Commit
•
bd90e6c
1
Parent(s):
7d9df90
Model save
Browse files- README.md +5 -10
- all_results.json +4 -10
- train_results.json +4 -4
- trainer_state.json +103 -358
README.md
CHANGED
|
@@ -2,7 +2,6 @@
|
|
| 2 |
license: gemma
|
| 3 |
base_model: scottsuk0306/easylm-sft-gemma-2-2b
|
| 4 |
tags:
|
| 5 |
-
- easylm
|
| 6 |
- trl
|
| 7 |
- reward-trainer
|
| 8 |
- generated_from_trainer
|
|
@@ -20,8 +19,8 @@ should probably proofread and complete it, then remove this comment. -->
|
|
| 20 |
|
| 21 |
This model is a fine-tuned version of [scottsuk0306/easylm-sft-gemma-2-2b](https://huggingface.co/scottsuk0306/easylm-sft-gemma-2-2b) on an unknown dataset.
|
| 22 |
It achieves the following results on the evaluation set:
|
| 23 |
-
- Loss: 0.
|
| 24 |
-
- Accuracy: 0.
|
| 25 |
|
| 26 |
## Model description
|
| 27 |
|
|
@@ -46,7 +45,8 @@ The following hyperparameters were used during training:
|
|
| 46 |
- seed: 42
|
| 47 |
- distributed_type: multi-GPU
|
| 48 |
- num_devices: 8
|
| 49 |
-
-
|
|
|
|
| 50 |
- total_eval_batch_size: 16
|
| 51 |
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
|
| 52 |
- lr_scheduler_type: cosine
|
|
@@ -56,12 +56,7 @@ The following hyperparameters were used during training:
|
|
| 56 |
|
| 57 |
| Training Loss | Epoch | Step | Validation Loss | Accuracy |
|
| 58 |
|:-------------:|:------:|:----:|:---------------:|:--------:|
|
| 59 |
-
| 0.
|
| 60 |
-
| 0.6883 | 0.3333 | 200 | 0.7212 | 0.5104 |
|
| 61 |
-
| 0.6512 | 0.5 | 300 | 0.6590 | 0.625 |
|
| 62 |
-
| 0.6842 | 0.6667 | 400 | 0.6537 | 0.6771 |
|
| 63 |
-
| 0.698 | 0.8333 | 500 | 0.6507 | 0.6562 |
|
| 64 |
-
| 0.6254 | 1.0 | 600 | 0.6525 | 0.6146 |
|
| 65 |
|
| 66 |
|
| 67 |
### Framework versions
|
|
|
|
| 2 |
license: gemma
|
| 3 |
base_model: scottsuk0306/easylm-sft-gemma-2-2b
|
| 4 |
tags:
|
|
|
|
| 5 |
- trl
|
| 6 |
- reward-trainer
|
| 7 |
- generated_from_trainer
|
|
|
|
| 19 |
|
| 20 |
This model is a fine-tuned version of [scottsuk0306/easylm-sft-gemma-2-2b](https://huggingface.co/scottsuk0306/easylm-sft-gemma-2-2b) on an unknown dataset.
|
| 21 |
It achieves the following results on the evaluation set:
|
| 22 |
+
- Loss: 0.6616
|
| 23 |
+
- Accuracy: 0.6771
|
| 24 |
|
| 25 |
## Model description
|
| 26 |
|
|
|
|
| 45 |
- seed: 42
|
| 46 |
- distributed_type: multi-GPU
|
| 47 |
- num_devices: 8
|
| 48 |
+
- gradient_accumulation_steps: 4
|
| 49 |
+
- total_train_batch_size: 64
|
| 50 |
- total_eval_batch_size: 16
|
| 51 |
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
|
| 52 |
- lr_scheduler_type: cosine
|
|
|
|
| 56 |
|
| 57 |
| Training Loss | Epoch | Step | Validation Loss | Accuracy |
|
| 58 |
|:-------------:|:------:|:----:|:---------------:|:--------:|
|
| 59 |
+
| 0.6716 | 0.6667 | 100 | 0.6616 | 0.6771 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 60 |
|
| 61 |
|
| 62 |
### Framework versions
|
all_results.json
CHANGED
|
@@ -1,15 +1,9 @@
|
|
| 1 |
{
|
| 2 |
"epoch": 1.0,
|
| 3 |
-
"eval_accuracy": 0.6145833333333334,
|
| 4 |
-
"eval_loss": 0.6525471806526184,
|
| 5 |
-
"eval_runtime": 0.6682,
|
| 6 |
-
"eval_samples": 96,
|
| 7 |
-
"eval_samples_per_second": 143.664,
|
| 8 |
-
"eval_steps_per_second": 8.979,
|
| 9 |
"total_flos": 0.0,
|
| 10 |
-
"train_loss": 0.
