), np.float32(0.8291), np.float32(0.2461), np.float32(0.6785), np.float32(0.2641), np.float32(0.8471), np.float32(0.2997), np.float32(0.0933), np.float32(0.9614), np.float32(0.3448), np.float32(0.8751), np.float32(0.699), np.float32(0.5762), np.float32(0.5557), np.float32(0.9345), np.float32(0.9383), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8584), np.float32(0.3502), np.float32(0.0), np.float32(0.1341), np.float32(0.9449), np.float32(0.9302), np.float32(0.8319), np.float32(0.8511), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:25:35.637200: Epoch time: 133.77 s +2026-02-22 18:25:38.524166: +2026-02-22 18:25:38.531367: Epoch 900 +2026-02-22 18:25:38.533659: Current learning rate: 0.00126 +2026-02-22 18:27:41.157254: train_loss -0.1226 +2026-02-22 18:27:41.173213: val_loss -0.1489 +2026-02-22 18:27:41.176795: Pseudo dice [np.float32(0.9572), np.float32(0.9661), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8988), np.float32(nan), np.float32(0.9538), np.float32(nan), np.float32(0.956), np.float32(0.8087), np.float32(0.9076), np.float32(nan), np.float32(0.9412), np.float32(0.7934), np.float32(0.8945), np.float32(0.7562), np.float32(0.7451), np.float32(0.9161), np.float32(0.9586), np.float32(0.9383), np.float32(0.8498), np.float32(0.8353), np.float32(0.185), np.float32(0.7017), np.float32(0.0), np.float32(0.9391), np.float32(0.3674), np.float32(0.3695), np.float32(0.9291), np.float32(0.7298), np.float32(0.8755), np.float32(0.8202), np.float32(0.5734), np.float32(0.5754), np.float32(0.9191), np.float32(0.9049), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8184), np.float32(0.774), np.float32(0.6205), np.float32(0.698), np.float32(0.832), np.float32(0.7521), np.float32(0.8421), np.float32(0.8615), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:27:41.178776: Epoch time: 122.64 s +2026-02-22 18:27:43.951269: +2026-02-22 18:27:43.952842: Epoch 901 +2026-02-22 18:27:43.953654: Current learning rate: 0.00125 +2026-02-22 18:29:33.914535: train_loss -0.1376 +2026-02-22 18:29:33.934478: val_loss -0.1364 +2026-02-22 18:29:33.935711: Pseudo dice [np.float32(0.9454), np.float32(0.9524), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8873), np.float32(nan), np.float32(0.9586), np.float32(nan), np.float32(0.9512), np.float32(0.0141), np.float32(0.9136), np.float32(nan), np.float32(0.9347), np.float32(0.7586), np.float32(0.8935), np.float32(0.7654), np.float32(0.7545), np.float32(0.9127), np.float32(0.9559), np.float32(0.9392), np.float32(0.8245), np.float32(0.8118), np.float32(0.8305), np.float32(0.6972), np.float32(0.2148), np.float32(0.8756), np.float32(0.6112), np.float32(0.5878), np.float32(0.9212), np.float32(0.0845), np.float32(0.8861), np.float32(0.695), np.float32(0.6481), np.float32(0.595), np.float32(0.9283), np.float32(0.9365), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.6849), np.float32(0.0), np.float32(0.7592), np.float32(0.7641), np.float32(0.9503), np.float32(0.9523), np.float32(0.8568), np.float32(0.8619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:29:33.937015: Epoch time: 109.97 s +2026-02-22 18:29:35.113314: +2026-02-22 18:29:35.124560: Epoch 902 +2026-02-22 18:29:35.125953: Current learning rate: 0.00124 +2026-02-22 18:31:32.798188: train_loss -0.1323 +2026-02-22 18:31:32.801922: val_loss -0.1426 +2026-02-22 18:31:32.802970: Pseudo dice [np.float32(0.9605), np.float32(0.9654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9045), np.float32(nan), np.float32(0.9566), np.float32(nan), np.float32(0.8588), np.float32(0.3114), np.float32(0.9193), np.float32(nan), np.float32(0.9256), np.float32(0.696), np.float32(0.8775), np.float32(0.8016), np.float32(0.7027), np.float32(0.913), np.float32(0.9463), np.float32(0.9266), np.float32(0.8137), np.float32(0.8324), np.float32(0.4019), np.float32(0.5565), np.float32(0.1833), np.float32(0.8725), np.float32(0.1985), np.float32(0.6984), np.float32(0.9351), np.float32(0.4078), np.float32(0.9027), np.float32(0.8033), np.float32(0.518), np.float32(0.4877), np.float32(0.9638), np.float32(0.964), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8464), np.float32(0.0), np.float32(0.9153), np.float32(0.3355), np.float32(0.9413), np.float32(0.9506), np.float32(0.8516), np.float32(0.8627), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:31:32.803965: Epoch time: 117.69 s +2026-02-22 18:31:34.149662: +2026-02-22 18:31:34.153476: Epoch 903 +2026-02-22 18:31:34.154280: Current learning rate: 0.00122 +2026-02-22 18:33:42.278057: train_loss -0.1366 +2026-02-22 18:33:42.305994: val_loss -0.1463 +2026-02-22 18:33:42.311195: Pseudo dice [np.float32(0.967), np.float32(0.9688), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9059), np.float32(nan), np.float32(0.9685), np.float32(nan), np.float32(0.951), np.float32(0.0861), np.float32(0.9138), np.float32(nan), np.float32(0.9226), np.float32(0.6562), np.float32(0.9122), np.float32(0.0), np.float32(0.7839), np.float32(0.9146), np.float32(0.9571), np.float32(0.9381), np.float32(0.7991), np.float32(0.8283), np.float32(0.3214), np.float32(0.4444), np.float32(0.5869), np.float32(0.8818), np.float32(0.3569), np.float32(0.6292), np.float32(0.9078), np.float32(0.522), np.float32(0.8856), np.float32(0.4699), np.float32(0.6406), np.float32(0.5353), np.float32(0.871), np.float32(0.9232), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8665), np.float32(0.0206), np.float32(0.8923), np.float32(0.6113), np.float32(0.9619), np.float32(0.9538), np.float32(0.8589), np.float32(0.8721), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:33:42.316363: Epoch time: 128.13 s +2026-02-22 18:33:43.564277: +2026-02-22 18:33:43.574848: Epoch 904 +2026-02-22 18:33:43.579200: Current learning rate: 0.00121 +2026-02-22 18:36:00.394231: train_loss -0.1421 +2026-02-22 18:36:00.405368: val_loss -0.1519 +2026-02-22 18:36:00.406650: Pseudo dice [np.float32(0.9604), np.float32(0.9637), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9088), np.float32(nan), np.float32(0.9637), np.float32(nan), np.float32(0.9642), np.float32(0.178), np.float32(0.9002), np.float32(nan), np.float32(0.9302), np.float32(0.7206), np.float32(0.8963), np.float32(0.7076), np.float32(0.7542), np.float32(0.915), np.float32(0.9491), np.float32(0.9327), np.float32(0.8221), np.float32(0.8343), np.float32(0.4519), np.float32(0.6675), np.float32(0.611), np.float32(0.8126), np.float32(0.6402), np.float32(0.5869), np.float32(0.9529), np.float32(0.7257), np.float32(0.9103), np.float32(0.6229), np.float32(0.6079), np.float32(0.5421), np.float32(0.9609), np.float32(0.945), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7692), np.float32(0.2947), np.float32(0.7974), np.float32(0.5994), np.float32(0.973), np.float32(0.9745), np.float32(0.8284), np.float32(0.8448), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:36:00.407641: Epoch time: 136.83 s +2026-02-22 18:36:02.033054: +2026-02-22 18:36:02.054624: Epoch 905 +2026-02-22 18:36:02.057630: Current learning rate: 0.0012 +2026-02-22 18:38:12.454392: train_loss -0.1321 +2026-02-22 18:38:12.491564: val_loss -0.1128 +2026-02-22 18:38:12.496015: Pseudo dice [np.float32(0.9583), np.float32(0.9398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8946), np.float32(nan), np.float32(0.9548), np.float32(nan), np.float32(0.9254), np.float32(0.155), np.float32(0.9073), np.float32(nan), np.float32(0.9227), np.float32(0.7852), np.float32(0.8997), np.float32(0.6467), np.float32(0.7591), np.float32(0.9027), np.float32(0.9427), np.float32(0.9406), np.float32(0.7903), np.float32(0.827), np.float32(0.0802), np.float32(0.6608), np.float32(0.5405), np.float32(0.8803), np.float32(0.5598), np.float32(0.4061), np.float32(0.9267), np.float32(0.5626), np.float32(0.8595), np.float32(0.6383), np.float32(0.5892), np.float32(0.5133), np.float32(0.9189), np.float32(0.925), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7998), np.float32(0.1546), np.float32(0.7919), np.float32(0.8636), np.float32(0.6058), np.float32(0.8452), np.float32(0.8433), np.float32(0.8495), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:38:12.504957: Epoch time: 130.42 s +2026-02-22 18:38:13.921968: +2026-02-22 18:38:13.931314: Epoch 906 +2026-02-22 18:38:13.932112: Current learning rate: 0.00119 +2026-02-22 18:40:24.125723: train_loss -0.134 +2026-02-22 18:40:24.136244: val_loss -0.1307 +2026-02-22 18:40:24.137275: Pseudo dice [np.float32(0.9667), np.float32(0.9639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8991), np.float32(nan), np.float32(0.9573), np.float32(nan), np.float32(0.9333), np.float32(0.9393), np.float32(0.9181), np.float32(nan), np.float32(0.9342), np.float32(0.7028), np.float32(0.8993), np.float32(0.3909), np.float32(0.7533), np.float32(0.9184), np.float32(0.9504), np.float32(0.9279), np.float32(0.795), np.float32(0.8346), np.float32(0.6015), np.float32(0.379), np.float32(0.356), np.float32(0.8604), np.float32(0.5436), np.float32(0.4821), np.float32(0.9398), np.float32(0.7276), np.float32(0.8578), np.float32(0.7771), np.float32(0.6009), np.float32(0.5227), np.float32(0.8888), np.float32(0.8973), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7938), np.float32(0.7984), np.float32(0.7614), np.float32(0.6075), np.float32(0.9491), np.float32(0.9506), np.float32(0.8471), np.float32(0.8641), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:40:24.138275: Epoch time: 130.21 s +2026-02-22 18:40:25.477768: +2026-02-22 18:40:25.498769: Epoch 907 +2026-02-22 18:40:25.504197: Current learning rate: 0.00118 +2026-02-22 18:42:29.331152: train_loss -0.1355 +2026-02-22 18:42:29.359119: val_loss -0.1361 +2026-02-22 18:42:29.360141: Pseudo dice [np.float32(0.9551), np.float32(0.9465), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9005), np.float32(nan), np.float32(0.9476), np.float32(nan), np.float32(0.9385), np.float32(0.151), np.float32(0.9008), np.float32(nan), np.float32(0.9079), np.float32(0.5833), np.float32(0.88), np.float32(0.8138), np.float32(0.7687), np.float32(0.9096), np.float32(0.9291), np.float32(0.9126), np.float32(0.8214), np.float32(0.836), np.float32(0.7305), np.float32(0.5406), np.float32(0.3541), np.float32(0.8609), np.float32(0.3051), np.float32(0.4474), np.float32(0.9564), np.float32(0.3581), np.float32(0.8485), np.float32(0.6181), np.float32(0.5505), np.float32(0.5268), np.float32(0.913), np.float32(0.9335), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7579), np.float32(0.8057), np.float32(0.7205), np.float32(0.7995), np.float32(0.9724), np.float32(0.9767), np.float32(0.8208), np.float32(0.8501), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:42:29.361120: Epoch time: 123.86 s +2026-02-22 18:42:30.406473: +2026-02-22 18:42:30.411926: Epoch 908 +2026-02-22 18:42:30.412747: Current learning rate: 0.00117 +2026-02-22 18:44:41.559194: train_loss -0.1361 +2026-02-22 18:44:41.579751: val_loss -0.1482 +2026-02-22 18:44:41.585032: Pseudo dice [np.float32(0.9709), np.float32(0.974), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9085), np.float32(nan), np.float32(0.9594), np.float32(nan), np.float32(0.9512), np.float32(0.2436), np.float32(0.899), np.float32(0.0), np.float32(0.9271), np.float32(0.6756), np.float32(0.8973), np.float32(0.7841), np.float32(0.7609), np.float32(0.91), np.float32(0.9553), np.float32(0.932), np.float32(0.7998), np.float32(0.8355), np.float32(0.3777), np.float32(0.7548), np.float32(0.3669), np.float32(0.9131), np.float32(0.0086), np.float32(0.0), np.float32(0.9235), np.float32(0.4479), np.float32(0.8894), np.float32(0.4196), np.float32(0.5729), np.float32(0.559), np.float32(0.9616), np.float32(0.9272), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8489), np.float32(0.3056), np.float32(0.8878), np.float32(0.5472), np.float32(0.9689), np.float32(0.9749), np.float32(0.825), np.float32(0.8464), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:44:41.591788: Epoch time: 131.16 s +2026-02-22 18:44:43.103353: +2026-02-22 18:44:43.126690: Epoch 909 +2026-02-22 18:44:43.127717: Current learning rate: 0.00116 +2026-02-22 18:46:45.964621: train_loss -0.1469 +2026-02-22 18:46:45.995594: val_loss -0.127 +2026-02-22 18:46:45.996820: Pseudo dice [np.float32(0.9613), np.float32(0.9667), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8894), np.float32(nan), np.float32(0.9604), np.float32(nan), np.float32(0.9319), np.float32(0.3619), np.float32(0.8953), np.float32(nan), np.float32(0.9001), np.float32(0.7933), np.float32(0.8783), np.float32(0.6428), np.float32(0.757), np.float32(0.9215), np.float32(0.9508), np.float32(0.9409), np.float32(0.8156), np.float32(0.8478), np.float32(0.8344), np.float32(0.4284), np.float32(0.6067), np.float32(0.8755), np.float32(0.5772), np.float32(0.2467), np.float32(0.9515), np.float32(0.5864), np.float32(0.8462), np.float32(0.5519), np.float32(0.6076), np.float32(0.5499), np.float32(0.8826), np.float32(0.9393), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8642), np.float32(0.8935), np.float32(0.5552), np.float32(0.0139), np.float32(0.8993), np.float32(0.9016), np.float32(0.838), np.float32(0.8646), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:46:45.997547: Epoch time: 122.86 s +2026-02-22 18:46:47.281162: +2026-02-22 18:46:47.284811: Epoch 910 +2026-02-22 18:46:47.285619: Current learning rate: 0.00115 +2026-02-22 18:48:49.496475: train_loss -0.1292 +2026-02-22 18:48:49.591516: val_loss -0.162 +2026-02-22 18:48:49.599218: Pseudo dice [np.float32(0.9673), np.float32(0.9639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.904), np.float32(nan), np.float32(0.9676), np.float32(nan), np.float32(0.961), np.float32(0.064), np.float32(0.9198), np.float32(nan), np.float32(0.9404), np.float32(0.7397), np.float32(0.8897), np.float32(0.8421), np.float32(0.7499), np.float32(0.9187), np.float32(0.9573), np.float32(0.9251), np.float32(0.8307), np.float32(0.8403), np.float32(0.4533), np.float32(0.3565), np.float32(0.0642), np.float32(0.9016), np.float32(0.4503), np.float32(0.7573), np.float32(0.9664), np.float32(0.829), np.float32(0.8909), np.float32(0.6644), np.float32(0.5245), np.float32(0.4714), np.float32(0.962), np.float32(0.9538), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8403), np.float32(0.0752), np.float32(0.7194), np.float32(0.548), np.float32(0.9324), np.float32(0.8568), np.float32(0.8415), np.float32(0.8545), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:48:49.605481: Epoch time: 122.22 s +2026-02-22 18:48:50.863920: +2026-02-22 18:48:50.895732: Epoch 911 +2026-02-22 18:48:50.896533: Current learning rate: 0.00113 +2026-02-22 18:50:56.338228: train_loss -0.1326 +2026-02-22 18:50:56.359027: val_loss -0.121 +2026-02-22 18:50:56.362188: Pseudo dice [np.float32(0.9598), np.float32(0.9583), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9023), np.float32(nan), np.float32(0.9592), np.float32(nan), np.float32(0.9458), np.float32(0.0), np.float32(0.8638), np.float32(nan), np.float32(0.8964), np.float32(0.6728), np.float32(0.8794), np.float32(0.6422), np.float32(0.7331), np.float32(0.8977), np.float32(0.9503), np.float32(0.9248), np.float32(0.8245), np.float32(0.8375), np.float32(0.0122), np.float32(0.5813), np.float32(0.0586), np.float32(0.8668), np.float32(0.3528), np.float32(0.6419), np.float32(0.9708), np.float32(0.0), np.float32(0.8696), np.float32(0.584), np.float32(0.5079), np.float32(0.4376), np.float32(0.945), np.float32(0.9033), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7965), np.float32(0.4334), np.float32(0.9008), np.float32(0.7616), np.float32(0.9552), np.float32(0.9461), np.float32(0.8174), np.float32(0.8241), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:50:56.363872: Epoch time: 125.48 s +2026-02-22 18:50:57.838314: +2026-02-22 18:50:57.841415: Epoch 912 +2026-02-22 18:50:57.842228: Current learning rate: 0.00112 +2026-02-22 18:53:07.805069: train_loss -0.1353 +2026-02-22 18:53:07.820365: val_loss -0.1462 +2026-02-22 18:53:07.828468: Pseudo dice [np.float32(0.962), np.float32(0.9616), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9036), np.float32(nan), np.float32(0.9665), np.float32(nan), np.float32(0.9696), np.float32(0.3944), np.float32(0.8966), np.float32(nan), np.float32(0.9169), np.float32(0.7402), np.float32(0.8779), np.float32(0.764), np.float32(0.7784), np.float32(0.9056), np.float32(0.9522), np.float32(0.9336), np.float32(0.8355), np.float32(0.8401), np.float32(0.1067), np.float32(0.5467), np.float32(0.3569), np.float32(0.875), np.float32(0.3765), np.float32(0.6135), np.float32(0.9285), np.float32(0.0064), np.float32(0.8792), np.float32(0.7849), np.float32(0.601), np.float32(0.5549), np.float32(0.958), np.float32(0.9552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8234), np.float32(0.6273), np.float32(0.1072), np.float32(0.3951), np.float32(0.9269), np.float32(0.9193), np.float32(0.8428), np.float32(0.8623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:53:07.854847: Epoch time: 129.97 s +2026-02-22 18:53:08.929600: +2026-02-22 18:53:08.932945: Epoch 913 +2026-02-22 18:53:08.933756: Current learning rate: 0.00111 +2026-02-22 18:55:23.369478: train_loss -0.1247 +2026-02-22 18:55:23.381099: val_loss -0.1403 +2026-02-22 18:55:23.382132: Pseudo dice [np.float32(0.9555), np.float32(0.9413), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.9562), np.float32(nan), np.float32(0.9598), np.float32(0.8992), np.float32(0.9053), np.float32(0.0), np.float32(0.9165), np.float32(0.7827), np.float32(0.8934), np.float32(0.1846), np.float32(0.7476), np.float32(0.902), np.float32(0.9517), np.float32(0.93), np.float32(0.8178), np.float32(0.8375), np.float32(0.6483), np.float32(0.6381), np.float32(0.353), np.float32(0.8829), np.float32(0.382), np.float32(0.6324), np.float32(0.9623), np.float32(0.0), np.float32(0.907), np.float32(0.8015), np.float32(0.5667), np.float32(0.4685), np.float32(0.9506), np.float32(0.9648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8647), np.float32(0.5012), np.float32(0.8932), np.float32(0.3992), np.float32(0.9235), np.float32(0.9113), np.float32(0.8541), np.float32(0.8623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:55:23.383754: Epoch time: 134.44 s +2026-02-22 18:55:24.455609: +2026-02-22 18:55:24.476147: Epoch 914 +2026-02-22 18:55:24.484074: Current learning rate: 0.0011 +2026-02-22 18:57:22.860543: train_loss -0.1321 +2026-02-22 18:57:22.884156: val_loss -0.1513 +2026-02-22 18:57:22.892245: Pseudo dice [np.float32(0.9659), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9072), np.float32(nan), np.float32(0.974), np.float32(nan), np.float32(0.9544), np.float32(0.4596), np.float32(0.9145), np.float32(nan), np.float32(0.9397), np.float32(0.5966), np.float32(0.902), np.float32(0.7151), np.float32(0.7676), np.float32(0.9194), np.float32(0.9607), np.float32(0.9447), np.float32(0.796), np.float32(0.8365), np.float32(0.7594), np.float32(0.553), np.float32(0.3813), np.float32(0.9145), np.float32(0.5543), np.float32(0.5368), np.float32(0.9221), np.float32(0.6207), np.float32(0.8762), np.float32(0.0153), np.float32(0.6069), np.float32(0.5224), np.float32(0.9188), np.float32(0.9157), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8032), np.float32(0.0178), np.float32(0.8082), np.float32(0.83), np.float32(0.9683), np.float32(0.9736), np.float32(0.8435), np.float32(0.8695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:57:22.899450: Epoch time: 118.41 s +2026-02-22 18:57:24.386338: +2026-02-22 18:57:24.403790: Epoch 915 +2026-02-22 18:57:24.406743: Current learning rate: 0.00109 +2026-02-22 18:59:21.951006: train_loss -0.1387 +2026-02-22 18:59:21.984968: val_loss -0.1552 +2026-02-22 18:59:21.986007: Pseudo dice [np.float32(0.9707), np.float32(0.9735), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8971), np.float32(nan), np.float32(0.9645), np.float32(nan), np.float32(0.9438), np.float32(0.8433), np.float32(0.924), np.float32(nan), np.float32(0.9251), np.float32(0.6069), np.float32(0.901), np.float32(0.8303), np.float32(0.734), np.float32(0.9115), np.float32(0.9541), np.float32(0.9403), np.float32(0.7945), np.float32(0.845), np.float32(0.84), np.float32(0.4489), np.float32(0.057), np.float32(0.8901), np.float32(0.608), np.float32(0.6253), np.float32(0.9451), np.float32(0.544), np.float32(0.8798), np.float32(0.4397), np.float32(0.6688), np.float32(0.6034), np.float32(0.9619), np.float32(0.9328), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8252), np.float32(0.5104), np.float32(0.8367), np.float32(0.7969), np.float32(0.9717), np.float32(0.969), np.float32(0.8478), np.float32(0.8508), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 18:59:21.987004: Epoch time: 117.57 s +2026-02-22 18:59:23.292434: +2026-02-22 18:59:23.296477: Epoch 916 +2026-02-22 18:59:23.297276: Current learning rate: 0.00108 +2026-02-22 19:01:22.888095: train_loss -0.138 +2026-02-22 19:01:22.894613: val_loss -0.1605 +2026-02-22 19:01:22.895679: Pseudo dice [np.float32(0.9614), np.float32(0.9618), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.914), np.float32(nan), np.float32(0.9757), np.float32(nan), np.float32(0.927), np.float32(0.5269), np.float32(0.906), np.float32(nan), np.float32(0.9378), np.float32(0.4521), np.float32(0.8909), np.float32(0.4555), np.float32(0.7505), np.float32(0.9168), np.float32(0.953), np.float32(0.9358), np.float32(0.8199), np.float32(0.8381), np.float32(0.2546), np.float32(0.731), np.float32(0.7151), np.float32(0.8999), np.float32(0.505), np.float32(0.6923), np.float32(0.948), np.float32(0.4332), np.float32(0.8771), np.float32(0.6941), np.float32(0.4848), np.float32(0.4751), np.float32(0.9194), np.float32(0.956), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8591), np.float32(0.0), np.float32(0.8047), np.float32(0.6619), np.float32(0.9421), np.float32(0.8422), np.float32(0.8403), np.float32(0.857), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:01:22.900157: Epoch time: 119.6 s +2026-02-22 19:01:24.358999: +2026-02-22 19:01:24.378663: Epoch 917 +2026-02-22 19:01:24.381827: Current learning rate: 0.00106 +2026-02-22 19:03:31.066213: train_loss -0.1272 +2026-02-22 19:03:31.142317: val_loss -0.1544 +2026-02-22 19:03:31.146847: Pseudo dice [np.float32(0.9675), np.float32(0.9734), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9051), np.float32(nan), np.float32(0.9621), np.float32(nan), np.float32(0.9336), np.float32(0.0137), np.float32(0.915), np.float32(nan), np.float32(0.9358), np.float32(0.9078), np.float32(0.8986), np.float32(0.463), np.float32(0.7531), np.float32(0.9209), np.float32(0.9536), np.float32(0.9401), np.float32(0.8189), np.float32(0.8533), np.float32(0.9138), np.float32(0.6455), np.float32(0.8068), np.float32(0.9036), np.float32(0.354), np.float32(0.4464), np.float32(0.9573), np.float32(0.4627), np.float32(0.8588), np.float32(0.688), np.float32(0.6976), np.float32(0.599), np.float32(0.9761), np.float32(0.9695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9044), np.float32(0.0), np.float32(0.7678), np.float32(0.7857), np.float32(0.9694), np.float32(0.968), np.float32(0.8466), np.float32(0.8723), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:03:31.148445: Epoch time: 126.71 s +2026-02-22 19:03:32.396157: +2026-02-22 19:03:32.405967: Epoch 918 +2026-02-22 19:03:32.407028: Current learning rate: 0.00105 +2026-02-22 19:05:37.394073: train_loss -0.1507 +2026-02-22 19:05:37.408486: val_loss -0.1552 +2026-02-22 19:05:37.415192: Pseudo dice [np.float32(0.9562), np.float32(0.9496), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9095), np.float32(nan), np.float32(0.9705), np.float32(nan), np.float32(0.9408), np.float32(0.6902), np.float32(0.9089), np.float32(nan), np.float32(0.9359), np.float32(0.659), np.float32(0.8974), np.float32(0.6282), np.float32(0.7196), np.float32(0.9154), np.float32(0.9556), np.float32(0.9388), np.float32(0.8284), np.float32(0.8444), np.float32(0.9085), np.float32(0.4357), np.float32(0.8016), np.float32(0.9263), np.float32(0.3954), np.float32(0.491), np.float32(0.9381), np.float32(0.6061), np.float32(0.9037), np.float32(0.5035), np.float32(0.6068), np.float32(0.5712), np.float32(0.9037), np.float32(0.9584), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8124), np.float32(0.6837), np.float32(0.9009), np.float32(0.2172), np.float32(0.9196), np.float32(0.9403), np.float32(0.8496), np.float32(0.8675), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:05:37.417165: Epoch time: 125.0 s +2026-02-22 19:05:38.823973: +2026-02-22 19:05:38.863024: Epoch 919 +2026-02-22 19:05:38.873815: Current learning rate: 0.00104 +2026-02-22 19:07:35.850557: train_loss -0.1393 +2026-02-22 19:07:35.877575: val_loss -0.1562 +2026-02-22 19:07:35.880325: Pseudo dice [np.float32(0.9636), np.float32(0.9653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8987), np.float32(nan), np.float32(0.9682), np.float32(nan), np.float32(0.9585), np.float32(0.3159), np.float32(0.915), np.float32(0.0), np.float32(0.9307), np.float32(0.8328), np.float32(0.879), np.float32(0.8622), np.float32(0.7761), np.float32(0.9165), np.float32(0.9575), np.float32(0.9289), np.float32(0.8144), np.float32(0.831), np.float32(0.4004), np.float32(0.7397), np.float32(0.7331), np.float32(0.8572), np.float32(0.5465), np.float32(0.6173), np.float32(0.961), np.float32(0.2081), np.float32(0.8671), np.float32(0.7795), np.float32(0.5538), np.float32(0.524), np.float32(0.9696), np.float32(0.9648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8841), np.float32(0.9319), np.float32(0.7924), np.float32(0.685), np.float32(0.917), np.float32(0.9224), np.float32(0.8342), np.float32(0.8462), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:07:35.883049: Epoch time: 117.03 s +2026-02-22 19:07:35.884035: Yayy! New best EMA pseudo Dice: 0.7627999782562256 +2026-02-22 19:07:38.460363: +2026-02-22 19:07:38.461921: Epoch 920 +2026-02-22 19:07:38.462976: Current learning rate: 0.00103 +2026-02-22 19:09:42.695790: train_loss -0.1428 +2026-02-22 19:09:42.717484: val_loss -0.1359 +2026-02-22 19:09:42.723068: Pseudo dice [np.float32(0.9631), np.float32(0.9604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.91), np.float32(nan), np.float32(0.9736), np.float32(nan), np.float32(0.9191), np.float32(0.0044), np.float32(0.9024), np.float32(0.0), np.float32(0.9139), np.float32(0.449), np.float32(0.8876), np.float32(0.6741), np.float32(0.7293), np.float32(0.9126), np.float32(0.9553), np.float32(0.9346), np.float32(0.8282), np.float32(0.8266), np.float32(0.6992), np.float32(0.4143), np.float32(0.5865), np.float32(0.8222), np.float32(0.255), np.float32(0.4009), np.float32(0.9524), np.float32(0.6758), np.float32(0.882), np.float32(0.8146), np.float32(0.5715), np.float32(0.569), np.float32(0.9113), np.float32(0.9426), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9151), np.float32(0.0), np.float32(0.937), np.float32(0.4528), np.float32(0.8739), np.float32(0.8154), np.float32(0.8272), np.float32(0.861), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:09:42.725760: Epoch time: 124.24 s +2026-02-22 19:09:43.736274: +2026-02-22 19:09:43.741475: Epoch 921 +2026-02-22 19:09:43.743514: Current learning rate: 0.00102 +2026-02-22 19:11:52.356269: train_loss -0.1431 +2026-02-22 19:11:52.368847: val_loss -0.1439 +2026-02-22 19:11:52.370924: Pseudo dice [np.float32(0.9606), np.float32(0.9663), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.896), np.float32(nan), np.float32(0.967), np.float32(nan), np.float32(0.9539), np.float32(0.6652), np.float32(0.9257), np.float32(nan), np.float32(0.928), np.float32(0.7529), np.float32(0.9061), np.float32(0.6268), np.float32(0.7135), np.float32(0.9323), np.float32(0.9563), np.float32(0.9316), np.float32(0.8387), np.float32(0.8405), np.float32(0.8641), np.float32(0.0), np.float32(0.6664), np.float32(0.9001), np.float32(0.4471), np.float32(0.3482), np.float32(0.927), np.float32(0.6288), np.float32(0.8449), np.float32(0.7099), np.float32(0.6368), np.float32(0.5772), np.float32(0.9601), np.float32(0.9809), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8353), np.float32(0.0), np.float32(0.8898), np.float32(0.332), np.float32(0.7926), np.float32(0.7803), np.float32(0.8477), np.float32(0.8619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:11:52.371913: Epoch time: 128.62 s +2026-02-22 19:11:54.021845: +2026-02-22 19:11:54.044694: Epoch 922 +2026-02-22 19:11:54.052434: Current learning rate: 0.00101 +2026-02-22 19:14:01.058101: train_loss -0.1392 +2026-02-22 19:14:01.071593: val_loss -0.1507 +2026-02-22 19:14:01.072958: Pseudo dice [np.float32(0.9717), np.float32(0.9743), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9147), np.float32(nan), np.float32(0.9686), np.float32(nan), np.float32(0.8454), np.float32(0.0628), np.float32(0.9068), np.float32(nan), np.float32(0.9305), np.float32(0.0185), np.float32(0.9067), np.float32(0.8031), np.float32(0.8031), np.float32(0.9156), np.float32(0.946), np.float32(0.9466), np.float32(0.8382), np.float32(0.86), np.float32(0.0886), np.float32(0.6553), np.float32(0.6697), np.float32(0.9235), np.float32(0.5214), np.float32(0.561), np.float32(0.9064), np.float32(0.3904), np.float32(0.9008), np.float32(0.0065), np.float32(0.5572), np.float32(0.5036), np.float32(0.9354), np.float32(0.9458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8364), np.float32(0.7715), np.float32(0.7467), np.float32(0.4279), np.float32(0.9545), np.float32(0.9493), np.float32(0.8601), np.float32(0.8779), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:14:01.074350: Epoch time: 127.04 s +2026-02-22 19:14:02.326493: +2026-02-22 19:14:02.335572: Epoch 923 +2026-02-22 19:14:02.339623: Current learning rate: 0.001 +2026-02-22 19:16:11.658293: train_loss -0.136 +2026-02-22 19:16:11.704257: val_loss -0.143 +2026-02-22 19:16:11.707770: Pseudo dice [np.float32(0.9549), np.float32(0.9543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8958), np.float32(nan), np.float32(0.9714), np.float32(nan), np.float32(0.9576), np.float32(0.87), np.float32(0.9219), np.float32(nan), np.float32(0.9312), np.float32(0.7835), np.float32(0.886), np.float32(0.774), np.float32(0.7733), np.float32(0.9067), np.float32(0.9571), np.float32(0.9322), np.float32(0.8069), np.float32(0.8426), np.float32(0.7144), np.float32(0.5091), np.float32(0.7981), np.float32(0.8418), np.float32(0.6619), np.float32(0.3585), np.float32(0.9473), np.float32(0.2537), np.float32(0.874), np.float32(0.3858), np.float32(0.5615), np.float32(0.5196), np.float32(0.9686), np.float32(0.9616), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8284), np.float32(0.3973), np.float32(0.8259), np.float32(0.3046), np.float32(0.9474), np.float32(0.9607), np.float32(0.8471), np.float32(0.8486), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:16:11.709862: Epoch time: 129.33 s +2026-02-22 19:16:12.841696: +2026-02-22 19:16:12.845250: Epoch 924 +2026-02-22 19:16:12.846166: Current learning rate: 0.00098 +2026-02-22 19:18:22.228324: train_loss -0.1392 +2026-02-22 19:18:22.249269: val_loss -0.1443 +2026-02-22 19:18:22.252646: Pseudo dice [np.float32(0.9646), np.float32(0.9663), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9088), np.float32(nan), np.float32(0.9669), np.float32(nan), np.float32(0.9625), np.float32(0.7547), np.float32(0.9061), np.float32(nan), np.float32(0.9101), np.float32(0.5925), np.float32(0.9051), np.float32(0.8391), np.float32(0.793), np.float32(0.9108), np.float32(0.9492), np.float32(0.9379), np.float32(0.8005), np.float32(0.8333), np.float32(0.5284), np.float32(0.4746), np.float32(0.4797), np.float32(0.8827), np.float32(0.5089), np.float32(0.5964), np.float32(0.9506), np.float32(0.4107), np.float32(0.8509), np.float32(0.5031), np.float32(0.6335), np.float32(0.5175), np.float32(0.915), np.float32(0.9183), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7566), np.float32(0.8672), np.float32(0.7444), np.float32(0.2706), np.float32(0.88), np.float32(0.8555), np.float32(0.8579), np.float32(0.8673), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:18:22.259739: Epoch time: 129.39 s +2026-02-22 19:18:23.529588: +2026-02-22 19:18:23.533192: Epoch 925 +2026-02-22 19:18:23.534011: Current learning rate: 0.00097 +2026-02-22 19:20:19.465894: train_loss -0.1474 +2026-02-22 19:20:19.492018: val_loss -0.1487 +2026-02-22 19:20:19.498270: Pseudo dice [np.float32(0.9658), np.float32(0.9689), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8946), np.float32(nan), np.float32(0.9624), np.float32(nan), np.float32(0.9516), np.float32(0.4507), np.float32(0.9137), np.float32(0.0), np.float32(0.9385), np.float32(0.2866), np.float32(0.8893), np.float32(0.7433), np.float32(0.7859), np.float32(0.9212), np.float32(0.9521), np.float32(0.9322), np.float32(0.8177), np.float32(0.8178), np.float32(0.9056), np.float32(0.5263), np.float32(0.3002), np.float32(0.9243), np.float32(0.2871), np.float32(0.7892), np.float32(0.9653), np.float32(0.2767), np.float32(0.8533), np.float32(0.3247), np.float32(0.6979), np.float32(0.6263), np.float32(0.9234), np.float32(0.8989), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8319), np.float32(0.5304), np.float32(0.7527), np.float32(0.8357), np.float32(0.9767), np.float32(0.9739), np.float32(0.8417), np.float32(0.8723), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:20:19.505129: Epoch time: 115.93 s +2026-02-22 19:20:23.157362: +2026-02-22 19:20:23.164670: Epoch 926 +2026-02-22 19:20:23.165489: Current learning rate: 0.00096 +2026-02-22 19:22:31.237187: train_loss -0.1429 +2026-02-22 19:22:31.284110: val_loss -0.1344 +2026-02-22 19:22:31.289144: Pseudo dice [np.float32(0.9612), np.float32(0.9537), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9045), np.float32(nan), np.float32(0.9706), np.float32(nan), np.float32(0.9454), np.float32(0.4669), np.float32(0.8934), np.float32(nan), np.float32(0.909), np.float32(0.818), np.float32(0.8866), np.float32(0.7133), np.float32(0.7887), np.float32(0.9169), np.float32(0.9469), np.float32(0.9396), np.float32(0.8136), np.float32(0.8419), np.float32(0.5477), np.float32(0.8216), np.float32(0.4185), np.float32(0.9149), np.float32(0.5078), np.float32(0.5916), np.float32(0.9707), np.float32(0.5582), np.float32(0.8686), np.float32(0.7187), np.float32(0.5778), np.float32(0.5308), np.float32(0.944), np.float32(0.9132), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7268), np.float32(0.0614), np.float32(0.816), np.float32(0.6473), np.float32(0.8899), np.float32(0.9175), np.float32(0.8377), np.float32(0.8617), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:22:31.294733: Epoch time: 128.08 s +2026-02-22 19:22:32.492726: +2026-02-22 19:22:32.507083: Epoch 927 +2026-02-22 19:22:32.509621: Current learning rate: 0.00095 +2026-02-22 19:24:32.528636: train_loss -0.1395 +2026-02-22 19:24:32.564341: val_loss -0.1555 +2026-02-22 19:24:32.569001: Pseudo dice [np.float32(0.972), np.float32(0.9716), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9027), np.float32(nan), np.float32(0.9718), np.float32(nan), np.float32(0.9631), np.float32(0.3237), np.float32(0.9104), np.float32(nan), np.float32(0.9283), np.float32(0.8944), np.float32(0.8802), np.float32(0.7158), np.float32(0.7224), np.float32(0.9161), np.float32(0.9575), np.float32(0.936), np.float32(0.8103), np.float32(0.8455), np.float32(0.1516), np.float32(0.3051), np.float32(0.6467), np.float32(0.8958), np.float32(0.2275), np.float32(0.317), np.float32(0.9297), np.float32(0.6121), np.float32(0.8703), np.float32(0.6874), np.float32(0.5756), np.float32(0.5012), np.float32(0.9308), np.float32(0.9541), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8273), np.float32(0.5197), np.float32(0.889), np.float32(0.8414), np.float32(0.8369), np.float32(0.9066), np.float32(0.848), np.float32(0.8614), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:24:32.570760: Epoch time: 120.04 s +2026-02-22 19:24:33.865055: +2026-02-22 19:24:33.888618: Epoch 928 +2026-02-22 19:24:33.891540: Current learning rate: 0.00094 +2026-02-22 19:26:33.045200: train_loss -0.1439 +2026-02-22 19:26:33.098978: val_loss -0.1388 +2026-02-22 19:26:33.106407: Pseudo dice [np.float32(0.9577), np.float32(0.9654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9077), np.float32(nan), np.float32(0.9508), np.float32(nan), np.float32(0.9472), np.float32(0.2243), np.float32(0.9162), np.float32(0.0), np.float32(0.9387), np.float32(0.5826), np.float32(0.8906), np.float32(0.0), np.float32(0.7431), np.float32(0.9182), np.float32(0.9542), np.float32(0.9294), np.float32(0.813), np.float32(0.8373), np.float32(0.8778), np.float32(0.4578), np.float32(0.2441), np.float32(0.9134), np.float32(0.3319), np.float32(0.2207), np.float32(0.9634), np.float32(0.7741), np.float32(0.8992), np.float32(0.7542), np.float32(0.524), np.float32(0.5049), np.float32(0.9344), np.float32(0.9661), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8488), np.float32(0.7033), np.float32(0.8579), np.float32(0.6741), np.float32(0.9365), np.float32(0.9481), np.float32(0.8486), np.float32(0.8657), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:26:33.111365: Epoch time: 119.18 s +2026-02-22 19:26:34.380940: +2026-02-22 19:26:34.482440: Epoch 929 +2026-02-22 19:26:34.495479: Current learning rate: 0.00092 +2026-02-22 19:28:43.283378: train_loss -0.1441 +2026-02-22 19:28:43.374962: val_loss -0.1427 +2026-02-22 19:28:43.381682: Pseudo dice [np.float32(0.9662), np.float32(0.9711), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.908), np.float32(nan), np.float32(0.9632), np.float32(nan), np.float32(0.923), np.float32(0.9033), np.float32(0.9061), np.float32(nan), np.float32(0.9167), np.float32(0.8094), np.float32(0.9022), np.float32(0.7153), np.float32(0.786), np.float32(0.9266), np.float32(0.9587), np.float32(0.9368), np.float32(0.8143), np.float32(0.8461), np.float32(0.3243), np.float32(0.6335), np.float32(0.7714), np.float32(0.9156), np.float32(0.0837), np.float32(0.0801), np.float32(0.9601), np.float32(0.5958), np.float32(0.8769), np.float32(0.732), np.float32(0.514), np.float32(0.4746), np.float32(0.9102), np.float32(0.8972), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8085), np.float32(0.346), np.float32(0.8157), np.float32(0.8141), np.float32(0.9681), np.float32(0.9783), np.float32(0.8485), np.float32(0.86), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:28:43.386407: Epoch time: 128.9 s +2026-02-22 19:28:44.887442: +2026-02-22 19:28:44.899679: Epoch 930 +2026-02-22 19:28:44.901716: Current learning rate: 0.00091 +2026-02-22 19:31:00.613125: train_loss -0.1401 +2026-02-22 19:31:00.653707: val_loss -0.145 +2026-02-22 19:31:00.665263: Pseudo dice [np.float32(0.9694), np.float32(0.9716), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9049), np.float32(nan), np.float32(0.9669), np.float32(nan), np.float32(0.9579), np.float32(0.8738), np.float32(0.915), np.float32(nan), np.float32(0.9158), np.float32(0.8513), np.float32(0.8975), np.float32(0.6105), np.float32(0.7626), np.float32(0.9013), np.float32(0.9565), np.float32(0.9413), np.float32(0.8353), np.float32(0.8485), np.float32(0.6353), np.float32(0.2531), np.float32(0.7061), np.float32(0.8787), np.float32(0.4575), np.float32(0.583), np.float32(0.9398), np.float32(0.758), np.float32(0.8944), np.float32(0.6293), np.float32(0.6211), np.float32(0.5201), np.float32(0.8559), np.float32(0.9258), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8731), np.float32(0.4115), np.float32(0.7332), np.float32(0.2555), np.float32(0.87), np.float32(0.8775), np.float32(0.8433), np.float32(0.8577), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:31:00.679237: Epoch time: 135.73 s +2026-02-22 19:31:00.689246: Yayy! New best EMA pseudo Dice: 0.7630000114440918 +2026-02-22 19:31:03.401935: +2026-02-22 19:31:03.403756: Epoch 931 +2026-02-22 19:31:03.404560: Current learning rate: 0.0009 +2026-02-22 19:33:01.032669: train_loss -0.1489 +2026-02-22 19:33:01.041261: val_loss -0.1614 +2026-02-22 19:33:01.047626: Pseudo dice [np.float32(0.9576), np.float32(0.967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9111), np.float32(nan), np.float32(0.971), np.float32(nan), np.float32(0.9627), np.float32(0.099), np.float32(0.92), np.float32(0.0), np.float32(0.9355), np.float32(0.7157), np.float32(0.9011), np.float32(0.7592), np.float32(0.7913), np.float32(0.9196), np.float32(0.959), np.float32(0.9423), np.float32(0.8293), np.float32(0.8435), np.float32(0.6811), np.float32(0.6563), np.float32(0.092), np.float32(0.9238), np.float32(0.0004), np.float32(0.6392), np.float32(0.9365), np.float32(0.1631), np.float32(0.9016), np.float32(0.601), np.float32(0.67), np.float32(0.5858), np.float32(0.941), np.float32(0.9605), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8407), np.float32(0.5064), np.float32(0.8865), np.float32(0.3744), np.float32(0.8745), np.float32(0.892), np.float32(0.8583), np.float32(0.8707), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:33:01.055678: Epoch time: 117.63 s +2026-02-22 19:33:02.306778: +2026-02-22 19:33:02.314476: Epoch 932 +2026-02-22 19:33:02.315496: Current learning rate: 0.00089 +2026-02-22 19:35:06.947629: train_loss -0.1357 +2026-02-22 19:35:06.982514: val_loss -0.1459 +2026-02-22 19:35:06.987901: Pseudo dice [np.float32(0.9642), np.float32(0.9698), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9133), np.float32(nan), np.float32(0.9683), np.float32(nan), np.float32(0.9538), np.float32(0.7674), np.float32(0.9097), np.float32(nan), np.float32(0.9246), np.float32(0.8052), np.float32(0.8867), np.float32(0.8081), np.float32(0.7876), np.float32(0.9217), np.float32(0.9533), np.float32(0.9398), np.float32(0.8335), np.float32(0.8538), np.float32(0.8584), np.float32(0.743), np.float32(0.0), np.float32(0.9152), np.float32(0.7433), np.float32(0.4316), np.float32(0.9507), np.float32(0.359), np.float32(0.8864), np.float32(0.7078), np.float32(0.703), np.float32(0.5721), np.float32(0.943), np.float32(0.9273), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7927), np.float32(0.7113), np.float32(0.7972), np.float32(0.8283), np.float32(0.9268), np.float32(0.8926), np.float32(0.8332), np.float32(0.8591), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:35:06.996316: Epoch time: 124.64 s +2026-02-22 19:35:07.000580: Yayy! New best EMA pseudo Dice: 0.7646999955177307 +2026-02-22 19:35:09.837861: +2026-02-22 19:35:09.839396: Epoch 933 +2026-02-22 19:35:09.840222: Current learning rate: 0.00088 +2026-02-22 19:37:23.573722: train_loss -0.1424 +2026-02-22 19:37:23.579003: val_loss -0.1597 +2026-02-22 19:37:23.580287: Pseudo dice [np.float32(0.9719), np.float32(0.9693), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9107), np.float32(nan), np.float32(0.9735), np.float32(nan), np.float32(0.9657), np.float32(0.4834), np.float32(0.9246), np.float32(nan), np.float32(0.9265), np.float32(0.8122), np.float32(0.8988), np.float32(0.681), np.float32(0.7876), np.float32(0.9109), np.float32(0.9567), np.float32(0.9373), np.float32(0.8453), np.float32(0.8423), np.float32(0.1204), np.float32(0.7692), np.float32(0.6379), np.float32(0.8933), np.float32(0.1461), np.float32(0.4527), np.float32(0.9432), np.float32(0.5912), np.float32(0.8641), np.float32(0.6297), np.float32(0.635), np.float32(0.6019), np.float32(0.9665), np.float32(0.97), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8398), np.float32(0.6033), np.float32(0.8206), np.float32(0.8298), np.float32(0.9777), np.float32(0.9668), np.float32(0.8583), np.float32(0.8708), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:37:23.581842: Epoch time: 133.74 s +2026-02-22 19:37:23.582736: Yayy! New best EMA pseudo Dice: 0.7671999931335449 +2026-02-22 19:37:26.162971: +2026-02-22 19:37:26.164227: Epoch 934 +2026-02-22 19:37:26.165024: Current learning rate: 0.00087 +2026-02-22 19:39:38.293615: train_loss -0.1488 +2026-02-22 19:39:38.315430: val_loss -0.1608 +2026-02-22 19:39:38.316440: Pseudo dice [np.float32(0.9571), np.float32(0.9565), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9148), np.float32(nan), np.float32(0.9793), np.float32(nan), np.float32(0.9102), np.float32(0.5688), np.float32(0.9224), np.float32(nan), np.float32(0.941), np.float32(0.7836), np.float32(0.9107), np.float32(0.8085), np.float32(0.7526), np.float32(0.9133), np.float32(0.9488), np.float32(0.9389), np.float32(0.8329), np.float32(0.8426), np.float32(0.5895), np.float32(0.7577), np.float32(0.5027), np.float32(0.9156), np.float32(0.2905), np.float32(0.5323), np.float32(0.952), np.float32(0.6862), np.float32(0.896), np.float32(0.6355), np.float32(0.6126), np.float32(0.5033), np.float32(0.9477), np.float32(0.9713), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8368), np.float32(0.0794), np.float32(0.8779), np.float32(0.8346), np.float32(0.9116), np.float32(0.9143), np.float32(0.862), np.float32(0.8784), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:39:38.317437: Epoch time: 132.13 s +2026-02-22 19:39:38.318889: Yayy! New best EMA pseudo Dice: 0.769599974155426 +2026-02-22 19:39:40.818313: +2026-02-22 19:39:40.819928: Epoch 935 +2026-02-22 19:39:40.820728: Current learning rate: 0.00085 +2026-02-22 19:41:52.947678: train_loss -0.1383 +2026-02-22 19:41:52.968846: val_loss -0.1431 +2026-02-22 19:41:52.975685: Pseudo dice [np.float32(0.9649), np.float32(0.9631), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9078), np.float32(nan), np.float32(0.9702), np.float32(nan), np.float32(0.8605), np.float32(0.5797), np.float32(0.9201), np.float32(nan), np.float32(0.9314), np.float32(0.8523), np.float32(0.8999), np.float32(0.7461), np.float32(0.7386), np.float32(0.9304), np.float32(0.9524), np.float32(0.9364), np.float32(0.8146), np.float32(0.8411), np.float32(0.6316), np.float32(0.7202), np.float32(0.6057), np.float32(0.9103), np.float32(0.0), np.float32(0.0), np.float32(0.9589), np.float32(0.4619), np.float32(0.8595), np.float32(0.5881), np.float32(0.616), np.float32(0.5048), np.float32(0.9629), np.float32(0.9371), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9029), np.float32(0.0023), np.float32(0.9104), np.float32(0.7009), np.float32(0.966), np.float32(0.9547), np.float32(0.8357), np.float32(0.8331), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:41:52.987224: Epoch time: 132.13 s +2026-02-22 19:41:54.242872: +2026-02-22 19:41:54.246981: Epoch 936 +2026-02-22 19:41:54.247773: Current learning rate: 0.00084 +2026-02-22 19:44:00.054460: train_loss -0.1387 +2026-02-22 19:44:00.096778: val_loss -0.1394 +2026-02-22 19:44:00.098777: Pseudo dice [np.float32(0.9675), np.float32(0.9617), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9122), np.float32(nan), np.float32(0.9659), np.float32(nan), np.float32(0.9568), np.float32(0.7189), np.float32(0.9065), np.float32(nan), np.float32(0.9073), np.float32(0.6116), np.float32(0.8992), np.float32(0.0), np.float32(0.7668), np.float32(0.9232), np.float32(0.9319), np.float32(0.9392), np.float32(0.795), np.float32(0.8281), np.float32(0.0876), np.float32(0.4119), np.float32(0.0), np.float32(0.8853), np.float32(0.316), np.float32(0.8498), np.float32(0.929), np.float32(0.6265), np.float32(0.8733), np.float32(0.1808), np.float32(0.6687), np.float32(0.5765), np.float32(0.9206), np.float32(0.9267), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7456), np.float32(0.7151), np.float32(0.7751), np.float32(0.8085), np.float32(0.9274), np.float32(0.9256), np.float32(0.848), np.float32(0.869), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:44:00.105087: Epoch time: 125.81 s +2026-02-22 19:44:01.519253: +2026-02-22 19:44:01.525741: Epoch 937 +2026-02-22 19:44:01.526536: Current learning rate: 0.00083 +2026-02-22 19:46:09.566625: train_loss -0.1485 +2026-02-22 19:46:09.610631: val_loss -0.1529 +2026-02-22 19:46:09.613919: Pseudo dice [np.float32(0.9682), np.float32(0.9691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9048), np.float32(nan), np.float32(0.966), np.float32(nan), np.float32(0.9454), np.float32(0.6502), np.float32(0.9136), np.float32(0.0), np.float32(0.9068), np.float32(0.7603), np.float32(0.8998), np.float32(0.7932), np.float32(0.7687), np.float32(0.9282), np.float32(0.9556), np.float32(0.9371), np.float32(0.8209), np.float32(0.8343), np.float32(0.8307), np.float32(0.6005), np.float32(0.7674), np.float32(0.8779), np.float32(0.6915), np.float32(0.3126), np.float32(0.9251), np.float32(0.5602), np.float32(0.9036), np.float32(0.8149), np.float32(0.6269), np.float32(0.5586), np.float32(0.9608), np.float32(0.9382), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8468), np.float32(0.7391), np.float32(0.9376), np.float32(0.3735), np.float32(0.9458), np.float32(0.9481), np.float32(0.8386), np.float32(0.8599), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:46:09.619238: Epoch time: 128.03 s +2026-02-22 19:46:11.177087: +2026-02-22 19:46:11.180427: Epoch 938 +2026-02-22 19:46:11.181228: Current learning rate: 0.00082 +2026-02-22 19:48:12.996555: train_loss -0.145 +2026-02-22 19:48:13.000898: val_loss -0.159 +2026-02-22 19:48:13.002171: Pseudo dice [np.float32(0.9733), np.float32(0.9725), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9009), np.float32(nan), np.float32(0.9739), np.float32(nan), np.float32(0.9639), np.float32(0.687), np.float32(0.9116), np.float32(nan), np.float32(0.9345), np.float32(0.7465), np.float32(0.8993), np.float32(0.8487), np.float32(0.7786), np.float32(0.9275), np.float32(0.9624), np.float32(0.9393), np.float32(0.8309), np.float32(0.8495), np.float32(0.5866), np.float32(0.5589), np.float32(0.8053), np.float32(0.9128), np.float32(0.7254), np.float32(0.4468), np.float32(0.9491), np.float32(0.8151), np.float32(0.8863), np.float32(0.4956), np.float32(0.6041), np.float32(0.5532), np.float32(0.9272), np.float32(0.9356), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8243), np.float32(0.0), np.float32(0.8214), np.float32(0.5243), np.float32(0.9175), np.float32(0.92), np.float32(0.8489), np.float32(0.8645), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:48:13.003198: Epoch time: 121.82 s +2026-02-22 19:48:13.004130: Yayy! New best EMA pseudo Dice: 0.771399974822998 +2026-02-22 19:48:15.259156: +2026-02-22 19:48:15.261226: Epoch 939 +2026-02-22 19:48:15.263385: Current learning rate: 0.00081 +2026-02-22 19:50:12.822436: train_loss -0.1453 +2026-02-22 19:50:12.853624: val_loss -0.1406 +2026-02-22 19:50:12.854706: Pseudo dice [np.float32(0.9607), np.float32(0.9692), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9116), np.float32(nan), np.float32(0.9664), np.float32(nan), np.float32(0.9101), np.float32(0.3451), np.float32(0.909), np.float32(0.0), np.float32(0.9435), np.float32(0.5152), np.float32(0.8883), np.float32(0.6795), np.float32(0.7874), np.float32(0.9255), np.float32(0.959), np.float32(0.9374), np.float32(0.8281), np.float32(0.8574), np.float32(0.2156), np.float32(0.701), np.float32(0.7836), np.float32(0.9007), np.float32(0.3871), np.float32(0.7991), np.float32(0.9397), np.float32(0.5953), np.float32(0.896), np.float32(0.7648), np.float32(0.5319), np.float32(0.4956), np.float32(0.9096), np.float32(0.943), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.887), np.float32(0.8671), np.float32(0.9302), np.float32(0.4262), np.float32(0.9682), np.float32(0.9647), np.float32(0.8537), np.float32(0.8695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:50:12.856436: Epoch time: 117.57 s +2026-02-22 19:50:12.859360: Yayy! New best EMA pseudo Dice: 0.7716000080108643 +2026-02-22 19:50:15.250049: +2026-02-22 19:50:15.254797: Epoch 940 +2026-02-22 19:50:15.258630: Current learning rate: 0.00079 +2026-02-22 19:52:19.391436: train_loss -0.149 +2026-02-22 19:52:19.449954: val_loss -0.1524 +2026-02-22 19:52:19.460201: Pseudo dice [np.float32(0.9651), np.float32(0.9678), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9136), np.float32(nan), np.float32(0.9676), np.float32(nan), np.float32(0.9651), np.float32(0.7566), np.float32(0.9066), np.float32(0.0), np.float32(0.9331), np.float32(0.7918), np.float32(0.9025), np.float32(0.0), np.float32(0.8017), np.float32(0.9106), np.float32(0.9563), np.float32(0.9434), np.float32(0.8451), np.float32(0.8619), np.float32(0.6477), np.float32(0.7553), np.float32(0.8846), np.float32(0.9181), np.float32(0.1343), np.float32(0.4346), np.float32(0.9589), np.float32(0.3547), np.float32(0.8926), np.float32(0.7498), np.float32(0.6453), np.float32(0.5262), np.float32(0.9463), np.float32(0.9558), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8231), np.float32(0.7508), np.float32(0.9241), np.float32(0.4345), np.float32(0.9371), np.float32(0.9479), np.float32(0.8436), np.float32(0.8622), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:52:19.553548: Epoch time: 124.14 s +2026-02-22 19:52:20.764850: +2026-02-22 19:52:20.779429: Epoch 941 +2026-02-22 19:52:20.780235: Current learning rate: 0.00078 +2026-02-22 19:54:32.774724: train_loss -0.1427 +2026-02-22 19:54:32.807081: val_loss -0.1575 +2026-02-22 19:54:32.811711: Pseudo dice [np.float32(0.9623), np.float32(0.9417), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9098), np.float32(nan), np.float32(0.9669), np.float32(nan), np.float32(0.9174), np.float32(0.4238), np.float32(0.9129), np.float32(nan), np.float32(0.9326), np.float32(0.6648), np.float32(0.9049), np.float32(0.8185), np.float32(0.8046), np.float32(0.9274), np.float32(0.9563), np.float32(0.9369), np.float32(0.8429), np.float32(0.8576), np.float32(0.6211), np.float32(0.5866), np.float32(0.6732), np.float32(0.8718), np.float32(0.5605), np.float32(0.5481), np.float32(0.9593), np.float32(0.578), np.float32(0.8434), np.float32(0.5632), np.float32(0.6454), np.float32(0.5054), np.float32(0.9453), np.float32(0.955), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7851), np.float32(0.5266), np.float32(0.8927), np.float32(0.4268), np.float32(0.9707), np.float32(0.9679), np.float32(0.849), np.float32(0.8643), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:54:32.820062: Epoch time: 132.01 s +2026-02-22 19:54:32.826399: Yayy! New best EMA pseudo Dice: 0.7731000185012817 +2026-02-22 19:54:35.355178: +2026-02-22 19:54:35.360864: Epoch 942 +2026-02-22 19:54:35.362589: Current learning rate: 0.00077 +2026-02-22 19:56:32.931779: train_loss -0.1435 +2026-02-22 19:56:32.995108: val_loss -0.1409 +2026-02-22 19:56:32.998914: Pseudo dice [np.float32(0.9662), np.float32(0.9687), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.908), np.float32(nan), np.float32(0.971), np.float32(nan), np.float32(0.9393), np.float32(0.9287), np.float32(0.9054), np.float32(nan), np.float32(0.9219), np.float32(0.8108), np.float32(0.9085), np.float32(0.8454), np.float32(0.7777), np.float32(0.9151), np.float32(0.9602), np.float32(0.9352), np.float32(0.8429), np.float32(0.8503), np.float32(0.406), np.float32(0.5662), np.float32(0.5242), np.float32(0.9129), np.float32(0.56), np.float32(0.6479), np.float32(0.9527), np.float32(0.5187), np.float32(0.8923), np.float32(0.6748), np.float32(0.5759), np.float32(0.5148), np.float32(0.962), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7687), np.float32(0.6784), np.float32(0.7285), np.float32(0.7217), np.float32(0.8375), np.float32(0.7865), np.float32(0.8541), np.float32(0.8692), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:56:33.000762: Epoch time: 117.58 s +2026-02-22 19:56:33.002912: Yayy! New best EMA pseudo Dice: 0.7760000228881836 +2026-02-22 19:56:36.457040: +2026-02-22 19:56:36.459364: Epoch 943 +2026-02-22 19:56:36.460181: Current learning rate: 0.00076 +2026-02-22 19:58:36.054854: train_loss -0.1473 +2026-02-22 19:58:36.059786: val_loss -0.1504 +2026-02-22 19:58:36.060836: Pseudo dice [np.float32(0.9715), np.float32(0.9713), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.91), np.float32(nan), np.float32(0.9753), np.float32(nan), np.float32(0.9154), np.float32(0.359), np.float32(0.9279), np.float32(0.0), np.float32(0.9427), np.float32(0.6552), np.float32(0.8992), np.float32(0.7666), np.float32(0.7789), np.float32(0.9216), np.float32(0.9482), np.float32(0.9419), np.float32(0.8328), np.float32(0.8565), np.float32(0.2896), np.float32(0.472), np.float32(0.0), np.float32(0.9059), np.float32(0.6815), np.float32(0.7824), np.float32(0.9624), np.float32(0.7402), np.float32(0.8923), np.float32(0.749), np.float32(0.5857), np.float32(0.5576), np.float32(0.9289), np.float32(0.9458), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.848), np.float32(0.0617), np.float32(0.8262), np.float32(0.7595), np.float32(0.8918), np.float32(0.9116), np.float32(0.8276), np.float32(0.8394), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 19:58:36.061855: Epoch time: 119.6 s +2026-02-22 19:58:37.407492: +2026-02-22 19:58:37.429482: Epoch 944 +2026-02-22 19:58:37.439821: Current learning rate: 0.00075 +2026-02-22 20:00:43.336421: train_loss -0.151 +2026-02-22 20:00:43.375702: val_loss -0.146 +2026-02-22 20:00:43.380481: Pseudo dice [np.float32(0.9694), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9036), np.float32(nan), np.float32(0.9714), np.float32(nan), np.float32(0.9376), np.float32(0.4284), np.float32(0.9101), np.float32(nan), np.float32(0.9251), np.float32(0.7653), np.float32(0.886), np.float32(0.59), np.float32(0.7555), np.float32(0.9146), np.float32(0.9534), np.float32(0.9393), np.float32(0.8304), np.float32(0.8417), np.float32(0.7833), np.float32(0.6005), np.float32(0.2885), np.float32(0.8681), np.float32(0.1964), np.float32(0.6067), np.float32(0.9377), np.float32(0.685), np.float32(0.903), np.float32(0.7224), np.float32(0.5624), np.float32(0.481), np.float32(0.9515), np.float32(0.961), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.866), np.float32(0.767), np.float32(0.9071), np.float32(0.548), np.float32(0.932), np.float32(0.9312), np.float32(0.8387), np.float32(0.8606), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:00:43.385864: Epoch time: 125.93 s +2026-02-22 20:00:44.855017: +2026-02-22 20:00:44.872950: Epoch 945 +2026-02-22 20:00:44.876182: Current learning rate: 0.00074 +2026-02-22 20:02:49.707128: train_loss -0.1493 +2026-02-22 20:02:49.732900: val_loss -0.1606 +2026-02-22 20:02:49.734358: Pseudo dice [np.float32(0.9672), np.float32(0.9697), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.914), np.float32(nan), np.float32(0.9614), np.float32(nan), np.float32(0.9668), np.float32(0.0016), np.float32(0.9172), np.float32(nan), np.float32(0.9317), np.float32(0.7371), np.float32(0.9072), np.float32(0.8516), np.float32(0.7616), np.float32(0.9323), np.float32(0.9604), np.float32(0.938), np.float32(0.837), np.float32(0.8518), np.float32(0.2304), np.float32(0.5174), np.float32(0.064), np.float32(0.9217), np.float32(0.6156), np.float32(0.6943), np.float32(0.9512), np.float32(0.2966), np.float32(0.8823), np.float32(0.7532), np.float32(0.581), np.float32(0.5045), np.float32(0.9716), np.float32(0.9591), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8643), np.float32(0.3644), np.float32(0.8369), np.float32(0.7318), np.float32(0.9506), np.float32(0.9344), np.float32(0.8525), np.float32(0.8731), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:02:49.741924: Epoch time: 124.82 s +2026-02-22 20:02:51.107738: +2026-02-22 20:02:51.111402: Epoch 946 +2026-02-22 20:02:51.112458: Current learning rate: 0.00072 +2026-02-22 20:04:56.557572: train_loss -0.1418 +2026-02-22 20:04:56.563912: val_loss -0.1506 +2026-02-22 20:04:56.565175: Pseudo dice [np.float32(0.9707), np.float32(0.9669), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8998), np.float32(nan), np.float32(0.9709), np.float32(nan), np.float32(0.9265), np.float32(0.6325), np.float32(0.9127), np.float32(0.0), np.float32(0.9094), np.float32(0.7709), np.float32(0.8888), np.float32(0.7937), np.float32(0.7605), np.float32(0.9205), np.float32(0.9396), np.float32(0.937), np.float32(0.8345), np.float32(0.8413), np.float32(0.8325), np.float32(0.0), np.float32(0.4449), np.float32(0.8451), np.float32(0.2495), np.float32(0.2468), np.float32(0.9479), np.float32(0.5497), np.float32(0.8844), np.float32(0.7405), np.float32(0.6428), np.float32(0.4986), np.float32(0.9645), np.float32(0.9578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7515), np.float32(0.3571), np.float32(0.7955), np.float32(0.6476), np.float32(0.9555), np.float32(0.9567), np.float32(0.8377), np.float32(0.8552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:04:56.567174: Epoch time: 125.45 s +2026-02-22 20:04:57.868304: +2026-02-22 20:04:57.871929: Epoch 947 +2026-02-22 20:04:57.872742: Current learning rate: 0.00071 +2026-02-22 20:07:08.286192: train_loss -0.15 +2026-02-22 20:07:08.309302: val_loss -0.1525 +2026-02-22 20:07:08.310590: Pseudo dice [np.float32(0.967), np.float32(0.9649), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9029), np.float32(nan), np.float32(0.9711), np.float32(nan), np.float32(0.904), np.float32(0.8458), np.float32(0.9153), np.float32(nan), np.float32(0.9298), np.float32(0.7202), np.float32(0.9057), np.float32(0.7244), np.float32(0.7961), np.float32(0.9244), np.float32(0.9448), np.float32(0.9426), np.float32(0.8225), np.float32(0.8086), np.float32(0.8436), np.float32(0.5956), np.float32(0.7072), np.float32(0.8837), np.float32(0.5885), np.float32(0.5367), np.float32(0.9707), np.float32(0.6729), np.float32(0.8968), np.float32(0.5472), np.float32(0.6554), np.float32(0.6609), np.float32(0.9415), np.float32(0.9297), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8459), np.float32(0.0), np.float32(0.9147), np.float32(0.7759), np.float32(0.9302), np.float32(0.8976), np.float32(0.8326), np.float32(0.8636), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:07:08.311597: Epoch time: 130.42 s +2026-02-22 20:07:09.562442: +2026-02-22 20:07:09.581839: Epoch 948 +2026-02-22 20:07:09.584967: Current learning rate: 0.0007 +2026-02-22 20:09:08.737979: train_loss -0.1371 +2026-02-22 20:09:08.748930: val_loss -0.1566 +2026-02-22 20:09:08.752159: Pseudo dice [np.float32(0.9647), np.float32(0.9747), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9084), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.9668), np.float32(0.2831), np.float32(0.9129), np.float32(nan), np.float32(0.9241), np.float32(0.5784), np.float32(0.8935), np.float32(0.7842), np.float32(0.7096), np.float32(0.925), np.float32(0.9541), np.float32(0.9354), np.float32(0.8138), np.float32(0.838), np.float32(0.6446), np.float32(0.5032), np.float32(0.7932), np.float32(0.8896), np.float32(0.344), np.float32(0.6311), np.float32(0.9635), np.float32(0.3919), np.float32(0.9125), np.float32(0.0), np.float32(0.5597), np.float32(0.4904), np.float32(0.9745), np.float32(0.9735), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8185), np.float32(0.1548), np.float32(0.8668), np.float32(0.83), np.float32(0.9115), np.float32(0.9486), np.float32(0.8513), np.float32(0.8558), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:09:08.754069: Epoch time: 119.17 s +2026-02-22 20:09:10.054712: +2026-02-22 20:09:10.059815: Epoch 949 +2026-02-22 20:09:10.060611: Current learning rate: 0.00069 +2026-02-22 20:11:15.769840: train_loss -0.1364 +2026-02-22 20:11:15.808496: val_loss -0.1551 +2026-02-22 20:11:15.813331: Pseudo dice [np.float32(0.9701), np.float32(0.9694), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9092), np.float32(nan), np.float32(0.9733), np.float32(nan), np.float32(0.9646), np.float32(0.7695), np.float32(0.9163), np.float32(nan), np.float32(0.9329), np.float32(0.7289), np.float32(0.9039), np.float32(0.7784), np.float32(0.7483), np.float32(0.9263), np.float32(0.956), np.float32(0.9463), np.float32(0.7981), np.float32(0.852), np.float32(0.8657), np.float32(0.6923), np.float32(0.8346), np.float32(0.9022), np.float32(0.6707), np.float32(0.7314), np.float32(0.9258), np.float32(0.1503), np.float32(0.8873), np.float32(0.5969), np.float32(0.5695), np.float32(0.5144), np.float32(0.9354), np.float32(0.9448), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8617), np.float32(0.7242), np.float32(0.8341), np.float32(0.7295), np.float32(0.9395), np.float32(0.9436), np.float32(0.8446), np.float32(0.8693), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:11:15.815747: Epoch time: 125.72 s +2026-02-22 20:11:17.269143: Yayy! New best EMA pseudo Dice: 0.7778000235557556 +2026-02-22 20:11:19.911580: +2026-02-22 20:11:19.912988: Epoch 950 +2026-02-22 20:11:19.913788: Current learning rate: 0.00067 +2026-02-22 20:13:18.700193: train_loss -0.1553 +2026-02-22 20:13:18.727093: val_loss -0.1655 +2026-02-22 20:13:18.733884: Pseudo dice [np.float32(0.961), np.float32(0.9628), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9131), np.float32(nan), np.float32(0.9742), np.float32(nan), np.float32(0.8961), np.float32(0.6206), np.float32(0.9146), np.float32(nan), np.float32(0.9388), np.float32(0.7961), np.float32(0.9117), np.float32(0.3088), np.float32(0.7844), np.float32(0.9316), np.float32(0.958), np.float32(0.9409), np.float32(0.8227), np.float32(0.8542), np.float32(0.767), np.float32(0.7273), np.float32(0.8868), np.float32(0.8974), np.float32(0.6343), np.float32(0.09), np.float32(0.9539), np.float32(0.5181), np.float32(0.9018), np.float32(0.7219), np.float32(0.582), np.float32(0.5154), np.float32(0.9093), np.float32(0.9297), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8168), np.float32(0.0), np.float32(0.6723), np.float32(0.8326), np.float32(0.9449), np.float32(0.9363), np.float32(0.8688), np.float32(0.8793), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:13:18.772942: Epoch time: 118.79 s +2026-02-22 20:13:18.779657: Yayy! New best EMA pseudo Dice: 0.7781999707221985 +2026-02-22 20:13:21.702728: +2026-02-22 20:13:21.710598: Epoch 951 +2026-02-22 20:13:21.714534: Current learning rate: 0.00066 +2026-02-22 20:15:20.247618: train_loss -0.1424 +2026-02-22 20:15:20.254697: val_loss -0.1482 +2026-02-22 20:15:20.256416: Pseudo dice [np.float32(0.9626), np.float32(0.967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.907), np.float32(nan), np.float32(0.9717), np.float32(nan), np.float32(0.9583), np.float32(0.8209), np.float32(0.9102), np.float32(nan), np.float32(0.9311), np.float32(0.803), np.float32(0.903), np.float32(0.685), np.float32(0.7639), np.float32(0.9188), np.float32(0.9538), np.float32(0.945), np.float32(0.7869), np.float32(0.8359), np.float32(0.7245), np.float32(0.4004), np.float32(0.2619), np.float32(0.8775), np.float32(0.368), np.float32(0.684), np.float32(0.9303), np.float32(0.4093), np.float32(0.8695), np.float32(0.7793), np.float32(0.5952), np.float32(0.4901), np.float32(0.8498), np.float32(0.8967), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8746), np.float32(0.8802), np.float32(0.85), np.float32(0.7502), np.float32(0.9773), np.float32(0.9766), np.float32(0.8535), np.float32(0.8659), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:15:20.260488: Epoch time: 118.55 s +2026-02-22 20:15:20.265538: Yayy! New best EMA pseudo Dice: 0.7803000211715698 +2026-02-22 20:15:22.592653: +2026-02-22 20:15:22.595482: Epoch 952 +2026-02-22 20:15:22.596280: Current learning rate: 0.00065 +2026-02-22 20:17:27.582060: train_loss -0.1381 +2026-02-22 20:17:27.589080: val_loss -0.1523 +2026-02-22 20:17:27.590332: Pseudo dice [np.float32(0.9638), np.float32(0.9676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9034), np.float32(nan), np.float32(0.9768), np.float32(nan), np.float32(0.9361), np.float32(0.4904), np.float32(0.9081), np.float32(0.0), np.float32(0.9202), np.float32(0.8688), np.float32(0.892), np.float32(0.8375), np.float32(0.7858), np.float32(0.9245), np.float32(0.9512), np.float32(0.936), np.float32(0.8207), np.float32(0.8396), np.float32(0.7215), np.float32(0.7229), np.float32(0.7926), np.float32(0.9177), np.float32(0.0977), np.float32(0.645), np.float32(0.9462), np.float32(0.4608), np.float32(0.8868), np.float32(0.8017), np.float32(0.6564), np.float32(0.5773), np.float32(0.9439), np.float32(0.9507), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8511), np.float32(0.7786), np.float32(0.7444), np.float32(0.6077), np.float32(0.9519), np.float32(0.9264), np.float32(0.8565), np.float32(0.8519), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:17:27.594476: Epoch time: 124.99 s +2026-02-22 20:17:27.600106: Yayy! New best EMA pseudo Dice: 0.7813000082969666 +2026-02-22 20:17:30.153266: +2026-02-22 20:17:30.154732: Epoch 953 +2026-02-22 20:17:30.155589: Current learning rate: 0.00064 +2026-02-22 20:19:33.181546: train_loss -0.1424 +2026-02-22 20:19:33.190836: val_loss -0.1584 +2026-02-22 20:19:33.194472: Pseudo dice [np.float32(0.9642), np.float32(0.9691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9072), np.float32(nan), np.float32(0.9716), np.float32(nan), np.float32(0.9596), np.float32(0.9352), np.float32(0.9151), np.float32(nan), np.float32(0.924), np.float32(0.7586), np.float32(0.8976), np.float32(0.8427), np.float32(0.7658), np.float32(0.9194), np.float32(0.9597), np.float32(0.9457), np.float32(0.8268), np.float32(0.8578), np.float32(0.7025), np.float32(0.6787), np.float32(0.5746), np.float32(0.9035), np.float32(0.7091), np.float32(0.8359), np.float32(0.8973), np.float32(0.5981), np.float32(0.8987), np.float32(0.771), np.float32(0.6453), np.float32(0.5793), np.float32(0.9647), np.float32(0.9665), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7944), np.float32(0.7801), np.float32(0.8455), np.float32(0.6047), np.float32(0.9032), np.float32(0.94), np.float32(0.8617), np.float32(0.8803), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:19:33.195475: Epoch time: 123.03 s +2026-02-22 20:19:33.210707: Yayy! New best EMA pseudo Dice: 0.786899983882904 +2026-02-22 20:19:35.920930: +2026-02-22 20:19:35.924965: Epoch 954 +2026-02-22 20:19:35.927484: Current learning rate: 0.00063 +2026-02-22 20:21:38.977617: train_loss -0.1506 +2026-02-22 20:21:39.039272: val_loss -0.1593 +2026-02-22 20:21:39.040448: Pseudo dice [np.float32(0.9711), np.float32(0.9701), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9138), np.float32(nan), np.float32(0.9673), np.float32(nan), np.float32(0.9556), np.float32(0.8766), np.float32(0.9185), np.float32(0.0), np.float32(0.9301), np.float32(0.7098), np.float32(0.9061), np.float32(0.7912), np.float32(0.7659), np.float32(0.9234), np.float32(0.958), np.float32(0.9448), np.float32(0.8435), np.float32(0.862), np.float32(0.8917), np.float32(0.7537), np.float32(0.557), np.float32(0.9203), np.float32(0.2601), np.float32(0.3825), np.float32(0.9382), np.float32(0.5486), np.float32(0.8923), np.float32(0.7446), np.float32(0.6403), np.float32(0.582), np.float32(0.9132), np.float32(0.9202), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8759), np.float32(0.7568), np.float32(0.8463), np.float32(0.7923), np.float32(0.9451), np.float32(0.9463), np.float32(0.8464), np.float32(0.867), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:21:39.041867: Epoch time: 123.06 s +2026-02-22 20:21:39.042553: Yayy! New best EMA pseudo Dice: 0.7882999777793884 +2026-02-22 20:21:41.991554: +2026-02-22 20:21:41.993435: Epoch 955 +2026-02-22 20:21:41.994250: Current learning rate: 0.00061 +2026-02-22 20:23:45.838587: train_loss -0.14 +2026-02-22 20:23:45.847322: val_loss -0.1653 +2026-02-22 20:23:45.848358: Pseudo dice [np.float32(0.9716), np.float32(0.9733), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9124), np.float32(nan), np.float32(0.9732), np.float32(nan), np.float32(0.9705), np.float32(0.226), np.float32(0.9163), np.float32(nan), np.float32(0.9428), np.float32(0.6742), np.float32(0.9166), np.float32(0.8811), np.float32(0.7935), np.float32(0.9226), np.float32(0.9572), np.float32(0.9411), np.float32(0.8526), np.float32(0.8272), np.float32(0.2526), np.float32(0.6595), np.float32(0.2608), np.float32(0.8953), np.float32(0.0842), np.float32(0.132), np.float32(0.9628), np.float32(0.5552), np.float32(0.854), np.float32(0.6425), np.float32(0.5677), np.float32(0.5503), np.float32(0.9446), np.float32(0.9349), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8496), np.float32(0.6854), np.float32(0.8508), np.float32(0.2072), np.float32(0.9579), np.float32(0.9576), np.float32(0.8585), np.float32(0.8639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:23:45.849349: Epoch time: 123.85 s +2026-02-22 20:23:46.830825: +2026-02-22 20:23:46.837172: Epoch 956 +2026-02-22 20:23:46.840612: Current learning rate: 0.0006 +2026-02-22 20:26:01.118924: train_loss -0.1475 +2026-02-22 20:26:01.172168: val_loss -0.1597 +2026-02-22 20:26:01.178023: Pseudo dice [np.float32(0.9623), np.float32(0.9619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9066), np.float32(nan), np.float32(0.9717), np.float32(nan), np.float32(0.9414), np.float32(0.4215), np.float32(0.9106), np.float32(nan), np.float32(0.9261), np.float32(0.7842), np.float32(0.8987), np.float32(0.8416), np.float32(0.7842), np.float32(0.924), np.float32(0.9536), np.float32(0.9395), np.float32(0.8134), np.float32(0.8324), np.float32(0.8545), np.float32(0.7845), np.float32(0.7484), np.float32(0.8891), np.float32(0.2632), np.float32(0.2828), np.float32(0.9229), np.float32(0.5438), np.float32(0.8677), np.float32(0.5817), np.float32(0.5943), np.float32(0.5043), np.float32(0.9718), np.float32(0.9753), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8514), np.float32(0.6485), np.float32(0.7558), np.float32(0.7859), np.float32(0.954), np.float32(0.9415), np.float32(0.8363), np.float32(0.8573), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:26:01.182285: Epoch time: 134.29 s +2026-02-22 20:26:02.744776: +2026-02-22 20:26:02.764492: Epoch 957 +2026-02-22 20:26:02.770345: Current learning rate: 0.00059 +2026-02-22 20:28:08.320216: train_loss -0.1512 +2026-02-22 20:28:08.363163: val_loss -0.1544 +2026-02-22 20:28:08.365688: Pseudo dice [np.float32(0.973), np.float32(0.9671), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9068), np.float32(nan), np.float32(0.969), np.float32(nan), np.float32(0.9362), np.float32(0.6642), np.float32(0.9198), np.float32(nan), np.float32(0.9345), np.float32(0.8507), np.float32(0.8998), np.float32(0.7597), np.float32(0.7322), np.float32(0.9221), np.float32(0.9531), np.float32(0.9394), np.float32(0.823), np.float32(0.8537), np.float32(0.2847), np.float32(0.5279), np.float32(0.1757), np.float32(0.8648), np.float32(0.4681), np.float32(0.5406), np.float32(0.9644), np.float32(0.1365), np.float32(0.8905), np.float32(0.4293), np.float32(0.5222), np.float32(0.4659), np.float32(0.9434), np.float32(0.9554), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8423), np.float32(0.7045), np.float32(0.7112), np.float32(0.469), np.float32(0.8719), np.float32(0.808), np.float32(0.8364), np.float32(0.8497), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:28:08.374507: Epoch time: 125.58 s +2026-02-22 20:28:09.600832: +2026-02-22 20:28:09.604571: Epoch 958 +2026-02-22 20:28:09.605379: Current learning rate: 0.00058 +2026-02-22 20:30:11.251738: train_loss -0.1446 +2026-02-22 20:30:11.271700: val_loss -0.1405 +2026-02-22 20:30:11.273719: Pseudo dice [np.float32(0.9663), np.float32(0.9629), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9095), np.float32(nan), np.float32(0.9536), np.float32(nan), np.float32(0.928), np.float32(0.3609), np.float32(0.925), np.float32(nan), np.float32(0.9346), np.float32(0.6816), np.float32(0.9008), np.float32(0.7357), np.float32(0.7664), np.float32(0.9275), np.float32(0.9485), np.float32(0.9373), np.float32(0.8169), np.float32(0.8451), np.float32(0.4635), np.float32(0.6669), np.float32(0.6781), np.float32(0.8667), np.float32(0.3579), np.float32(0.6325), np.float32(0.9295), np.float32(0.776), np.float32(0.8859), np.float32(0.8026), np.float32(0.6083), np.float32(0.5036), np.float32(0.8688), np.float32(0.9217), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8723), np.float32(0.4946), np.float32(0.8418), np.float32(0.7414), np.float32(0.8969), np.float32(0.8797), np.float32(0.8566), np.float32(0.8749), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:30:11.275729: Epoch time: 121.65 s +2026-02-22 20:30:12.590264: +2026-02-22 20:30:12.593977: Epoch 959 +2026-02-22 20:30:12.594968: Current learning rate: 0.00056 +2026-02-22 20:32:14.713317: train_loss -0.1473 +2026-02-22 20:32:14.739541: val_loss -0.1466 +2026-02-22 20:32:14.745634: Pseudo dice [np.float32(0.9631), np.float32(0.9723), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9069), np.float32(nan), np.float32(0.9663), np.float32(nan), np.float32(0.9494), np.float32(0.3279), np.float32(0.9212), np.float32(nan), np.float32(0.9287), np.float32(0.7716), np.float32(0.8979), np.float32(0.7592), np.float32(0.7815), np.float32(0.9163), np.float32(0.9592), np.float32(0.9402), np.float32(0.8323), np.float32(0.839), np.float32(0.2296), np.float32(0.5619), np.float32(0.0), np.float32(0.901), np.float32(0.1391), np.float32(0.2082), np.float32(0.9546), np.float32(0.1623), np.float32(0.8527), np.float32(0.7148), np.float32(0.6694), np.float32(0.5821), np.float32(0.9255), np.float32(0.9215), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8924), np.float32(0.0935), np.float32(0.9031), np.float32(0.6678), np.float32(0.955), np.float32(0.9614), np.float32(0.8598), np.float32(0.874), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:32:14.750091: Epoch time: 122.12 s +2026-02-22 20:32:15.952140: +2026-02-22 20:32:15.958642: Epoch 960 +2026-02-22 20:32:15.962807: Current learning rate: 0.00055 +2026-02-22 20:34:24.531834: train_loss -0.1428 +2026-02-22 20:34:24.546203: val_loss -0.154 +2026-02-22 20:34:24.552575: Pseudo dice [np.float32(0.9711), np.float32(0.9649), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.9747), np.float32(nan), np.float32(0.9422), np.float32(0.8962), np.float32(0.9093), np.float32(0.0), np.float32(0.9301), np.float32(0.8984), np.float32(0.8895), np.float32(0.7102), np.float32(0.7855), np.float32(0.9245), np.float32(0.9558), np.float32(0.9297), np.float32(0.8388), np.float32(0.8635), np.float32(0.3596), np.float32(0.6931), np.float32(0.821), np.float32(0.8952), np.float32(0.6058), np.float32(0.549), np.float32(0.9464), np.float32(0.7551), np.float32(0.8951), np.float32(0.686), np.float32(0.6195), np.float32(0.5271), np.float32(0.9492), np.float32(0.9593), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8946), np.float32(0.6539), np.float32(0.9039), np.float32(0.7044), np.float32(0.9651), np.float32(0.952), np.float32(0.8148), np.float32(0.8467), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:34:24.553824: Epoch time: 128.58 s +2026-02-22 20:34:26.437049: +2026-02-22 20:34:26.440366: Epoch 961 +2026-02-22 20:34:26.447683: Current learning rate: 0.00054 +2026-02-22 20:36:31.530046: train_loss -0.1409 +2026-02-22 20:36:31.538799: val_loss -0.1498 +2026-02-22 20:36:31.539825: Pseudo dice [np.float32(0.9674), np.float32(0.9711), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9099), np.float32(nan), np.float32(0.9735), np.float32(nan), np.float32(0.931), np.float32(0.1475), np.float32(0.9202), np.float32(nan), np.float32(0.9311), np.float32(0.8762), np.float32(0.9048), np.float32(0.7472), np.float32(0.7868), np.float32(0.9227), np.float32(0.956), np.float32(0.9485), np.float32(0.8118), np.float32(0.8576), np.float32(0.5251), np.float32(0.7023), np.float32(0.6514), np.float32(0.9108), np.float32(0.4998), np.float32(0.6654), np.float32(0.9288), np.float32(0.5842), np.float32(0.9065), np.float32(0.748), np.float32(0.5525), np.float32(0.5193), np.float32(0.9097), np.float32(0.9199), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.874), np.float32(0.8786), np.float32(0.663), np.float32(0.8279), np.float32(0.9703), np.float32(0.9675), np.float32(0.8592), np.float32(0.8787), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:36:31.543384: Epoch time: 125.1 s +2026-02-22 20:36:32.860342: +2026-02-22 20:36:32.881847: Epoch 962 +2026-02-22 20:36:32.882650: Current learning rate: 0.00053 +2026-02-22 20:38:34.402557: train_loss -0.1442 +2026-02-22 20:38:34.419470: val_loss -0.1544 +2026-02-22 20:38:34.422108: Pseudo dice [np.float32(0.9696), np.float32(0.9676), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9112), np.float32(nan), np.float32(0.9727), np.float32(nan), np.float32(0.9535), np.float32(0.7989), np.float32(0.9114), np.float32(nan), np.float32(0.9236), np.float32(0.7874), np.float32(0.9131), np.float32(0.1365), np.float32(0.7963), np.float32(0.9246), np.float32(0.9587), np.float32(0.9447), np.float32(0.826), np.float32(0.8454), np.float32(0.7438), np.float32(0.5882), np.float32(0.3639), np.float32(0.8821), np.float32(0.6913), np.float32(0.7564), np.float32(0.9535), np.float32(0.6028), np.float32(0.8951), np.float32(0.6693), np.float32(0.6489), np.float32(0.5294), np.float32(0.9673), np.float32(0.9732), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8768), np.float32(0.8075), np.float32(0.4659), np.float32(0.829), np.float32(0.9586), np.float32(0.9662), np.float32(0.8489), np.float32(0.8721), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:38:34.425396: Epoch time: 121.54 s +2026-02-22 20:38:35.990264: +2026-02-22 20:38:36.016751: Epoch 963 +2026-02-22 20:38:36.017786: Current learning rate: 0.00051 +2026-02-22 20:40:41.509691: train_loss -0.1529 +2026-02-22 20:40:41.517871: val_loss -0.1566 +2026-02-22 20:40:41.518829: Pseudo dice [np.float32(0.9715), np.float32(0.971), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9073), np.float32(nan), np.float32(0.9692), np.float32(nan), np.float32(0.9548), np.float32(0.0329), np.float32(0.9175), np.float32(nan), np.float32(0.9257), np.float32(0.8497), np.float32(0.8788), np.float32(0.6039), np.float32(0.7548), np.float32(0.9222), np.float32(0.959), np.float32(0.9349), np.float32(0.838), np.float32(0.8441), np.float32(0.8852), np.float32(0.6206), np.float32(0.0), np.float32(0.8817), np.float32(0.618), np.float32(0.4254), np.float32(0.933), np.float32(0.7037), np.float32(0.8804), np.float32(0.7218), np.float32(0.6035), np.float32(0.5113), np.float32(0.9323), np.float32(0.95), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9204), np.float32(0.0), np.float32(0.8747), np.float32(0.5613), np.float32(0.9719), np.float32(0.9634), np.float32(0.8555), np.float32(0.8685), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:40:41.519816: Epoch time: 125.52 s +2026-02-22 20:40:42.651341: +2026-02-22 20:40:42.655478: Epoch 964 +2026-02-22 20:40:42.656303: Current learning rate: 0.0005 +2026-02-22 20:42:42.095302: train_loss -0.1502 +2026-02-22 20:42:42.163462: val_loss -0.1485 +2026-02-22 20:42:42.165288: Pseudo dice [np.float32(0.9462), np.float32(0.9533), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9147), np.float32(nan), np.float32(0.9773), np.float32(nan), np.float32(0.9672), np.float32(0.5563), np.float32(0.9084), np.float32(0.0), np.float32(0.9434), np.float32(0.614), np.float32(0.8956), np.float32(0.7308), np.float32(0.7779), np.float32(0.9213), np.float32(0.9586), np.float32(0.9347), np.float32(0.8511), np.float32(0.8368), np.float32(0.4482), np.float32(0.7238), np.float32(0.6825), np.float32(0.8759), np.float32(0.5673), np.float32(0.4874), np.float32(0.9618), np.float32(0.7107), np.float32(0.8952), np.float32(0.7176), np.float32(0.6405), np.float32(0.5376), np.float32(0.9128), np.float32(0.9455), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8802), np.float32(0.5092), np.float32(0.8338), np.float32(0.7756), np.float32(0.9473), np.float32(0.9666), np.float32(0.856), np.float32(0.8532), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:42:42.166275: Epoch time: 119.45 s +2026-02-22 20:42:43.389854: +2026-02-22 20:42:43.394430: Epoch 965 +2026-02-22 20:42:43.395349: Current learning rate: 0.00049 +2026-02-22 20:44:36.402461: train_loss -0.1496 +2026-02-22 20:44:36.406857: val_loss -0.1514 +2026-02-22 20:44:36.407910: Pseudo dice [np.float32(0.9562), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9152), np.float32(nan), np.float32(0.9709), np.float32(nan), np.float32(0.8905), np.float32(0.021), np.float32(0.9094), np.float32(nan), np.float32(0.9291), np.float32(0.5803), np.float32(0.9022), np.float32(0.4456), np.float32(0.795), np.float32(0.9262), np.float32(0.9612), np.float32(0.9486), np.float32(0.8485), np.float32(0.8653), np.float32(0.8507), np.float32(0.7234), np.float32(0.0), np.float32(0.9109), np.float32(0.6218), np.float32(0.8034), np.float32(0.9483), np.float32(0.4529), np.float32(0.8782), np.float32(0.7057), np.float32(0.6467), np.float32(0.5999), np.float32(0.9381), np.float32(0.9498), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8064), np.float32(0.1598), np.float32(0.8307), np.float32(0.8183), np.float32(0.7148), np.float32(0.8634), np.float32(0.8616), np.float32(0.8801), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:44:36.408883: Epoch time: 113.02 s +2026-02-22 20:44:37.386623: +2026-02-22 20:44:37.389166: Epoch 966 +2026-02-22 20:44:37.390352: Current learning rate: 0.00048 +2026-02-22 20:46:27.755984: train_loss -0.1594 +2026-02-22 20:46:27.759292: val_loss -0.1638 +2026-02-22 20:46:27.760523: Pseudo dice [np.float32(0.9527), np.float32(0.9557), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9082), np.float32(nan), np.float32(0.969), np.float32(nan), np.float32(0.9462), np.float32(0.3042), np.float32(0.9209), np.float32(nan), np.float32(0.9274), np.float32(0.8584), np.float32(0.8966), np.float32(0.7204), np.float32(0.7534), np.float32(0.9248), np.float32(0.9559), np.float32(0.9372), np.float32(0.8279), np.float32(0.8293), np.float32(0.4383), np.float32(0.6779), np.float32(0.6424), np.float32(0.8593), np.float32(0.666), np.float32(0.5008), np.float32(0.9385), np.float32(0.6237), np.float32(0.8982), np.float32(0.7479), np.float32(0.6111), np.float32(0.4935), np.float32(0.965), np.float32(0.9696), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8838), np.float32(0.7831), np.float32(0.8027), np.float32(0.8509), np.float32(0.9433), np.float32(0.925), np.float32(0.8244), np.float32(0.8624), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:46:27.761692: Epoch time: 110.37 s +2026-02-22 20:46:28.639946: +2026-02-22 20:46:28.663318: Epoch 967 +2026-02-22 20:46:28.674157: Current learning rate: 0.00046 +2026-02-22 20:48:26.261271: train_loss -0.1476 +2026-02-22 20:48:26.264711: val_loss -0.1595 +2026-02-22 20:48:26.266013: Pseudo dice [np.float32(0.9636), np.float32(0.9681), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9036), np.float32(nan), np.float32(0.9734), np.float32(nan), np.float32(0.9567), np.float32(0.7052), np.float32(0.9029), np.float32(nan), np.float32(0.9239), np.float32(0.8388), np.float32(0.8903), np.float32(0.6002), np.float32(0.773), np.float32(0.9129), np.float32(0.9604), np.float32(0.9396), np.float32(0.8356), np.float32(0.8544), np.float32(0.6343), np.float32(0.6975), np.float32(0.1352), np.float32(0.8954), np.float32(0.3911), np.float32(0.5659), np.float32(0.9414), np.float32(0.3852), np.float32(0.8858), np.float32(0.7601), np.float32(0.6698), np.float32(0.5115), np.float32(0.9716), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8918), np.float32(0.8659), np.float32(0.8427), np.float32(0.5454), np.float32(0.9673), np.float32(0.9608), np.float32(0.8497), np.float32(0.8789), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:48:26.267238: Epoch time: 117.62 s +2026-02-22 20:48:27.314152: +2026-02-22 20:48:27.317575: Epoch 968 +2026-02-22 20:48:27.318465: Current learning rate: 0.00045 +2026-02-22 20:50:32.947032: train_loss -0.1515 +2026-02-22 20:50:32.959407: val_loss -0.1641 +2026-02-22 20:50:32.960827: Pseudo dice [np.float32(0.9668), np.float32(0.9718), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9057), np.float32(nan), np.float32(0.969), np.float32(nan), np.float32(0.9573), np.float32(0.7634), np.float32(0.9261), np.float32(nan), np.float32(0.9404), np.float32(0.7857), np.float32(0.9051), np.float32(0.6256), np.float32(0.7851), np.float32(0.9268), np.float32(0.9578), np.float32(0.9347), np.float32(0.8351), np.float32(0.8366), np.float32(0.5482), np.float32(0.5907), np.float32(0.5453), np.float32(0.8931), np.float32(0.4376), np.float32(0.7596), np.float32(0.9605), np.float32(0.7521), np.float32(0.8983), np.float32(0.7713), np.float32(0.7228), np.float32(0.6123), np.float32(0.9713), np.float32(0.9526), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8882), np.float32(0.2301), np.float32(0.7021), np.float32(0.7472), np.float32(0.7579), np.float32(0.8093), np.float32(0.8354), np.float32(0.864), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:50:32.961813: Epoch time: 125.64 s +2026-02-22 20:50:33.971588: +2026-02-22 20:50:33.975256: Epoch 969 +2026-02-22 20:50:33.976329: Current learning rate: 0.00044 +2026-02-22 20:52:39.198396: train_loss -0.1524 +2026-02-22 20:52:39.202299: val_loss -0.1587 +2026-02-22 20:52:39.203415: Pseudo dice [np.float32(0.9616), np.float32(0.9562), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9179), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.891), np.float32(0.0131), np.float32(0.9189), np.float32(0.0), np.float32(0.9338), np.float32(0.7336), np.float32(0.9084), np.float32(0.4504), np.float32(0.7843), np.float32(0.9304), np.float32(0.9613), np.float32(0.9461), np.float32(0.8212), np.float32(0.8203), np.float32(0.6768), np.float32(0.4877), np.float32(0.4374), np.float32(0.8692), np.float32(0.6996), np.float32(0.7279), np.float32(0.9589), np.float32(0.787), np.float32(0.8903), np.float32(0.5399), np.float32(0.5952), np.float32(0.5315), np.float32(0.9336), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.865), np.float32(0.478), np.float32(0.9317), np.float32(0.5199), np.float32(0.9412), np.float32(0.9343), np.float32(0.8571), np.float32(0.8765), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:52:39.204413: Epoch time: 125.23 s +2026-02-22 20:52:40.081405: +2026-02-22 20:52:40.083302: Epoch 970 +2026-02-22 20:52:40.084270: Current learning rate: 0.00043 +2026-02-22 20:54:25.203835: train_loss -0.1485 +2026-02-22 20:54:25.207245: val_loss -0.15 +2026-02-22 20:54:25.208306: Pseudo dice [np.float32(0.9706), np.float32(0.9752), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9071), np.float32(nan), np.float32(0.948), np.float32(nan), np.float32(0.9519), np.float32(0.8313), np.float32(0.9174), np.float32(nan), np.float32(0.9461), np.float32(0.4338), np.float32(0.9046), np.float32(0.7454), np.float32(0.758), np.float32(0.9244), np.float32(0.9566), np.float32(0.94), np.float32(0.8261), np.float32(0.8344), np.float32(0.0401), np.float32(0.6302), np.float32(0.5761), np.float32(0.9175), np.float32(0.4474), np.float32(0.4643), np.float32(0.9375), np.float32(0.65), np.float32(0.8614), np.float32(0.7075), np.float32(0.6575), np.float32(0.5778), np.float32(0.953), np.float32(0.9476), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8481), np.float32(0.4819), np.float32(0.8387), np.float32(0.6654), np.float32(0.937), np.float32(0.9543), np.float32(0.8602), np.float32(0.864), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:54:25.209307: Epoch time: 105.12 s +2026-02-22 20:54:27.559217: +2026-02-22 20:54:27.561017: Epoch 971 +2026-02-22 20:54:27.561971: Current learning rate: 0.00041 +2026-02-22 20:56:08.834500: train_loss -0.1446 +2026-02-22 20:56:08.837962: val_loss -0.1518 +2026-02-22 20:56:08.839394: Pseudo dice [np.float32(0.968), np.float32(0.9639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9001), np.float32(nan), np.float32(0.9643), np.float32(nan), np.float32(0.9641), np.float32(0.4409), np.float32(0.911), np.float32(nan), np.float32(0.9292), np.float32(0.806), np.float32(0.9049), np.float32(0.7606), np.float32(0.8113), np.float32(0.9273), np.float32(0.9576), np.float32(0.9406), np.float32(0.8206), np.float32(0.8428), np.float32(0.6992), np.float32(0.5851), np.float32(0.2046), np.float32(0.9288), np.float32(0.1448), np.float32(0.4285), np.float32(0.955), np.float32(0.4291), np.float32(0.8883), np.float32(0.4466), np.float32(0.5875), np.float32(0.5552), np.float32(0.958), np.float32(0.953), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8752), np.float32(0.7269), np.float32(0.8067), np.float32(0.7409), np.float32(0.896), np.float32(0.9167), np.float32(0.8544), np.float32(0.8654), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:56:08.840635: Epoch time: 101.28 s +2026-02-22 20:56:09.720595: +2026-02-22 20:56:09.722065: Epoch 972 +2026-02-22 20:56:09.722976: Current learning rate: 0.0004 +2026-02-22 20:57:47.743697: train_loss -0.1496 +2026-02-22 20:57:47.747320: val_loss -0.169 +2026-02-22 20:57:47.748352: Pseudo dice [np.float32(0.9735), np.float32(0.9728), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9174), np.float32(nan), np.float32(0.9706), np.float32(nan), np.float32(0.9457), np.float32(0.11), np.float32(0.9127), np.float32(0.0), np.float32(0.9342), np.float32(0.7011), np.float32(0.9012), np.float32(0.6535), np.float32(0.7835), np.float32(0.9179), np.float32(0.9598), np.float32(0.9449), np.float32(0.8521), np.float32(0.8617), np.float32(0.7507), np.float32(0.4002), np.float32(0.8521), np.float32(0.9042), np.float32(0.4487), np.float32(0.6963), np.float32(0.9331), np.float32(0.7682), np.float32(0.895), np.float32(0.4702), np.float32(0.5265), np.float32(0.52), np.float32(0.9578), np.float32(0.9533), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8807), np.float32(0.5357), np.float32(0.8264), np.float32(0.7807), np.float32(0.9514), np.float32(0.9561), np.float32(0.8545), np.float32(0.8765), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:57:47.749349: Epoch time: 98.03 s +2026-02-22 20:57:48.629086: +2026-02-22 20:57:48.632136: Epoch 973 +2026-02-22 20:57:48.633035: Current learning rate: 0.00039 +2026-02-22 20:59:32.274941: train_loss -0.157 +2026-02-22 20:59:32.278616: val_loss -0.1564 +2026-02-22 20:59:32.279641: Pseudo dice [np.float32(0.9749), np.float32(0.9747), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8969), np.float32(nan), np.float32(0.9579), np.float32(nan), np.float32(0.9339), np.float32(0.8992), np.float32(0.9246), np.float32(0.0), np.float32(0.9355), np.float32(0.7364), np.float32(0.8997), np.float32(0.6335), np.float32(0.7619), np.float32(0.9242), np.float32(0.9603), np.float32(0.9344), np.float32(0.847), np.float32(0.8484), np.float32(0.7354), np.float32(0.3416), np.float32(0.1198), np.float32(0.8716), np.float32(0.4648), np.float32(0.2553), np.float32(0.9672), np.float32(0.7115), np.float32(0.882), np.float32(0.7419), np.float32(0.7165), np.float32(0.6027), np.float32(0.9459), np.float32(0.9428), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8921), np.float32(0.0), np.float32(0.4338), np.float32(0.514), np.float32(0.943), np.float32(0.9494), np.float32(0.8344), np.float32(0.8533), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 20:59:32.280643: Epoch time: 103.65 s +2026-02-22 20:59:33.162102: +2026-02-22 20:59:33.163779: Epoch 974 +2026-02-22 20:59:33.164581: Current learning rate: 0.00037 +2026-02-22 21:01:28.232290: train_loss -0.148 +2026-02-22 21:01:28.235557: val_loss -0.1695 +2026-02-22 21:01:28.236845: Pseudo dice [np.float32(0.968), np.float32(0.9702), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9053), np.float32(nan), np.float32(0.9743), np.float32(nan), np.float32(0.9557), np.float32(0.4667), np.float32(0.9145), np.float32(nan), np.float32(0.9336), np.float32(0.8485), np.float32(0.8958), np.float32(0.7775), np.float32(0.7529), np.float32(0.9168), np.float32(0.9602), np.float32(0.9391), np.float32(0.8136), np.float32(0.8493), np.float32(0.3883), np.float32(0.7269), np.float32(0.7341), np.float32(0.8901), np.float32(0.3874), np.float32(0.7079), np.float32(0.9638), np.float32(0.8263), np.float32(0.9013), np.float32(0.6713), np.float32(0.6171), np.float32(0.5381), np.float32(0.9392), np.float32(0.9461), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8685), np.float32(0.8608), np.float32(0.7324), np.float32(0.4941), np.float32(0.9577), np.float32(0.9339), np.float32(0.8374), np.float32(0.8578), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:01:28.238008: Epoch time: 115.07 s +2026-02-22 21:01:29.118717: +2026-02-22 21:01:29.119972: Epoch 975 +2026-02-22 21:01:29.120942: Current learning rate: 0.00036 +2026-02-22 21:03:18.029872: train_loss -0.1459 +2026-02-22 21:03:18.033554: val_loss -0.1428 +2026-02-22 21:03:18.034756: Pseudo dice [np.float32(0.9693), np.float32(0.9543), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9089), np.float32(nan), np.float32(0.9701), np.float32(nan), np.float32(0.9611), np.float32(0.6402), np.float32(0.9235), np.float32(nan), np.float32(0.9376), np.float32(0.7032), np.float32(0.9057), np.float32(0.8051), np.float32(0.7957), np.float32(0.9224), np.float32(0.9559), np.float32(0.9417), np.float32(0.8393), np.float32(0.8545), np.float32(0.8592), np.float32(0.5898), np.float32(0.0), np.float32(0.9135), np.float32(0.318), np.float32(0.2502), np.float32(0.9194), np.float32(0.4383), np.float32(0.9017), np.float32(0.3743), np.float32(0.6597), np.float32(0.5905), np.float32(0.9086), np.float32(0.941), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8658), np.float32(0.8442), np.float32(0.8107), np.float32(0.8568), np.float32(0.953), np.float32(0.9598), np.float32(0.8549), np.float32(0.8695), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:03:18.035692: Epoch time: 108.91 s +2026-02-22 21:03:18.916939: +2026-02-22 21:03:18.918063: Epoch 976 +2026-02-22 21:03:18.918977: Current learning rate: 0.00035 +2026-02-22 21:04:58.454846: train_loss -0.1529 +2026-02-22 21:04:58.458260: val_loss -0.1505 +2026-02-22 21:04:58.459420: Pseudo dice [np.float32(0.9618), np.float32(0.9639), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9001), np.float32(nan), np.float32(0.9741), np.float32(nan), np.float32(0.9411), np.float32(0.5588), np.float32(0.9116), np.float32(nan), np.float32(0.9156), np.float32(0.0858), np.float32(0.8955), np.float32(0.8132), np.float32(0.7921), np.float32(0.9225), np.float32(0.9599), np.float32(0.9417), np.float32(0.8192), np.float32(0.8369), np.float32(0.8637), np.float32(0.7646), np.float32(0.6852), np.float32(0.9162), np.float32(0.1675), np.float32(0.6463), np.float32(0.9328), np.float32(0.6568), np.float32(0.9082), np.float32(0.7768), np.float32(0.5916), np.float32(0.5381), np.float32(0.9278), np.float32(0.9523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8064), np.float32(0.7862), np.float32(0.8521), np.float32(0.7357), np.float32(0.9744), np.float32(0.9738), np.float32(0.8526), np.float32(0.8604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:04:58.460683: Epoch time: 99.54 s +2026-02-22 21:04:59.341683: +2026-02-22 21:04:59.344715: Epoch 977 +2026-02-22 21:04:59.345881: Current learning rate: 0.00034 +2026-02-22 21:06:58.031980: train_loss -0.1565 +2026-02-22 21:06:58.036010: val_loss -0.1478 +2026-02-22 21:06:58.037771: Pseudo dice [np.float32(0.9712), np.float32(0.9716), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9042), np.float32(nan), np.float32(0.9755), np.float32(nan), np.float32(0.7549), np.float32(0.3467), np.float32(0.9193), np.float32(nan), np.float32(0.9377), np.float32(0.8696), np.float32(0.8963), np.float32(0.7092), np.float32(0.7581), np.float32(0.9262), np.float32(0.9513), np.float32(0.9418), np.float32(0.8437), np.float32(0.8441), np.float32(0.8574), np.float32(0.6983), np.float32(0.7679), np.float32(0.8997), np.float32(0.721), np.float32(0.2585), np.float32(0.9505), np.float32(0.0635), np.float32(0.8941), np.float32(0.741), np.float32(0.6376), np.float32(0.5571), np.float32(0.971), np.float32(0.9604), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7789), np.float32(0.0851), np.float32(0.8076), np.float32(0.844), np.float32(0.9209), np.float32(0.9371), np.float32(0.8629), np.float32(0.8805), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:06:58.038775: Epoch time: 118.69 s +2026-02-22 21:06:58.924166: +2026-02-22 21:06:58.926069: Epoch 978 +2026-02-22 