|
| 11 |
-
"train_runtime":
|
| 12 |
"train_samples": 9595,
|
| 13 |
-
"train_samples_per_second":
|
| 14 |
-
"train_steps_per_second": 0.
|
| 15 |
}
|
|
|
|
| 1 |
{
|
| 2 |
"epoch": 1.0,
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 3 |
"total_flos": 0.0,
|
| 4 |
+
"train_loss": 0.6696457926432292,
|
| 5 |
+
"train_runtime": 575.0153,
|
| 6 |
"train_samples": 9595,
|
| 7 |
+
"train_samples_per_second": 16.687,
|
| 8 |
+
"train_steps_per_second": 0.261
|
| 9 |
}
|
train_results.json
CHANGED
|
@@ -1,9 +1,9 @@
|
|
| 1 |
{
|
| 2 |
"epoch": 1.0,
|
| 3 |
"total_flos": 0.0,
|
| 4 |
-
"train_loss": 0.
|
| 5 |
-
"train_runtime":
|
| 6 |
"train_samples": 9595,
|
| 7 |
-
"train_samples_per_second":
|
| 8 |
-
"train_steps_per_second": 0.
|
| 9 |
}
|
|
|
|
| 1 |
{
|
| 2 |
"epoch": 1.0,
|
| 3 |
"total_flos": 0.0,
|
| 4 |
+
"train_loss": 0.6696457926432292,
|
| 5 |
+
"train_runtime": 575.0153,
|
| 6 |
"train_samples": 9595,
|
| 7 |
+
"train_samples_per_second": 16.687,
|
| 8 |
+
"train_steps_per_second": 0.261
|
| 9 |
}
|
trainer_state.json
CHANGED
|
@@ -3,497 +3,242 @@
|
|
| 3 |
"best_model_checkpoint": null,
|
| 4 |
"epoch": 1.0,
|
| 5 |
"eval_steps": 100,
|
| 6 |
-
"global_step":
|
| 7 |
"is_hyper_param_search": false,
|
| 8 |
"is_local_process_zero": true,
|
| 9 |
"is_world_process_zero": true,
|
| 10 |
"log_history": [
|
| 11 |
-
{
|
| 12 |
-
"epoch": 0.016666666666666666,
|
| 13 |
-
"grad_norm": 21.375614166259766,
|
| 14 |
-
"learning_rate": 9.99314767377287e-07,
|
| 15 |
-
"loss": 0.691,
|
| 16 |
-
"step": 10
|
| 17 |
-
},
|
| 18 |
{
|
| 19 |
"epoch": 0.03333333333333333,
|
| 20 |
-
"grad_norm":
|
| 21 |
"learning_rate": 9.972609476841365e-07,
|
| 22 |
-
"loss": 0.
|
| 23 |
-
"step":
|
| 24 |
-
},
|
| 25 |
-
{
|
| 26 |
-
"epoch": 0.05,
|
| 27 |
-
"grad_norm": 11.09454345703125,
|
| 28 |
-
"learning_rate": 9.938441702975689e-07,
|
| 29 |
-
"loss": 0.6766,
|
| 30 |
-
"step": 30
|
| 31 |
},
|
| 32 |
{
|
| 33 |
"epoch": 0.06666666666666667,
|
| 34 |
-
"grad_norm":
|
| 35 |
"learning_rate": 9.890738003669027e-07,
|
| 36 |
-
"loss": 0.
|
| 37 |
-
"step":
|
| 38 |
-
},
|
| 39 |
-
{
|
| 40 |
-
"epoch": 0.08333333333333333,
|
| 41 |
-
"grad_norm": 15.57960319519043,
|
| 42 |
-
"learning_rate": 9.82962913144534e-07,
|
| 43 |
-
"loss": 0.6716,
|
| 44 |
-
"step": 50
|
| 45 |
},
|
| 46 |
{
|
| 47 |
"epoch": 0.1,
|
| 48 |
-
"grad_norm":
|
| 49 |
"learning_rate": 9.755282581475767e-07,
|
| 50 |
-
"loss": 0.
|
| 51 |
-
"step":
|
| 52 |
-
},
|
| 53 |
-
{
|
| 54 |
-
"epoch": 0.11666666666666667,
|
| 55 |
-
"grad_norm": 10.283132553100586,
|
| 56 |
-
"learning_rate": 9.667902132486008e-07,
|
| 57 |
-
"loss": 0.6837,
|
| 58 |
-
"step": 70
|
| 59 |
},
|
| 60 |
{
|
| 61 |
"epoch": 0.13333333333333333,
|
| 62 |
-
"grad_norm":
|
| 63 |
"learning_rate": 9.567727288213004e-07,
|
| 64 |
-
"loss": 0.
|
| 65 |
-
"step":
|
| 66 |
-
},
|
| 67 |
-
{
|
| 68 |
-
"epoch": 0.15,
|
| 69 |
-
"grad_norm": 18.98931312561035,
|
| 70 |
-
"learning_rate": 9.455032620941839e-07,
|
| 71 |
-
"loss": 0.6708,
|
| 72 |
-
"step": 90
|
| 73 |
},
|
| 74 |
{
|
| 75 |
"epoch": 0.16666666666666666,
|
| 76 |
-
"grad_norm":
|
| 77 |
"learning_rate": 9.330127018922193e-07,
|
| 78 |
-
"loss": 0.
|
| 79 |
-
"step":
|
| 80 |
-
},
|
| 81 |
-
{
|
| 82 |
-
"epoch": 0.16666666666666666,
|
| 83 |
-
"eval_accuracy": 0.6354166666666666,
|
| 84 |
-
"eval_loss": 0.6810302734375,
|
| 85 |
-
"eval_runtime": 0.814,
|
| 86 |
-
"eval_samples_per_second": 117.941,
|
| 87 |
-
"eval_steps_per_second": 7.371,
|
| 88 |
-
"step": 100
|
| 89 |
-
},
|
| 90 |
-
{
|
| 91 |
-
"epoch": 0.18333333333333332,
|
| 92 |
-
"grad_norm": 19.83936882019043,
|
| 93 |
-
"learning_rate": 9.19335283972712e-07,
|
| 94 |
-
"loss": 0.6659,
|
| 95 |
-
"step": 110
|
| 96 |
},
|
| 97 |
{
|
| 98 |
"epoch": 0.2,
|
| 99 |
-
"grad_norm": 13.
|
| 100 |
"learning_rate": 9.045084971874737e-07,
|
| 101 |
-
"loss": 0.
|
| 102 |
-
"step":
|
| 103 |
-
},
|
| 104 |
-
{
|
| 105 |
-
"epoch": 0.21666666666666667,
|
| 106 |
-
"grad_norm": 10.554994583129883,
|
| 107 |
-
"learning_rate": 8.885729807284854e-07,
|
| 108 |
-
"loss": 0.6771,
|
| 109 |
-
"step": 130
|
| 110 |
},
|
| 111 |
{
|
| 112 |
"epoch": 0.23333333333333334,
|
| 113 |
-
"grad_norm":
|
| 114 |
"learning_rate": 8.71572412738697e-07,
|
| 115 |
-
"loss": 0.