21:06:58.927058: Current learning rate: 0.00032 +2026-02-22 21:08:49.558851: train_loss -0.153 +2026-02-22 21:08:49.562447: val_loss -0.1708 +2026-02-22 21:08:49.563482: Pseudo dice [np.float32(0.9644), np.float32(0.9647), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9007), np.float32(nan), np.float32(0.9697), np.float32(nan), np.float32(0.9525), np.float32(0.6516), np.float32(0.9196), np.float32(nan), np.float32(0.9345), np.float32(0.6142), np.float32(0.8988), np.float32(0.7872), np.float32(0.717), np.float32(0.9199), np.float32(0.9562), np.float32(0.9311), np.float32(0.8142), np.float32(0.8351), np.float32(0.4068), np.float32(0.7066), np.float32(0.5442), np.float32(0.8791), np.float32(0.5031), np.float32(0.6118), np.float32(0.9505), np.float32(0.6661), np.float32(0.8888), np.float32(0.4444), np.float32(0.5685), np.float32(0.5689), np.float32(0.9494), np.float32(0.9457), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8115), np.float32(0.6038), np.float32(0.9234), np.float32(0.698), np.float32(0.9064), np.float32(0.8898), np.float32(0.8392), np.float32(0.846), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:08:49.564478: Epoch time: 110.64 s +2026-02-22 21:08:50.441898: +2026-02-22 21:08:50.442809: Epoch 979 +2026-02-22 21:08:50.444602: Current learning rate: 0.00031 +2026-02-22 21:10:49.079624: train_loss -0.1573 +2026-02-22 21:10:49.083113: val_loss -0.1537 +2026-02-22 21:10:49.084327: Pseudo dice [np.float32(0.9422), np.float32(0.944), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.902), np.float32(nan), np.float32(0.9709), np.float32(nan), np.float32(0.9202), np.float32(0.0733), np.float32(0.92), np.float32(nan), np.float32(0.9481), np.float32(0.8416), np.float32(0.9036), np.float32(0.8063), np.float32(0.7916), np.float32(0.9288), np.float32(0.9611), np.float32(0.9412), np.float32(0.8453), np.float32(0.8634), np.float32(0.8347), np.float32(0.5124), np.float32(0.3387), np.float32(0.9133), np.float32(0.6151), np.float32(0.7702), np.float32(0.9683), np.float32(0.5144), np.float32(0.8747), np.float32(0.5522), np.float32(0.6881), np.float32(0.5059), np.float32(0.9366), np.float32(0.9398), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8552), np.float32(0.1313), np.float32(0.0), np.float32(0.0), np.float32(0.8905), np.float32(0.918), np.float32(0.8504), np.float32(0.8707), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:10:49.085575: Epoch time: 118.64 s +2026-02-22 21:10:49.967441: +2026-02-22 21:10:49.970205: Epoch 980 +2026-02-22 21:10:49.971297: Current learning rate: 0.0003 +2026-02-22 21:12:37.339492: train_loss -0.146 +2026-02-22 21:12:37.343207: val_loss -0.1568 +2026-02-22 21:12:37.344238: Pseudo dice [np.float32(0.9569), np.float32(0.9523), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9039), np.float32(nan), np.float32(0.9666), np.float32(nan), np.float32(0.9429), np.float32(0.8652), np.float32(0.9159), np.float32(nan), np.float32(0.9283), np.float32(0.7729), np.float32(0.8923), np.float32(0.8441), np.float32(0.7254), np.float32(0.9199), np.float32(0.9546), np.float32(0.9365), np.float32(0.8234), np.float32(0.8436), np.float32(0.8633), np.float32(0.6901), np.float32(0.6269), np.float32(0.9073), np.float32(0.5234), np.float32(0.3388), np.float32(0.9471), np.float32(0.3755), np.float32(0.8788), np.float32(0.783), np.float32(0.6738), np.float32(0.642), np.float32(0.9435), np.float32(0.9495), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8708), np.float32(0.8732), np.float32(0.6572), np.float32(0.6852), np.float32(0.9303), np.float32(0.9361), np.float32(0.8347), np.float32(0.847), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:12:37.345232: Epoch time: 107.37 s +2026-02-22 21:12:38.229815: +2026-02-22 21:12:38.234517: Epoch 981 +2026-02-22 21:12:38.237016: Current learning rate: 0.00028 +2026-02-22 21:14:24.932622: train_loss -0.1424 +2026-02-22 21:14:24.936721: val_loss -0.1451 +2026-02-22 21:14:24.937821: Pseudo dice [np.float32(0.9626), np.float32(0.966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.913), np.float32(nan), np.float32(0.9602), np.float32(nan), np.float32(0.9615), np.float32(0.6393), np.float32(0.9178), np.float32(nan), np.float32(0.9464), np.float32(0.6206), np.float32(0.8995), np.float32(0.8456), np.float32(0.777), np.float32(0.9193), np.float32(0.9591), np.float32(0.945), np.float32(0.8392), np.float32(0.8632), np.float32(0.151), np.float32(0.3869), np.float32(0.0), np.float32(0.8638), np.float32(0.7035), np.float32(0.6361), np.float32(0.9641), np.float32(0.6393), np.float32(0.8764), np.float32(0.685), np.float32(0.6535), np.float32(0.5698), np.float32(0.9572), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.852), np.float32(0.7403), np.float32(0.2212), np.float32(0.0402), np.float32(0.7604), np.float32(0.8247), np.float32(0.8609), np.float32(0.865), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:14:24.939466: Epoch time: 106.71 s +2026-02-22 21:14:25.831372: +2026-02-22 21:14:25.832301: Epoch 982 +2026-02-22 21:14:25.833091: Current learning rate: 0.00027 +2026-02-22 21:16:30.388101: train_loss -0.1481 +2026-02-22 21:16:30.391700: val_loss -0.1387 +2026-02-22 21:16:30.392746: Pseudo dice [np.float32(0.9631), np.float32(0.9691), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9115), np.float32(nan), np.float32(0.9542), np.float32(nan), np.float32(0.9433), np.float32(0.7351), np.float32(0.9011), np.float32(nan), np.float32(0.9431), np.float32(0.8098), np.float32(0.8895), np.float32(0.7887), np.float32(0.7479), np.float32(0.9164), np.float32(0.9585), np.float32(0.9443), np.float32(0.8295), np.float32(0.8536), np.float32(0.073), np.float32(0.6357), np.float32(0.2867), np.float32(0.9211), np.float32(0.0588), np.float32(0.175), np.float32(0.9664), np.float32(0.7362), np.float32(0.8981), np.float32(0.5439), np.float32(0.6436), np.float32(0.6013), np.float32(0.8917), np.float32(0.9239), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8349), np.float32(0.6368), np.float32(0.8347), np.float32(0.5838), np.float32(0.9714), np.float32(0.9733), np.float32(0.8482), np.float32(0.8749), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:16:30.393733: Epoch time: 124.56 s +2026-02-22 21:16:31.273693: +2026-02-22 21:16:31.274953: Epoch 983 +2026-02-22 21:16:31.275887: Current learning rate: 0.00026 +2026-02-22 21:18:15.124782: train_loss -0.152 +2026-02-22 21:18:15.128330: val_loss -0.1509 +2026-02-22 21:18:15.129673: Pseudo dice [np.float32(0.9481), np.float32(0.9457), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9093), np.float32(nan), np.float32(0.9639), np.float32(nan), np.float32(0.9444), np.float32(0.1393), np.float32(0.9125), np.float32(0.0), np.float32(0.9293), np.float32(0.8367), np.float32(0.9062), np.float32(0.7894), np.float32(0.7792), np.float32(0.929), np.float32(0.9582), np.float32(0.938), np.float32(0.8446), np.float32(0.8511), np.float32(0.717), np.float32(0.525), np.float32(0.4596), np.float32(0.9207), np.float32(0.2653), np.float32(0.5401), np.float32(0.9298), np.float32(0.6549), np.float32(0.8927), np.float32(0.715), np.float32(0.5747), np.float32(0.5478), np.float32(0.9434), np.float32(0.928), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8717), np.float32(0.8689), np.float32(0.7123), np.float32(0.7235), np.float32(0.9721), np.float32(0.9688), np.float32(0.8491), np.float32(0.8652), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:18:15.130611: Epoch time: 103.85 s +2026-02-22 21:18:16.026584: +2026-02-22 21:18:16.027499: Epoch 984 +2026-02-22 21:18:16.028307: Current learning rate: 0.00024 +2026-02-22 21:20:02.717335: train_loss -0.1534 +2026-02-22 21:20:02.720657: val_loss -0.1601 +2026-02-22 21:20:02.721830: Pseudo dice [np.float32(0.9682), np.float32(0.9603), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9203), np.float32(nan), np.float32(0.9662), np.float32(nan), np.float32(0.9561), np.float32(0.3943), np.float32(0.9205), np.float32(nan), np.float32(0.8901), np.float32(0.7772), np.float32(0.9153), np.float32(0.2717), np.float32(0.7682), np.float32(0.9239), np.float32(0.9612), np.float32(0.9409), np.float32(0.8504), np.float32(0.8665), np.float32(0.4338), np.float32(0.6297), np.float32(0.6515), np.float32(0.9212), np.float32(0.7292), np.float32(0.1851), np.float32(0.9578), np.float32(0.7476), np.float32(0.9041), np.float32(0.0), np.float32(0.6007), np.float32(0.554), np.float32(0.9063), np.float32(0.9332), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.885), np.float32(0.0), np.float32(0.811), np.float32(0.7695), np.float32(0.9456), np.float32(0.9282), np.float32(0.8508), np.float32(0.8619), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:20:02.722933: Epoch time: 106.69 s +2026-02-22 21:20:03.614523: +2026-02-22 21:20:03.615618: Epoch 985 +2026-02-22 21:20:03.616552: Current learning rate: 0.00023 +2026-02-22 21:22:04.907286: train_loss -0.1501 +2026-02-22 21:22:04.910893: val_loss -0.1506 +2026-02-22 21:22:04.912175: Pseudo dice [np.float32(0.959), np.float32(0.9728), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9074), np.float32(nan), np.float32(0.9701), np.float32(nan), np.float32(0.9668), np.float32(0.3771), np.float32(0.9144), np.float32(nan), np.float32(0.9372), np.float32(0.7292), np.float32(0.8945), np.float32(0.8316), np.float32(0.7606), np.float32(0.9257), np.float32(0.9579), np.float32(0.9369), np.float32(0.8266), np.float32(0.8457), np.float32(0.8757), np.float32(0.761), np.float32(0.5559), np.float32(0.9287), np.float32(0.5008), np.float32(0.3763), np.float32(0.9678), np.float32(0.7579), np.float32(0.8927), np.float32(0.742), np.float32(0.6765), np.float32(0.594), np.float32(0.9485), np.float32(0.925), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8447), np.float32(0.7464), np.float32(0.9249), np.float32(0.7115), np.float32(0.9552), np.float32(0.9493), np.float32(0.8504), np.float32(0.8574), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:22:04.913351: Epoch time: 121.3 s +2026-02-22 21:22:05.796664: +2026-02-22 21:22:05.798004: Epoch 986 +2026-02-22 21:22:05.798985: Current learning rate: 0.00021 +2026-02-22 21:23:55.776855: train_loss -0.1535 +2026-02-22 21:23:55.780572: val_loss -0.1571 +2026-02-22 21:23:55.781617: Pseudo dice [np.float32(0.9698), np.float32(0.9693), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9069), np.float32(nan), np.float32(0.9764), np.float32(nan), np.float32(0.95), np.float32(0.0785), np.float32(0.9225), np.float32(nan), np.float32(0.9278), np.float32(0.7629), np.float32(0.9107), np.float32(0.756), np.float32(0.7637), np.float32(0.9293), np.float32(0.956), np.float32(0.9433), np.float32(0.8362), np.float32(0.8468), np.float32(0.8031), np.float32(0.5418), np.float32(0.6361), np.float32(0.9314), np.float32(0.2481), np.float32(0.0367), np.float32(0.9532), np.float32(0.5353), np.float32(0.8959), np.float32(0.6157), np.float32(0.642), np.float32(0.6178), np.float32(0.9722), np.float32(0.9735), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8672), np.float32(0.6923), np.float32(0.7627), np.float32(0.8142), np.float32(0.8096), np.float32(0.858), np.float32(0.8454), np.float32(0.8606), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:23:55.782786: Epoch time: 109.98 s +2026-02-22 21:23:56.674503: +2026-02-22 21:23:56.676085: Epoch 987 +2026-02-22 21:23:56.677660: Current learning rate: 0.0002 +2026-02-22 21:25:51.191161: train_loss -0.1543 +2026-02-22 21:25:51.194883: val_loss -0.1571 +2026-02-22 21:25:51.195920: Pseudo dice [np.float32(0.9672), np.float32(0.9646), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9113), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.9602), np.float32(0.6994), np.float32(0.9148), np.float32(nan), np.float32(0.9269), np.float32(0.7968), np.float32(0.9073), np.float32(0.6574), np.float32(0.7823), np.float32(0.9184), np.float32(0.9578), np.float32(0.9454), np.float32(0.8257), np.float32(0.8494), np.float32(0.8407), np.float32(0.814), np.float32(0.2608), np.float32(0.8863), np.float32(0.434), np.float32(0.5652), np.float32(0.9293), np.float32(0.3627), np.float32(0.9106), np.float32(0.8091), np.float32(0.6815), np.float32(0.5561), np.float32(0.9377), np.float32(0.9486), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.7698), np.float32(0.5774), np.float32(0.8263), np.float32(0.137), np.float32(0.8218), np.float32(0.8879), np.float32(0.8366), np.float32(0.8575), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:25:51.196903: Epoch time: 114.52 s +2026-02-22 21:25:52.081274: +2026-02-22 21:25:52.082594: Epoch 988 +2026-02-22 21:25:52.083400: Current learning rate: 0.00019 +2026-02-22 21:27:44.147662: train_loss -0.1493 +2026-02-22 21:27:44.151533: val_loss -0.1553 +2026-02-22 21:27:44.152955: Pseudo dice [np.float32(0.9732), np.float32(0.966), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9088), np.float32(nan), np.float32(0.975), np.float32(nan), np.float32(0.9556), np.float32(0.611), np.float32(0.9174), np.float32(nan), np.float32(0.9342), np.float32(0.8028), np.float32(0.9087), np.float32(0.7818), np.float32(0.8213), np.float32(0.9218), np.float32(0.9587), np.float32(0.9316), np.float32(0.8547), np.float32(0.8358), np.float32(0.4298), np.float32(0.6656), np.float32(0.6328), np.float32(0.9274), np.float32(0.7136), np.float32(0.8423), np.float32(0.9221), np.float32(0.7548), np.float32(0.8629), np.float32(0.7452), np.float32(0.6703), np.float32(0.6207), np.float32(0.9535), np.float32(0.9664), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8451), np.float32(0.0014), np.float32(0.9116), np.float32(0.8411), np.float32(0.8781), np.float32(0.8642), np.float32(0.8537), np.float32(0.8705), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:27:44.153947: Epoch time: 112.07 s +2026-02-22 21:27:45.041700: +2026-02-22 21:27:45.043048: Epoch 989 +2026-02-22 21:27:45.044366: Current learning rate: 0.00017 +2026-02-22 21:29:32.259566: train_loss -0.1562 +2026-02-22 21:29:32.264853: val_loss -0.173 +2026-02-22 21:29:32.265895: Pseudo dice [np.float32(0.9599), np.float32(0.9664), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9159), np.float32(nan), np.float32(0.9686), np.float32(nan), np.float32(0.9645), np.float32(0.1717), np.float32(0.9273), np.float32(nan), np.float32(0.9144), np.float32(0.6897), np.float32(0.9003), np.float32(0.0648), np.float32(0.789), np.float32(0.9271), np.float32(0.9622), np.float32(0.9469), np.float32(0.8594), np.float32(0.858), np.float32(0.6057), np.float32(0.7328), np.float32(0.2327), np.float32(0.8968), np.float32(0.6521), np.float32(0.523), np.float32(0.965), np.float32(0.4746), np.float32(0.8841), np.float32(0.6212), np.float32(0.6506), np.float32(0.5467), np.float32(0.9475), np.float32(0.958), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8805), np.float32(0.0082), np.float32(0.831), np.float32(0.8393), np.float32(0.9382), np.float32(0.8724), np.float32(0.8574), np.float32(0.8814), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:29:32.267123: Epoch time: 107.22 s +2026-02-22 21:29:33.144084: +2026-02-22 21:29:33.145415: Epoch 990 +2026-02-22 21:29:33.146336: Current learning rate: 0.00016 +2026-02-22 21:31:18.937807: train_loss -0.1561 +2026-02-22 21:31:18.942674: val_loss -0.1658 +2026-02-22 21:31:18.943781: Pseudo dice [np.float32(0.969), np.float32(0.973), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9039), np.float32(nan), np.float32(0.9724), np.float32(nan), np.float32(0.9627), np.float32(0.8008), np.float32(0.9186), np.float32(nan), np.float32(0.9266), np.float32(0.767), np.float32(0.8965), np.float32(0.7297), np.float32(0.7771), np.float32(0.9208), np.float32(0.9566), np.float32(0.9418), np.float32(0.8441), np.float32(0.8497), np.float32(0.7997), np.float32(0.5831), np.float32(0.766), np.float32(0.9021), np.float32(0.3851), np.float32(0.2503), np.float32(0.9302), np.float32(0.6779), np.float32(0.8921), np.float32(0.7376), np.float32(0.6217), np.float32(0.5206), np.float32(0.9215), np.float32(0.9567), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8179), np.float32(0.8344), np.float32(0.7185), np.float32(0.8231), np.float32(0.877), np.float32(0.8263), np.float32(0.8289), np.float32(0.8653), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:31:18.944763: Epoch time: 105.8 s +2026-02-22 21:31:19.830251: +2026-02-22 21:31:19.831598: Epoch 991 +2026-02-22 21:31:19.832413: Current learning rate: 0.00014 +2026-02-22 21:33:18.249436: train_loss -0.1543 +2026-02-22 21:33:18.252993: val_loss -0.154 +2026-02-22 21:33:18.254286: Pseudo dice [np.float32(0.9744), np.float32(0.9755), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9093), np.float32(nan), np.float32(0.9736), np.float32(nan), np.float32(0.9703), np.float32(0.8586), np.float32(0.9226), np.float32(nan), np.float32(0.9269), np.float32(0.6595), np.float32(0.8905), np.float32(0.7271), np.float32(0.7644), np.float32(0.9172), np.float32(0.9607), np.float32(0.9354), np.float32(0.8327), np.float32(0.8577), np.float32(0.2425), np.float32(0.8258), np.float32(0.5234), np.float32(0.8862), np.float32(0.4213), np.float32(0.6666), np.float32(0.9405), np.float32(0.5694), np.float32(0.9108), np.float32(0.3255), np.float32(0.7161), np.float32(0.6346), np.float32(0.955), np.float32(0.9468), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8528), np.float32(0.3349), np.float32(0.8004), np.float32(0.6683), np.float32(0.9629), np.float32(0.9655), np.float32(0.8529), np.float32(0.87), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:33:18.255278: Epoch time: 118.42 s +2026-02-22 21:33:19.139208: +2026-02-22 21:33:19.140499: Epoch 992 +2026-02-22 21:33:19.141310: Current learning rate: 0.00013 +2026-02-22 21:35:12.563217: train_loss -0.1548 +2026-02-22 21:35:12.566235: val_loss -0.1397 +2026-02-22 21:35:12.567277: Pseudo dice [np.float32(0.9699), np.float32(0.9623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9048), np.float32(nan), np.float32(0.967), np.float32(nan), np.float32(0.9524), np.float32(0.5823), np.float32(0.9267), np.float32(nan), np.float32(0.9419), np.float32(0.7194), np.float32(0.9076), np.float32(0.8553), np.float32(0.7861), np.float32(0.9294), np.float32(0.9486), np.float32(0.9393), np.float32(0.8514), np.float32(0.8435), np.float32(0.732), np.float32(0.6134), np.float32(0.7652), np.float32(0.9168), np.float32(0.4945), np.float32(0.7839), np.float32(0.9404), np.float32(0.8055), np.float32(0.8808), np.float32(0.7662), np.float32(0.6825), np.float32(0.5944), np.float32(0.8701), np.float32(0.9381), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8353), np.float32(0.5993), np.float32(0.9348), np.float32(0.8553), np.float32(0.8665), np.float32(0.879), np.float32(0.831), np.float32(0.8552), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:35:12.568269: Epoch time: 113.43 s +2026-02-22 21:35:12.568965: Yayy! New best EMA pseudo Dice: 0.7906000018119812 +2026-02-22 21:35:14.709926: +2026-02-22 21:35:14.710963: Epoch 993 +2026-02-22 21:35:14.711883: Current learning rate: 0.00011 +2026-02-22 21:37:04.324880: train_loss -0.1582 +2026-02-22 21:37:04.329205: val_loss -0.1734 +2026-02-22 21:37:04.330243: Pseudo dice [np.float32(0.9668), np.float32(0.9707), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9057), np.float32(nan), np.float32(0.9762), np.float32(nan), np.float32(0.9601), np.float32(0.9118), np.float32(0.9099), np.float32(0.0), np.float32(0.952), np.float32(0.8733), np.float32(0.9106), np.float32(0.7645), np.float32(0.7995), np.float32(0.9266), np.float32(0.9536), np.float32(0.9311), np.float32(0.834), np.float32(0.8412), np.float32(0.5775), np.float32(0.4226), np.float32(0.6384), np.float32(0.9159), np.float32(0.117), np.float32(0.2622), np.float32(0.9594), np.float32(0.0373), np.float32(0.901), np.float32(0.8035), np.float32(0.6247), np.float32(0.5423), np.float32(0.933), np.float32(0.9414), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8427), np.float32(0.8769), np.float32(0.774), np.float32(0.7559), np.float32(0.8699), np.float32(0.8899), np.float32(0.8284), np.float32(0.8507), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:37:04.331233: Epoch time: 109.62 s +2026-02-22 21:37:05.214431: +2026-02-22 21:37:05.215521: Epoch 994 +2026-02-22 21:37:05.216321: Current learning rate: 0.0001 +2026-02-22 21:38:52.401375: train_loss -0.1514 +2026-02-22 21:38:52.405093: val_loss -0.1569 +2026-02-22 21:38:52.406264: Pseudo dice [np.float32(0.9706), np.float32(0.9703), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9055), np.float32(nan), np.float32(0.9724), np.float32(nan), np.float32(0.9647), np.float32(0.8076), np.float32(0.9124), np.float32(nan), np.float32(0.9304), np.float32(0.874), np.float32(0.8961), np.float32(0.794), np.float32(0.7447), np.float32(0.9223), np.float32(0.9607), np.float32(0.9456), np.float32(0.8488), np.float32(0.8577), np.float32(0.0291), np.float32(0.648), np.float32(0.6743), np.float32(0.9056), np.float32(0.1795), np.float32(0.1544), np.float32(0.9613), np.float32(0.6539), np.float32(0.8848), np.float32(0.7282), np.float32(0.6754), np.float32(0.5962), np.float32(0.9389), np.float32(0.9372), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8523), np.float32(0.8005), np.float32(0.8107), np.float32(0.8202), np.float32(0.8665), np.float32(0.9213), np.float32(0.8316), np.float32(0.8614), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:38:52.407248: Epoch time: 107.19 s +2026-02-22 21:38:53.281649: +2026-02-22 21:38:53.284137: Epoch 995 +2026-02-22 21:38:53.284937: Current learning rate: 8e-05 +2026-02-22 21:40:36.369268: train_loss -0.1562 +2026-02-22 21:40:36.372498: val_loss -0.1491 +2026-02-22 21:40:36.373534: Pseudo dice [np.float32(0.967), np.float32(0.9648), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9161), np.float32(nan), np.float32(0.9688), np.float32(nan), np.float32(0.9438), np.float32(0.0713), np.float32(0.9147), np.float32(nan), np.float32(0.9377), np.float32(0.6172), np.float32(0.9157), np.float32(0.8128), np.float32(0.7668), np.float32(0.9214), np.float32(0.9573), np.float32(0.9441), np.float32(0.8327), np.float32(0.8559), np.float32(0.651), np.float32(0.7366), np.float32(0.7739), np.float32(0.9155), np.float32(0.4454), np.float32(0.7362), np.float32(0.933), np.float32(0.6418), np.float32(0.8897), np.float32(0.719), np.float32(0.5718), np.float32(0.5087), np.float32(0.9025), np.float32(0.9392), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8799), np.float32(0.6154), np.float32(0.8732), np.float32(0.816), np.float32(0.9552), np.float32(0.9543), np.float32(0.8531), np.float32(0.8732), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:40:36.374527: Epoch time: 103.09 s +2026-02-22 21:40:36.375238: Yayy! New best EMA pseudo Dice: 0.7908999919891357 +2026-02-22 21:40:39.756991: +2026-02-22 21:40:39.759651: Epoch 996 +2026-02-22 21:40:39.760452: Current learning rate: 7e-05 +2026-02-22 21:42:20.127312: train_loss -0.1571 +2026-02-22 21:42:20.131884: val_loss -0.1556 +2026-02-22 21:42:20.133685: Pseudo dice [np.float32(0.9719), np.float32(0.9753), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9086), np.float32(nan), np.float32(0.969), np.float32(nan), np.float32(0.9591), np.float32(0.0), np.float32(0.913), np.float32(nan), np.float32(0.9233), np.float32(0.8079), np.float32(0.9081), np.float32(0.7584), np.float32(0.7832), np.float32(0.918), np.float32(0.961), np.float32(0.9406), np.float32(0.8439), np.float32(0.8554), np.float32(0.3393), np.float32(0.7295), np.float32(0.8414), np.float32(0.8845), np.float32(0.5791), np.float32(0.7018), np.float32(0.9562), np.float32(0.6551), np.float32(0.9131), np.float32(0.702), np.float32(0.5909), np.float32(0.493), np.float32(0.9553), np.float32(0.9571), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8768), np.float32(0.8541), np.float32(0.9006), np.float32(0.7581), np.float32(0.9487), np.float32(0.9509), np.float32(0.8435), np.float32(0.8692), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:42:20.135676: Epoch time: 100.37 s +2026-02-22 21:42:20.137370: Yayy! New best EMA pseudo Dice: 0.7930999994277954 +2026-02-22 21:42:22.252506: +2026-02-22 21:42:22.253766: Epoch 997 +2026-02-22 21:42:22.254566: Current learning rate: 5e-05 +2026-02-22 21:44:17.492968: train_loss -0.1634 +2026-02-22 21:44:17.498006: val_loss -0.1554 +2026-02-22 21:44:17.499028: Pseudo dice [np.float32(0.9615), np.float32(0.9595), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9048), np.float32(nan), np.float32(0.9736), np.float32(nan), np.float32(0.9288), np.float32(0.9018), np.float32(0.9199), np.float32(nan), np.float32(0.9495), np.float32(0.7844), np.float32(0.9049), np.float32(0.8802), np.float32(0.7543), np.float32(0.9283), np.float32(0.9588), np.float32(0.9383), np.float32(0.8545), np.float32(0.8556), np.float32(0.1447), np.float32(0.6656), np.float32(0.6191), np.float32(0.892), np.float32(0.6462), np.float32(0.6188), np.float32(0.955), np.float32(0.4062), np.float32(0.8869), np.float32(0.7395), np.float32(0.6198), np.float32(0.5837), np.float32(0.966), np.float32(0.9623), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8213), np.float32(0.8871), np.float32(0.8942), np.float32(0.7923), np.float32(0.9721), np.float32(0.9725), np.float32(0.849), np.float32(0.8581), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:44:17.500034: Epoch time: 115.24 s +2026-02-22 21:44:17.500734: Yayy! New best EMA pseudo Dice: 0.7961000204086304 +2026-02-22 21:44:19.616889: +2026-02-22 21:44:19.618183: Epoch 998 +2026-02-22 21:44:19.618988: Current learning rate: 4e-05 +2026-02-22 21:45:59.843551: train_loss -0.1533 +2026-02-22 21:45:59.848381: val_loss -0.1766 +2026-02-22 21:45:59.849531: Pseudo dice [np.float32(0.9596), np.float32(0.9714), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9151), np.float32(nan), np.float32(0.9751), np.float32(nan), np.float32(0.9674), np.float32(0.7598), np.float32(0.9321), np.float32(nan), np.float32(0.9515), np.float32(0.5654), np.float32(0.9074), np.float32(0.793), np.float32(0.7852), np.float32(0.9355), np.float32(0.9574), np.float32(0.9423), np.float32(0.8442), np.float32(0.8469), np.float32(0.8799), np.float32(0.5246), np.float32(0.5834), np.float32(0.9095), np.float32(0.4919), np.float32(0.7006), np.float32(0.9607), np.float32(0.3433), np.float32(0.9086), np.float32(0.7), np.float32(0.5441), np.float32(0.5338), np.float32(0.9669), np.float32(0.965), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8487), np.float32(0.6819), np.float32(0.9517), np.float32(0.5259), np.float32(0.9589), np.float32(0.9503), np.float32(0.8345), np.float32(0.8655), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:45:59.850422: Epoch time: 100.23 s +2026-02-22 21:45:59.851116: Yayy! New best EMA pseudo Dice: 0.7975999712944031 +2026-02-22 21:46:01.964087: +2026-02-22 21:46:01.966165: Epoch 999 +2026-02-22 21:46:01.966967: Current learning rate: 2e-05 +2026-02-22 21:47:39.526768: train_loss -0.1614 +2026-02-22 21:47:39.533481: val_loss -0.1613 +2026-02-22 21:47:39.534510: Pseudo dice [np.float32(0.9713), np.float32(0.9723), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.9131), np.float32(nan), np.float32(0.9698), np.float32(nan), np.float32(0.9013), np.float32(0.0), np.float32(0.9236), np.float32(nan), np.float32(0.9456), np.float32(0.8502), np.float32(0.9179), np.float32(0.7898), np.float32(0.7854), np.float32(0.9277), np.float32(0.9583), np.float32(0.9453), np.float32(0.8353), np.float32(0.8475), np.float32(0.8317), np.float32(0.534), np.float32(0.5512), np.float32(0.8724), np.float32(0.2192), np.float32(0.5027), np.float32(0.9588), np.float32(0.0), np.float32(0.8833), np.float32(0.8042), np.float32(0.5723), np.float32(0.5767), np.float32(0.9459), np.float32(0.9449), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(0.8353), np.float32(0.8269), np.float32(0.8627), np.float32(0.6386), np.float32(0.9698), np.float32(0.963), np.float32(0.8681), np.float32(0.8749), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan), np.float32(nan)] +2026-02-22 21:47:39.535507: Epoch time: 97.57 s +2026-02-22 21:47:41.593459: Training done. +2026-02-22 21:47:41.972355: predicting BDMAP_00160182 +2026-02-22 21:47:42.444899: BDMAP_00160182, shape torch.Size([1, 415, 405, 405]), rank 0 +2026-02-22 21:48:37.034467: predicting BDMAP_00160189 +2026-02-22 21:48:37.469379: BDMAP_00160189, shape torch.Size([1, 511, 377, 377]), rank 0 +2026-02-22 21:48:54.691114: predicting BDMAP_00160226 +2026-02-22 21:48:56.822594: BDMAP_00160226, shape torch.Size([1, 416, 408, 408]), rank 0 +2026-02-22 21:49:27.674762: predicting BDMAP_00160398 +2026-02-22 21:49:28.214982: BDMAP_00160398, shape torch.Size([1, 429, 320, 320]), rank 0 +2026-02-22 21:49:40.271401: predicting BDMAP_00160425 +2026-02-22 21:49:41.073950: BDMAP_00160425, shape torch.Size([1, 388, 309, 309]), rank 0 +2026-02-22 21:49:55.239961: predicting BDMAP_00160622 +2026-02-22 21:50:15.779191: BDMAP_00160622, shape torch.Size([1, 451, 475, 475]), rank 0 diff --git a/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/plans.json b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/plans.json new file mode 100644 index 0000000000000000000000000000000000000000..ff01f90e0751a77875dc6eab7e174aad4c09c953 --- /dev/null +++ b/Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/plans.json @@ -0,0 +1,512 @@ +{ + "dataset_name": "Dataset307_radiologist_annotations_Merlin_Plus", + "plans_name": "nnUNetPlannerResEncL_torchres_isotropic", + "original_median_spacing_after_transp": [ + 1.25, + 0.748046875, + 0.748046875 + ], + "original_median_shape_after_transp": [ + 409, + 512, + 512 + ], + "image_reader_writer": "NibabelIOWithReorient", + "transpose_forward": [ + 0, + 1, + 2 + ], + "transpose_backward": [ + 0, + 1, + 2 + ], + "configurations": { + "2d": { + "data_identifier": "nnUNetPlannerResEncL_torchres_isotropic_2d", + "preprocessor_name": "DefaultPreprocessor", + "batch_size": 55, + "patch_size": [ + 384, + 384 + ], + "median_image_size_in_voxels": [ + 383.0, + 383.0 + ], + "spacing": [ + 1.0, + 1.0 + ], + "normalization_schemes": [ + "CTNormalization" + ], + "use_mask_for_norm": [ + false + ], + "resampling_fn_data": "resample_torch_fornnunet", + "resampling_fn_seg": "resample_torch_fornnunet", + "resampling_fn_data_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_seg_kwargs": { + "is_seg": true, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_probabilities": "resample_torch_fornnunet", + "resampling_fn_probabilities_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "architecture": { + "network_class_name": "dynamic_network_architectures.architectures.unet.ResidualEncoderUNet", + "arch_kwargs": { + "n_stages": 7, + "features_per_stage": [ + 32, + 64, + 128, + 256, + 512, + 512, + 512 + ], + "conv_op": "torch.nn.modules.conv.Conv2d", + "kernel_sizes": [ + [ + 3, + 3 + ], + [ + 3, + 3 + ], + [ + 3, + 3 + ], + [ + 3, + 3 + ], + [ + 3, + 3 + ], + [ + 3, + 3 + ], + [ + 3, + 3 + ] + ], + "strides": [ + [ + 1, + 1 + ], + [ + 2, + 2 + ], + [ + 2, + 2 + ], + [ + 2, + 2 + ], + [ + 2, + 2 + ], + [ + 2, + 2 + ], + [ + 2, + 2 + ] + ], + "n_blocks_per_stage": [ + 1, + 3, + 4, + 6, + 6, + 6, + 6 + ], + "n_conv_per_stage_decoder": [ + 1, + 1, + 1, + 1, + 1, + 1 + ], + "conv_bias": true, + "norm_op": "torch.nn.modules.instancenorm.InstanceNorm2d", + "norm_op_kwargs": { + "eps": 1e-05, + "affine": true + }, + "dropout_op": null, + "dropout_op_kwargs": null, + "nonlin": "torch.nn.LeakyReLU", + "nonlin_kwargs": { + "inplace": true + } + }, + "_kw_requires_import": [ + "conv_op", + "norm_op", + "dropout_op", + "nonlin" + ] + }, + "batch_dice": true + }, + "3d_lowres": { + "data_identifier": "nnUNetPlannerResEncL_torchres_isotropic_3d_lowres", + "preprocessor_name": "DefaultPreprocessor", + "batch_size": 2, + "patch_size": [ + 224, + 160, + 160 + ], + "median_image_size_in_voxels": [ + 319, + 261, + 261 + ], + "spacing": [ + 1.4685337134515648, + 1.4685337134515648, + 1.4685337134515648 + ], + "normalization_schemes": [ + "CTNormalization" + ], + "use_mask_for_norm": [ + false + ], + "resampling_fn_data": "resample_torch_fornnunet", + "resampling_fn_seg": "resample_torch_fornnunet", + "resampling_fn_data_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_seg_kwargs": { + "is_seg": true, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_probabilities": "resample_torch_fornnunet", + "resampling_fn_probabilities_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "architecture": { + "network_class_name": "dynamic_network_architectures.architectures.unet.ResidualEncoderUNet", + "arch_kwargs": { + "n_stages": 6, + "features_per_stage": [ + 32, + 64, + 128, + 256, + 320, + 320 + ], + "conv_op": "torch.nn.modules.conv.Conv3d", + "kernel_sizes": [ + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ] + ], + "strides": [ + [ + 1, + 1, + 1 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ] + ], + "n_blocks_per_stage": [ + 1, + 3, + 4, + 6, + 6, + 6 + ], + "n_conv_per_stage_decoder": [ + 1, + 1, + 1, + 1, + 1 + ], + "conv_bias": true, + "norm_op": "torch.nn.modules.instancenorm.InstanceNorm3d", + "norm_op_kwargs": { + "eps": 1e-05, + "affine": true + }, + "dropout_op": null, + "dropout_op_kwargs": null, + "nonlin": "torch.nn.LeakyReLU", + "nonlin_kwargs": { + "inplace": true + } + }, + "_kw_requires_import": [ + "conv_op", + "norm_op", + "dropout_op", + "nonlin" + ] + }, + "batch_dice": false, + "next_stage": "3d_cascade_fullres" + }, + "3d_fullres": { + "data_identifier": "nnUNetPlannerResEncL_torchres_isotropic_3d_fullres", + "preprocessor_name": "DefaultPreprocessor", + "batch_size": 2, + "patch_size": [ + 224, + 160, + 160 + ], + "median_image_size_in_voxels": [ + 469.0, + 383.0, + 383.0 + ], + "spacing": [ + 1.0, + 1.0, + 1.0 + ], + "normalization_schemes": [ + "CTNormalization" + ], + "use_mask_for_norm": [ + false + ], + "resampling_fn_data": "resample_torch_fornnunet", + "resampling_fn_seg": "resample_torch_fornnunet", + "resampling_fn_data_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_seg_kwargs": { + "is_seg": true, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "resampling_fn_probabilities": "resample_torch_fornnunet", + "resampling_fn_probabilities_kwargs": { + "is_seg": false, + "force_separate_z": false, + "memefficient_seg_resampling": false + }, + "architecture": { + "network_class_name": "dynamic_network_architectures.architectures.unet.ResidualEncoderUNet", + "arch_kwargs": { + "n_stages": 6, + "features_per_stage": [ + 32, + 64, + 128, + 256, + 320, + 320 + ], + "conv_op": "torch.nn.modules.conv.Conv3d", + "kernel_sizes": [ + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ], + [ + 3, + 3, + 3 + ] + ], + "strides": [ + [ + 1, + 1, + 1 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ], + [ + 2, + 2, + 2 + ] + ], + "n_blocks_per_stage": [ + 1, + 3, + 4, + 6, + 6, + 6 + ], + "n_conv_per_stage_decoder": [ + 1, + 1, + 1, + 1, + 1 + ], + "conv_bias": true, + "norm_op": "torch.nn.modules.instancenorm.InstanceNorm3d", + "norm_op_kwargs": { + "eps": 1e-05, + "affine": true + }, + "dropout_op": null, + "dropout_op_kwargs": null, + "nonlin": "torch.nn.LeakyReLU", + "nonlin_kwargs": { + "inplace": true + } + }, + "_kw_requires_import": [ + "conv_op", + "norm_op", + "dropout_op", + "nonlin" + ] + }, + "batch_dice": true + }, + "3d_cascade_fullres": { + "inherits_from": "3d_fullres", + "previous_stage": "3d_lowres" + } + }, + "experiment_planner_used": "nnUNetPlannerResEncL_torchres", + "label_manager": "LabelManager", + "foreground_intensity_properties_per_channel": { + "0": { + "max": 1000.0, + "mean": -128.6943359375, + "median": 51.01091003417969, + "min": -1000.0, + "percentile_00_5": -996.0021362304688, + "percentile_99_5": 851.0109252929688, + "std": 398.4421691894531 + } + } +} \ No newline at end of file diff --git a/PredictSubOrgansnUnet.py b/PredictSubOrgansnUnet.py new file mode 100644 index 0000000000000000000000000000000000000000..7aa15458bd65e5a8762fbad4a4a38ba4ff5b8cf7 --- /dev/null +++ b/PredictSubOrgansnUnet.py @@ -0,0 +1,170 @@ +""" +Use this to run the nnU-Net inference. You can run multiple instances of this code in parallel! +Just change the `part_id` and `gpu` arguments to split the task into multiple parts. +Example of splitting it in 4 parts: + python PredictSubOrgansnUnet.py --num_parts 4 --part_id 0 --gpu 0 + python PredictSubOrgansnUnet.py --num_parts 4 --part_id 1 --gpu 1 + python PredictSubOrgansnUnet.py --num_parts 4 --part_id 2 --gpu 2 + python PredictSubOrgansnUnet.py --num_parts 4 --part_id 3 --gpu 3 +""" + + +import argparse +from nnunetv2.paths import nnUNet_results, nnUNet_raw +import torch +from batchgenerators.utilities.file_and_folder_operations import join +from nnunetv2.inference.predict_from_raw_data import nnUNetPredictor +import os +import pandas as pd + +def split_files(files_input, files_output, num_parts, part_id): + """ + Splits the files_input and files_output into num_parts and selects the partition for the given part_id. + + Args: + files_input (list): List of input files. + files_output (list): List of output files. + num_parts (int): Number of partitions. + part_id (int): Partition ID to select (starting from 0). + + Returns: + tuple: (files_input_partition, files_output_partition) for the given part_id. + """ + assert len(files_input) == len(files_output), "files_input and files_output must have the same length" + assert 0 <= part_id < num_parts, "Invalid part_id. It must be in the range [0, num_parts-1]" + + # Split the files based on num_parts + total_files = len(files_input) + files_per_part = (total_files + num_parts - 1) // num_parts # Ensure rounding up + start_idx = part_id * files_per_part + end_idx = min(start_idx + files_per_part, total_files) + + # Return the partition + return files_input[start_idx:end_idx], files_output[start_idx:end_idx] + +def parse_args(): + parser = argparse.ArgumentParser(description="Run nnUNet prediction with custom arguments.") + parser.add_argument('--pth', type=str, default='/projects/bodymaps/Data/image_only/AbdomenAtlasPro/AbdomenAtlasPro/', + help="Path to input images folder") + parser.add_argument('--outdir', type=str, default='/projects/bodymaps/Pedro/data/JHH_liver_segments/', + help="Path to output folder for predictions") + parser.add_argument('--checkpoint', type=str, + default='./nnUNetOrgansAndSubSegments/', + help="Path to model checkpoint folder") + parser.add_argument('--num_parts', type=int, default=1, + help="Number of parts to split the task into") + parser.add_argument('--part_id', type=int, default=0, + help="ID of the current part (0-indexed)") + parser.add_argument('--gpu', type=int, default=0, + help="ID of the gpu to be used") + parser.add_argument('--workers', type=int, default=2, + help="Number of worker processes for preprocessing and segmentation export") + parser.add_argument('--BDMAP_format', action='store_true', + help="Enable BDMAP format") + parser.add_argument('--ids', default=None, help='Path to csv with a BDMAP ID column and the cases you want to inference') + parser.add_argument('--reset', action='store_true', + help="Overwrites old cases") + return parser.parse_args() + + +def filter_existing_outputs(files_input, files_output): + """ + Filter out cases where the output file already exists. + + Parameters: + files_input (list): A list of input file paths (or lists of file paths). + files_output (list): A list of output file paths. + + Returns: + tuple: Two lists, (filtered_files_input, filtered_files_output), where + each pair corresponds to an output that does not already exist. + """ + filtered_input = [] + filtered_output = [] + + for inp, out in zip(files_input, files_output): + if not os.path.exists(out+'.nii.gz'): + filtered_input.append(inp) + filtered_output.append(out) + else: + print(f"Skipping already saved output: {out}") + + return filtered_input, filtered_output + +def main(): + args = parse_args() + + # Instantiate the nnUNetPredictor + predictor = nnUNetPredictor( + tile_step_size=0.5, + use_gaussian=True, + use_mirroring=True, + perform_everything_on_device=True, + device=torch.device('cuda', args.gpu), + verbose=False, + verbose_preprocessing=False, + allow_tqdm=True + ) + + if args.ids is not None: + ids = pd.read_csv(args.ids) + ids = sorted(ids['BDMAP ID'].to_list()) + else: + ids = sorted(os.listdir(args.pth)) + + print(f'Number of loaded ids: {len(ids)}') + + + # Collect input and output files + if args.BDMAP_format: + print('Path:',args.pth) + print('Files in path:',len(ids)) + + files_input = [[os.path.join(args.pth, folder, 'ct.nii.gz')] + for folder in ids + if ('BDMAP' in folder)] + print('Input files before split:',len(files_input)) + files_output = [os.path.join(args.outdir, folder) + for folder in ids + if ('BDMAP' in folder)] + files_input, files_output = filter_existing_outputs(files_input, files_output) + files_input, files_output = split_files(files_input, files_output, args.num_parts, args.part_id) + else: + if args.ids is None: + files_input = [[os.path.join(args.pth, file)] for file in ids if (file.endswith('.nii.gz') and file[0]!='.')] + files_output = [os.path.join(args.outdir, file.replace('.nii.gz','')) for file in ids if (file.endswith('.nii.gz') and file[0]!='.')] + else: + files_input = [[os.path.join(args.pth, file+'.nii.gz')] for file in ids] + files_output = [os.path.join(args.outdir, file) for file in ids] + files_input, files_output = filter_existing_outputs(files_input, files_output) + + files_input, files_output = split_files(files_input, files_output, args.num_parts, args.part_id) + + + print('Input:', files_input[:10]) + print('Output:', files_output[:10]) + print(f'Cases to predict in part {args.part_id}: {len(files_input)}') + + + # Initialize the network architecture and load the checkpoint + predictor.initialize_from_trained_model_folder( + join(args.checkpoint), + use_folds=('all',), + checkpoint_name='checkpoint_final.pth', + ) + + # Run the prediction + predictor.predict_from_files( + files_input, files_output, + save_probabilities=False, + overwrite=args.reset, + num_processes_preprocessing=args.workers, + num_processes_segmentation_export=args.workers, + folder_with_segs_from_prev_stage=None, + num_parts=1, + part_id=0 + ) + + +if __name__ == '__main__': + main() \ No newline at end of file diff --git a/parallel_inference.sh b/parallel_inference.sh new file mode 100644 index 0000000000000000000000000000000000000000..4fe8adbb5a75ded94b9b678cf1030cde79277c00 --- /dev/null +++ b/parallel_inference.sh @@ -0,0 +1,90 @@ +#!/usr/bin/env bash +# +# Usage: +# bash parallel_inference.sh \ +# --pth \ +# --outdir \ +# --checkpoint \ +# --gpus \ +# [--parts ] \ +# [--num_parts ] \ +# [--ids ] [--BDMAP_format] +# +set -euo pipefail + +# ---------- Parse CLI --------------------------------------------------------- +declare -a gpus=() parts=() +ids="" +bdmap_flag=false + +while [[ $# -gt 0 ]]; do + case "$1" in + --pth) pth="$2"; shift 2 ;; + --outdir) outdir="$2"; shift 2 ;; + --checkpoint) checkpoint="$2"; shift 2 ;; + --gpus) IFS=',' read -r -a gpus <<< "$2"; shift 2 ;; + --parts) IFS=',' read -r -a parts <<< "$2"; shift 2 ;; + --num_parts) num_parts="$2"; shift 2 ;; + --ids) ids="$2"; shift 2 ;; + --BDMAP_format) bdmap_flag=true; shift 1 ;; # flag + *) + echo "Unknown option: $1" >&2 + exit 1 + ;; + esac +done + +# ---------- Validate required args ------------------------------------------ +if [[ -z "${pth:-}" || -z "${outdir:-}" || -z "${checkpoint:-}" || "${#gpus[@]}" -eq 0 ]]; then + cat >&2 < --outdir --checkpoint \ + --gpus gpu0,gpu1,... \ + [--parts part0,part1,...] [--num_parts N] \ + [--ids ] [--BDMAP_format] +EOF + exit 1 +fi + +mkdir -p logs + +# ---------- Default parts & num_parts if missing --------------------------- +# default total parts = number of GPUs +if [[ -z "${num_parts:-}" ]]; then + num_parts=${#gpus[@]} +fi + +# default parts = 0,1,2,...,num_parts-1 +if [[ "${#parts[@]}" -eq 0 ]]; then + parts=() + for ((i=0; i&1 | tee -a "$logf" & +done + +wait +echo "All jobs completed." \ No newline at end of file diff --git a/readme.md b/readme.md new file mode 100644 index 0000000000000000000000000000000000000000..2a4c369995d2e695886b42574510be857da814b8 --- /dev/null +++ b/readme.md @@ -0,0 +1,164 @@ +

+ Examples of tumor annotations in Merlin Plus +

+ +# Merlin-Cancer-Net + +Merlin-Cancer-Net is an nnU-Net trained with tumor segmentation masks from the Merlin Plus dataset. It surpasses state-of-the-art public AI models and leading VLMs in the detection and segmentation of tumors in 9 organs: bladder, gallbladder, spleen, esophagus, stomach, duodenum, prostate, uterus, and adrenal glands. + +**Merlin Plus** is a dataset with longitudinal metadata (patient IDs and scan dates) and per-voxel annotations for organs and 9 tumor types in the Merlin dataset (Stanford, 25,494 CT scans). Merlin Plus is part of a collaboration between the Merlin Project at Stanford and the R-Super Project at Johns Hopkins University. It is available at HuggingFace: https://huggingface.co/datasets/AbdomenAtlas/MerlinPlus. Merlin-Cancer-Net was trained with 423 masks from the Merlin Plus training dataset. + + +# Papers + + +Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks
+Pedro R. A. S. Bassi, Xinze Zhou, Wenxuan Li, Szymon Płotka, Jieneng Chen, Qi Chen, Zheren Zhu, Jakub Prządo, Ibrahim E. Hamacı, Sezgin Er, Yuhan Wang, Ashwin Kumar, Bjoern Menze, Jarosław B. Ćwikła, Yuyin Zhou, Akshay S. Chaudhari, Curtis P. Langlotz, Sergio Decherchi, Andrea Cavalli, Kang Wang, Yang Yang, Alan L. Yuille, Zongwei Zhou*
+*Johns Hopkins University, Stanford University, University of Zurich, University of Warsaw, Italian Institute of Technology, UCSF*
+Preprint
+ + + + + + +**Merlin Plus: A Large-Scale, Multi-cancer, Image-Mask-Report Dataset** +Pedro R. A. S. Bassi†, Wenxuan Li†, Szymon Płotka†, Ruby Honjol, Jakub Prządo, Xinze Zhou, Kang Wang, Yang Yang, Malte Jensen, Akshay S. Chaudhari, Curtis P. Langlotz, Alan L. Yuille, and Zongwei Zhou. +*MICCAI 2026, LNCS 16895. Springer Nature Switzerland.* +Paper PDF + + + + + + + + + + + +Merlin: A Vision Language Foundation Model for 3D Computed Tomography
+Louis Blankemeier, Joseph Paul Cohen, Ashwin Kumar, Dave Van Veen, Syed Jamal Safdar Gardezi, Magdalini Paschali, Zhihong Chen, Jean-Benoit Delbrouck, Eduardo Reis, Cesar Truyts, Christian Bluethgen, Malte Engmann Kjeldskov Jensen, Sophie Ostmeier, Maya Varma, Jeya Maria Jose Valanarasu, Zhongnan Fang, Zepeng Huo, Zaid Nabulsi, Diego Ardila, Wei-Hung Weng, Edson Amaro Junior, Neera Ahuja, Jason Fries, Nigam H. Shah, Andrew Johnston, Robert D. Boutin, Andrew Wentland, Curtis P. Langlotz, Jason Hom, Sergios Gatidis, Akshay S. Chaudhari
+*Stanford University*
+*Nature, 2026.*
+ + + + + + +nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation
+Fabian Isensee, Paul F. Jaeger, Simon A. A. Kohl, Jens Petersen, Klaus H. Maier-Hein
+*German Cancer Research Center (DKFZ)*
+*Nature Methods, 18(2), 203-211, 2021.*
+ + + +# Instructions + +### Installation + +```bash +conda create -n merlin_cancer_net python=3.12 -y +conda activate merlin_cancer_net +pip install torch torchvision torchaudio +pip install nnunetv2 pandas tqdm nibabel itk +``` + +### Data format + +Put every CT in one folder, as `.nii.gz` files. You can use any file name. + +``` +/path/to/dataset/ +├── case_1.nii.gz +├── case_2.nii.gz +... +``` + +### Inference + +```bash +bash parallel_inference.sh \ + --pth /path/to/dataset/ \ + --outdir /path/to/joint/outputs/ \ + --checkpoint Dataset307_radiologist_annotations_Merlin_Plus/nnUNetTrainer__nnUNetPlannerResEncL_torchres_isotropic__3d_fullres/ \ + --gpus 0 +``` + +Pass several GPUs as `--gpus 0,1,2,3` to run in parallel. + +### Split the joint labels + +The nnU-Net produces joint labels (one file for all segmentation classes). To split these labels: + +```bash +python split_labels_multi_tumor.py \ + --input_dir /path/to/joint/outputs/ \ + --output_dir /path/to/outputs/ +``` + +Outputs one folder per case, with one mask per tumor and organ: + +``` +/path/to/outputs/ +├── BDMAP_00000001/ +| └── predictions/ +| ├── spleen_lesion.nii.gz +| ├── stomach_lesion.nii.gz +| ├── liver.nii.gz +| └── ... +``` + + +# Citations + +``` +@article{bassi2025scaling, + title={Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks}, + author={Bassi, Pedro R. A. S. and Zhou, Xinze and Li, Wenxuan and P{\l}otka, Szymon and Chen, Jieneng and Chen, Qi and Zhu, Zheren and Prz{\k{a}}do, Jakub and Hamamci, Ibrahim E. and Er, Sezgin and others}, + journal={arXiv preprint arXiv:2510.14803}, + year={2025} +} + + +@InProceedings{BasPed_Merlin_MICCAI2026, + author = { Bassi, Pedro R. A. S. AND Li, Wenxuan AND Płotka, Szymon AND Honjol, Ruby AND Prządo, Jakub AND Zhou, Xinze AND Wang, Kang AND Yang, Yang AND Jensen, Malte AND Chaudhari, Akshay S. AND Langlotz, Curtis P. AND Yuille, Alan L. AND Zhou, Zongwei}, + title = { { Merlin Plus: A Large-Scale, Multi-cancer, Image-Mask-Report Dataset } }, + booktitle = {Medical Image Computing and Computer Assisted Intervention -- MICCAI 2026}, + year = {2026}, + publisher = {Springer Nature Switzerland}, + volume = {LNCS 16895}, + month = {September}, + page = {pending} +} + + +@article{blankemeier_kumar2026merlin, + author = {Blankemeier, Louis and Kumar, Ashwin and Cohen, Joseph Paul and Liu, Jiaming and Liu, Longchao and Van Veen, Dave and Gardezi, Syed Jamal Safdar and Yu, Hongkun and Paschali, Magdalini and Chen, Zhihong and Delbrouck, Jean-Benoit and Reis, Eduardo and Holland, Robbie and Truyts, Cesar and Bluethgen, Christian and Wu, Yufu and Lian, Long and Jensen, Malte Engmann Kjeldskov and Ostmeier, Sophie and Varma, Maya and Valanarasu, Jeya Maria Jose and Fang, Zhongnan and Huo, Zepeng and Nabulsi, Zaid and Ardila, Diego and Weng, Wei-Hung and Amaro Junior, Edson and Ahuja, Neera and Fries, Jason and Shah, Nigam H. and Zaharchuk, Greg and Willis, Marc and Yala, Adam and Johnston, Andrew and Boutin, Robert D. and Wentland, Andrew and Langlotz, Curtis P. and Hom, Jason and Gatidis, Sergios and Chaudhari, Akshay S.}, + title = {Merlin: a computed tomography vision-language foundation model and dataset}, + journal = {Nature}, + year = {2026}, + doi = {10.1038/s41586-026-10181-8}, + url = {https://doi.org/10.1038/s41586-026-10181-8} +} + +@article{isensee2021nnunet, + title={nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation}, + author={Isensee, Fabian and Jaeger, Paul F. and Kohl, Simon A. A. and Petersen, Jens and Maier-Hein, Klaus H.}, + journal={Nature Methods}, + volume={18}, + number={2}, + pages={203--211}, + year={2021} +} +``` + + +## Acknowledgement + +This work was supported by the Lustgarten Foundation for Pancreatic Cancer Research, the Patrick J. McGovern Foundation Award, and the National Institutes of Health (NIH) under Award Number R01EB037669. Paper content is covered by patents pending. + +© The Johns Hopkins University. This work is openly licensed via CC BY-NC-ND. +Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 +International Public License \ No newline at end of file diff --git a/split_labels_multi_tumor.py b/split_labels_multi_tumor.py new file mode 100644 index 0000000000000000000000000000000000000000..338f0ec90714d5695be41b82ddeb83380bc9287d --- /dev/null +++ b/split_labels_multi_tumor.py @@ -0,0 +1,295 @@ +""" +Usage example: +python split_labels.py --input_dir /projects/bodymaps/Pedro/data/JHH_liver_segments/ --output_dir /projects/bodymaps/Pedro/data/JHH_liver_segments_sep_labels/ --JHH --parts 3 --part 0 +python split_labels.py --input_dir /projects/bodymaps/Data/UFO_OrganSubSegments_nnUNet/subSegments_output --output_dir /projects/bodymaps/Data/UCSF_pseudo_masks_subsegments --parts 3 --part 0 + +""" + +import os +import glob +import argparse +import numpy as np +import nibabel as nib +from concurrent.futures import ProcessPoolExecutor +import concurrent +from tqdm import tqdm + + +labels = ['background', + 'kidney_right', + 'kidney_left', + 'kidney_lesion', + 'kidney_lesion_kidney_right', + 'kidney_lesion_kidney_left', + 'pancreas', + 'pancreatic_lesion', + 'liver', + 'liver_lesion', + 'spleen', + 'spleen_lesion', + 'colon', + 'colon_lesion', + 'stomach', + 'stomach_lesion', + 'duodenum', + 'duodenum_lesion', + 'common_bile_duct', + 'intestine', + 'aorta', + 'postcava', + 'adrenal_gland_left', + 'adrenal_gland_right', + 'adrenal_lesion', + 'adrenal_lesion_adrenal_gland_left', + 'adrenal_lesion_adrenal_gland_right', + 'gall_bladder', + 'gallbladder_lesion', + 'gallbladder_lesion_gall_bladder', + 'bladder', + 'bladder_lesion', + 'esophagus', + 'esophagus_lesion', + 'hepatic_vessel', + 'portal_vein_and_splenic_vein', + 'lung_left', + 'lung_right', + 'lung_lesion', + 'lung_lesion_lung_left', + 'lung_lesion_lung_right', + 'prostate', + 'prostate_lesion', + 'uterus_lesion', + 'uterus_lesion_prostate',#this is a bug, our prostate annotation should actually be called prostate/uterus + 'femur_left', + 'femur_right', + 'superior_mesenteric_artery', + 'veins', + 'bone_lesion', + 'breast_lesion',] + +labels = {name: i for i, name in enumerate(labels, 0)} + + +# Classes we want to output explicitly +#out_labels = [ +# "liver", +# "pancreas", +# "kidney_right", +# "kidney_left", +# "liver_lesion", +# "kidney_lesion", +# "pancreatic_lesion", +# "pancreas_head", +# "pancreas_body", +# "pancreas_tail" +#] +# Add "liver_segment_1" through "liver_segment_8" +#for i in range(1, 9): +# out_labels.append("liver_segment_" + str(i)) +out_labels = list(labels.keys()) +#out_labels+=['liver','pancreas'] + +def parse_args(): + parser = argparse.ArgumentParser( + description="Split segmentation labels into multiple .nii.gz files." + ) + parser.add_argument( + "--input_dir", + type=str, + required=True, + help="Directory containing input .nii.gz files to process.", + ) + parser.add_argument( + "--output_dir", + type=str, + required=True, + help="Directory where the splitted .nii.gz files will be saved.", + ) + parser.add_argument( + "--num_workers", + type=int, + default=20, + help="Number of parallel processes to use for splitting.", + ) + parser.add_argument( + "--restart", + action='store_true', + help="Overwrites files already saved.", + ) + + parser.add_argument( + "--parts", + type=int, + default=1, + help="Total number of parts to split the files into.", + ) + parser.add_argument( + "--part", + type=int, + default=0, + help="Index of the part to process (0-indexed).", + ) + parser.add_argument( + "--JHH", + action='store_true', + help="Processes only JHH files.", + ) + return parser.parse_args() + + +def build_mapping(): + """ + Build the 'mapping' dictionary: + Each key is an output class name, + each value is a list of label IDs that should be merged into that class. + """ + + # Map from lesion label to the organ sub-parts it can overlap with + lesion_to_organs = { + 'kidney_lesion': ['kidney_right', 'kidney_left'], + 'adrenal_lesion': ['adrenal_gland_left', 'adrenal_gland_right'], + 'gallbladder_lesion': ['gall_bladder'], + 'lung_lesion': ['lung_left', 'lung_right'], + } + + mapping = {} + for key in out_labels: + ids = [] + for name, val in labels.items(): + if name == key or name.startswith(key + "_"): + ids.append(val) + + # Include overlap labels where this organ is the sub-segment + # e.g., kidney_lesion_kidney_right should be included for kidney_right + for lesion_name, organ_keys in lesion_to_organs.items(): + if key in organ_keys: + overlap_label = lesion_name + "_" + key + if overlap_label in labels: + ids.append(labels[overlap_label]) + + # Special case: "pancreas" also includes "pancreatic" + if key == "pancreas": + for name, val in labels.items(): + if name == "pancreatic_lesion" or name.startswith("pancreatic_lesion_"): + ids.append(val) + + mapping[key] = sorted(set(ids)) + + return mapping + + + +def split_segmentation(input_nifti_path, output_folder, classes_dict): + """ + Reads a NIfTI segmentation, then saves separate .nii.gz masks + for each class (merging labels if necessary). + """ + print('Splitting', input_nifti_path) + seg_img = nib.load(input_nifti_path) + # *** Fix: load as float, then cast to int16 (or directly from dataobj) *** + seg_data = seg_img.get_fdata().astype(np.int16) + # Or use: seg_data = np.asanyarray(seg_img.dataobj).astype(np.int16) + + # Ensure output_folder exists + os.makedirs(output_folder, exist_ok=True) + + # We'll name output files using: + # _.nii.gz + base_name = os.path.basename(input_nifti_path) + if base_name.endswith(".nii.gz"): + base_name = base_name[:-7] + else: + base_name = os.path.splitext(base_name)[0] + + # Optionally create a subfolder for each input file + this_out_folder = os.path.join(output_folder, base_name, 'predictions') + os.makedirs(this_out_folder, exist_ok=True) + + for class_name, label_list in classes_dict.items(): + # Create binary mask: 1 if label in label_list, else 0 + mask = np.isin(seg_data, label_list).astype(np.uint8) + + mask_nifti = nib.Nifti1Image(mask, seg_img.affine, seg_img.header) + out_file = os.path.join(this_out_folder, f"{class_name}.nii.gz") + nib.save(mask_nifti, out_file) + + print(f"Finished splitting {input_nifti_path}!") + +def process_file(input_path, output_dir, classes_dict): + """Wrapper to process a single file.""" + split_segmentation(input_path, output_dir, classes_dict) + +def main(): + args = parse_args() + os.makedirs(args.output_dir, exist_ok=True) + + # Build the label mapping once + classes_dict = build_mapping() + print(classes_dict) + + # Gather all .nii.gz files in the input directory + nifti_files = glob.glob(os.path.join(args.input_dir, "*.nii.gz")) + if len(nifti_files) == 0: + print(f"No NIfTI files found in {args.input_dir}!") + return + + if args.JHH: + nifti_files = [f for f in nifti_files if (('BDMAP_A' in f) or ('BDMAP_V' in f))] + + # remove from the list all files aleady saved + if not args.restart: + new_nifti_files = [] + for fpath in nifti_files: + base_name = os.path.basename(fpath) + if base_name.endswith(".nii.gz"): + base_name = base_name[:-7] + else: + base_name = os.path.splitext(base_name)[0] + + # The same logic used in split_segmentation to build the output folder + this_out_folder = os.path.join(args.output_dir, base_name, 'predictions') + + # Check if every class_name has a corresponding .nii.gz + all_exist = True + for class_name in classes_dict.keys(): + out_file = os.path.join(this_out_folder, f"{class_name}.nii.gz") + if not os.path.exists(out_file): + all_exist = False + break + + # Keep this file if not all masks are present + if not all_exist: + new_nifti_files.append(fpath) + + nifti_files = new_nifti_files + + # Split the nifti_files list into parts and process only the selected part. + total_files = len(nifti_files) + if args.parts > 1: + files_per_part = (total_files + args.parts - 1) // args.parts # round up + start_idx = args.part * files_per_part + end_idx = min(start_idx + files_per_part, total_files) + nifti_files = nifti_files[start_idx:end_idx] + print(f"Processing part {args.part+1}/{args.parts}: files {start_idx} to {end_idx-1}") + else: + print("Processing all files (only one part).") + print(f"Total files to process: {len(nifti_files)}") + + # Use parallel processing + with ProcessPoolExecutor(max_workers=args.num_workers) as executor: + futures = [] + for fpath in nifti_files: + futures.append( + executor.submit(process_file, fpath, args.output_dir, classes_dict) + ) + #for future in futures: + # future.result() + for future in tqdm(concurrent.futures.as_completed(futures), total=len(futures), desc="Processing files"): + future.result() + + print(f"All files processed. Output saved to: {args.output_dir}") + +if __name__ == "__main__": + main() + +# version 2 - fixed label dict inversion, fixed substring matching in build_mapping (bladder/gall_bladder, prostate/uterus ambiguities) \ No newline at end of file