|
| 116 |
-
"step":
|
| 117 |
-
},
|
| 118 |
-
{
|
| 119 |
-
"epoch": 0.25,
|
| 120 |
-
"grad_norm": 6.722561836242676,
|
| 121 |
-
"learning_rate": 8.535533905932737e-07,
|
| 122 |
-
"loss": 0.689,
|
| 123 |
-
"step": 150
|
| 124 |
},
|
| 125 |
{
|
| 126 |
"epoch": 0.26666666666666666,
|
| 127 |
-
"grad_norm": 7.
|
| 128 |
"learning_rate": 8.34565303179429e-07,
|
| 129 |
-
"loss": 0.
|
| 130 |
-
"step":
|
| 131 |
-
},
|
| 132 |
-
{
|
| 133 |
-
"epoch": 0.2833333333333333,
|
| 134 |
-
"grad_norm": 20.102699279785156,
|
| 135 |
-
"learning_rate": 8.146601955249187e-07,
|
| 136 |
-
"loss": 0.6564,
|
| 137 |
-
"step": 170
|
| 138 |
},
|
| 139 |
{
|
| 140 |
"epoch": 0.3,
|
| 141 |
-
"grad_norm":
|
| 142 |
"learning_rate": 7.938926261462365e-07,
|
| 143 |
-
"loss": 0.
|
| 144 |
-
"step":
|
| 145 |
-
},
|
| 146 |
-
{
|
| 147 |
-
"epoch": 0.31666666666666665,
|
| 148 |
-
"grad_norm": 25.59081268310547,
|
| 149 |
-
"learning_rate": 7.723195175075135e-07,
|
| 150 |
-
"loss": 0.6154,
|
| 151 |
-
"step": 190
|
| 152 |
},
|
| 153 |
{
|
| 154 |
"epoch": 0.3333333333333333,
|
| 155 |
-
"grad_norm":
|
| 156 |
"learning_rate": 7.5e-07,
|
| 157 |
-
"loss": 0.
|
| 158 |
-
"step":
|
| 159 |
-
},
|
| 160 |
-
{
|
| 161 |
-
"epoch": 0.3333333333333333,
|
| 162 |
-
"eval_accuracy": 0.5104166666666666,
|
| 163 |
-
"eval_loss": 0.7211506962776184,
|
| 164 |
-
"eval_runtime": 0.6312,
|
| 165 |
-
"eval_samples_per_second": 152.089,
|
| 166 |
-
"eval_steps_per_second": 9.506,
|
| 167 |
-
"step": 200
|
| 168 |
-
},
|
| 169 |
-
{
|
| 170 |
-
"epoch": 0.35,
|
| 171 |
-
"grad_norm": 29.57691192626953,
|
| 172 |
-
"learning_rate": 7.269952498697734e-07,
|
| 173 |
-
"loss": 0.6856,
|
| 174 |
-
"step": 210
|
| 175 |
},
|
| 176 |
{
|
| 177 |
"epoch": 0.36666666666666664,
|
| 178 |
-
"grad_norm":
|
| 179 |
"learning_rate": 7.033683215379002e-07,
|
| 180 |
-
"loss": 0.
|
| 181 |
-
"step":
|
| 182 |
-
},
|
| 183 |
-
{
|
| 184 |
-
"epoch": 0.38333333333333336,
|
| 185 |
-
"grad_norm": 11.012421607971191,
|
| 186 |
-
"learning_rate": 6.7918397477265e-07,
|
| 187 |
-
"loss": 0.6808,
|
| 188 |
-
"step": 230
|
| 189 |
},
|
| 190 |
{
|
| 191 |
"epoch": 0.4,
|
| 192 |
-
"grad_norm":
|
| 193 |
"learning_rate": 6.545084971874736e-07,
|
| 194 |
-
"loss": 0.
|
| 195 |
-
"step":
|
| 196 |
-
},
|
| 197 |
-
{
|
| 198 |
-
"epoch": 0.4166666666666667,
|
| 199 |
-
"grad_norm": 8.45557689666748,
|
| 200 |
-
"learning_rate": 6.294095225512604e-07,
|
| 201 |
-
"loss": 0.6611,
|
| 202 |
-
"step": 250
|
| 203 |
},
|
| 204 |
{
|
| 205 |
"epoch": 0.43333333333333335,
|
| 206 |
-
"grad_norm":
|
| 207 |
"learning_rate": 6.039558454088795e-07,
|
| 208 |
-
"loss": 0.
|
| 209 |
-
"step":
|
| 210 |
-
},
|
| 211 |
-
{
|
| 212 |
-
"epoch": 0.45,
|
| 213 |
-
"grad_norm": 19.124385833740234,
|
| 214 |
-
"learning_rate": 5.782172325201155e-07,
|
| 215 |
-
"loss": 0.6431,
|
| 216 |
-
"step": 270
|
| 217 |
},
|
| 218 |
{
|
| 219 |
"epoch": 0.4666666666666667,
|
| 220 |
-
"grad_norm":
|
| 221 |
"learning_rate": 5.522642316338268e-07,
|
| 222 |
-
"loss": 0.
|
| 223 |
-
"step":
|
| 224 |
-
},
|
| 225 |
-
{
|
| 226 |
-
"epoch": 0.48333333333333334,
|
| 227 |
-
"grad_norm": 11.4014892578125,
|
| 228 |
-
"learning_rate": 5.26167978121472e-07,
|
| 229 |
-
"loss": 0.7384,
|
| 230 |
-
"step": 290
|
| 231 |
},
|
| 232 |
{
|
| 233 |
"epoch": 0.5,
|
| 234 |
-
"grad_norm":
|
| 235 |
"learning_rate": 5e-07,
|
| 236 |
-
"loss": 0.
|
| 237 |
-
"step":
|
| 238 |
-
},
|
| 239 |
-
{
|
| 240 |
-
"epoch": 0.5,
|
| 241 |
-
"eval_accuracy": 0.625,
|
| 242 |
-
"eval_loss": 0.6590169072151184,
|
| 243 |
-
"eval_runtime": 0.9151,
|
| 244 |
-
"eval_samples_per_second": 104.903,
|
| 245 |
-
"eval_steps_per_second": 6.556,
|
| 246 |
-
"step": 300
|
| 247 |
-
},
|
| 248 |
-
{
|
| 249 |
-
"epoch": 0.5166666666666667,
|
| 250 |
-
"grad_norm": 28.847896575927734,
|
| 251 |
-
"learning_rate": 4.7383202187852804e-07,
|
| 252 |
-
"loss": 0.6759,
|
| 253 |
-
"step": 310
|
| 254 |
},
|
| 255 |
{
|
| 256 |
"epoch": 0.5333333333333333,
|
| 257 |
-
"grad_norm": 11.
|
| 258 |
"learning_rate": 4.477357683661733e-07,
|
| 259 |
-
"loss": 0.
|
| 260 |
-
"step":
|
| 261 |
-
},
|
| 262 |
-
{
|
| 263 |
-
"epoch": 0.55,
|
| 264 |
-
"grad_norm": 8.195870399475098,
|
| 265 |
-
"learning_rate": 4.2178276747988444e-07,
|
| 266 |
-
"loss": 0.6624,
|
| 267 |
-
"step": 330
|
| 268 |
},
|
| 269 |
{
|
| 270 |
"epoch": 0.5666666666666667,
|
| 271 |
-
"grad_norm":
|
| 272 |
"learning_rate": 3.960441545911204e-07,
|
| 273 |
-
"loss": 0.
|
| 274 |
-
"step":
|
| 275 |
-
},
|
| 276 |
-
{
|
| 277 |
-
"epoch": 0.5833333333333334,
|
| 278 |
-
"grad_norm": 9.85155963897705,
|
| 279 |
-
"learning_rate": 3.7059047744873955e-07,
|
| 280 |
-
"loss": 0.6642,
|
| 281 |
-
"step": 350
|
| 282 |
},
|
| 283 |
{
|
| 284 |
"epoch": 0.6,
|
| 285 |
-
"grad_norm":
|
| 286 |
"learning_rate": 3.454915028125263e-07,
|
| 287 |
-
"loss": 0.
|
| 288 |
-
"step":
|
| 289 |
-
},
|
| 290 |
-
{
|
| 291 |
-
"epoch": 0.6166666666666667,
|
| 292 |
-
"grad_norm": 13.11928939819336,
|
| 293 |
-
"learning_rate": 3.2081602522734985e-07,
|
| 294 |
-
"loss": 0.6441,
|
| 295 |
-
"step": 370
|
| 296 |
},
|
| 297 |
{
|
| 298 |
"epoch": 0.6333333333333333,
|
| 299 |
-
"grad_norm":
|
| 300 |
"learning_rate": 2.9663167846209996e-07,
|
| 301 |
-
"loss": 0.
|
| 302 |
-
"step":
|
| 303 |
-
},
|
| 304 |
-
{
|
| 305 |
-
"epoch": 0.65,
|
| 306 |
-
"grad_norm": 10.897772789001465,
|
| 307 |
-
"learning_rate": 2.730047501302266e-07,
|
| 308 |
-
"loss": 0.6696,
|
| 309 |
-
"step": 390
|
| 310 |
},
|
| 311 |
{
|
| 312 |
"epoch": 0.6666666666666666,
|
| 313 |
-
"grad_norm":
|
| 314 |
"learning_rate": 2.500000000000001e-07,
|
| 315 |
-
"loss": 0.
|
| 316 |
-
"step":
|
| 317 |
},
|
| 318 |
{
|
| 319 |
"epoch": 0.6666666666666666,
|
| 320 |
"eval_accuracy": 0.6770833333333334,
|
| 321 |
-
"eval_loss": 0.
|
| 322 |
-
"eval_runtime": 0.
|
| 323 |
-
"eval_samples_per_second":
|
| 324 |
-
"eval_steps_per_second": 9.
|
| 325 |
-
"step":
|
| 326 |
-
},
|
| 327 |
-
{
|
| 328 |
-
"epoch": 0.6833333333333333,
|
| 329 |
-
"grad_norm": 11.094571113586426,
|
| 330 |
-
"learning_rate": 2.2768048249248644e-07,
|
| 331 |
-
"loss": 0.666,
|
| 332 |
-
"step": 410
|
| 333 |
},
|
| 334 |
{
|
| 335 |
"epoch": 0.7,
|
| 336 |
-
"grad_norm":
|
| 337 |
"learning_rate": 2.0610737385376348e-07,
|
| 338 |
-
"loss": 0.
|
| 339 |
-
"step":
|
| 340 |
-
},
|
| 341 |
-
{
|
| 342 |
-
"epoch": 0.7166666666666667,
|
| 343 |
-
"grad_norm": 13.184762954711914,
|
| 344 |
-
"learning_rate": 1.8533980447508135e-07,
|
| 345 |
-
"loss": 0.7017,
|
| 346 |
-
"step": 430
|
| 347 |
},
|
| 348 |
{
|
| 349 |
"epoch": 0.7333333333333333,
|
| 350 |
-
"grad_norm":
|
| 351 |
"learning_rate": 1.6543469682057104e-07,
|
| 352 |
-
"loss": 0.
|
| 353 |
-
"step":
|
| 354 |
-
},
|
| 355 |
-
{
|
| 356 |
-
"epoch": 0.75,
|
| 357 |
-
"grad_norm": 14.100610733032227,
|
| 358 |
-
"learning_rate": 1.4644660940672627e-07,
|
| 359 |
-
"loss": 0.6203,
|
| 360 |
-
"step": 450
|
| 361 |
},
|
| 362 |
{
|
| 363 |
"epoch": 0.7666666666666667,
|
| 364 |
-
"grad_norm":
|
| 365 |
"learning_rate": 1.284275872613028e-07,
|
| 366 |
-
"loss": 0.
|
| 367 |
-
"step":
|
| 368 |
-
},
|
| 369 |
-
{
|
| 370 |
-
"epoch": 0.7833333333333333,
|
| 371 |
-
"grad_norm": 11.631980895996094,
|
| 372 |
-
"learning_rate": 1.1142701927151454e-07,
|
| 373 |
-
"loss": 0.6196,
|
| 374 |
-
"step": 470
|
| 375 |
},
|
| 376 |
{
|
| 377 |
"epoch": 0.8,
|
| 378 |
-
"grad_norm":
|
| 379 |
"learning_rate": 9.549150281252632e-08,
|
| 380 |
-
"loss": 0.
|
| 381 |
-
"step":
|
| 382 |
-
},
|
| 383 |
-
{
|
| 384 |
-
"epoch": 0.8166666666666667,
|
| 385 |
-
"grad_norm": 21.172334671020508,
|
| 386 |
-
"learning_rate": 8.066471602728803e-08,
|
| 387 |
-
"loss": 0.6452,
|
| 388 |
-
"step": 490
|
| 389 |
},
|
| 390 |
{
|
| 391 |
"epoch": 0.8333333333333334,
|
| 392 |
-
"grad_norm":
|
| 393 |
"learning_rate": 6.698729810778064e-08,
|
| 394 |
-
"loss": 0.
|
| 395 |
-
"step":
|
| 396 |
-
},
|
| 397 |
-
{
|
| 398 |
-
"epoch": 0.8333333333333334,
|
| 399 |
-
"eval_accuracy": 0.65625,
|
| 400 |
-
"eval_loss": 0.6507161259651184,
|
| 401 |
-
"eval_runtime": 0.6488,
|
| 402 |
-
"eval_samples_per_second": 147.958,
|
| 403 |
-
"eval_steps_per_second": 9.247,
|
| 404 |
-
"step": 500
|
| 405 |
-
},
|
| 406 |
-
{
|
| 407 |
-
"epoch": 0.85,
|
| 408 |
-
"grad_norm": 17.40620231628418,
|
| 409 |
-
"learning_rate": 5.44967379058161e-08,
|
| 410 |
-
"loss": 0.6668,
|
| 411 |
-
"step": 510
|
| 412 |
},
|
| 413 |
{
|
| 414 |
"epoch": 0.8666666666666667,
|
| 415 |
-
"grad_norm":
|
| 416 |
"learning_rate": 4.322727117869951e-08,
|
| 417 |
-
"loss": 0.
|
| 418 |
-
"step":
|
| 419 |
-
},
|
| 420 |
-
{
|
| 421 |
-
"epoch": 0.8833333333333333,
|
| 422 |
-
"grad_norm": 16.35578727722168,
|
| 423 |
-
"learning_rate": 3.3209786751399184e-08,
|
| 424 |
-
"loss": 0.6311,
|
| 425 |
-
"step": 530
|
| 426 |
},
|
| 427 |
{
|
| 428 |
"epoch": 0.9,
|
| 429 |
-
"grad_norm":
|
| 430 |
"learning_rate": 2.4471741852423233e-08,
|
| 431 |
-
"loss": 0.
|
| 432 |
-
"step":
|
| 433 |
-
},
|
| 434 |
-
{
|
| 435 |
-
"epoch": 0.9166666666666666,
|
| 436 |
-
"grad_norm": 13.054784774780273,
|
| 437 |
-
"learning_rate": 1.7037086855465898e-08,
|
| 438 |
-
"loss": 0.6684,
|
| 439 |
-
"step": 550
|
| 440 |
},
|
| 441 |
{
|
| 442 |
"epoch": 0.9333333333333333,
|
| 443 |
-
"grad_norm":
|
| 444 |
"learning_rate": 1.0926199633097154e-08,
|
| 445 |
-
"loss": 0.
|
| 446 |
-
"step":
|
| 447 |
-
},
|
| 448 |
-
{
|
| 449 |
-
"epoch": 0.95,
|
| 450 |
-
"grad_norm": 16.06201934814453,
|
| 451 |
-
"learning_rate": 6.15582970243117e-09,
|
| 452 |
-
"loss": 0.6677,
|
| 453 |
-
"step": 570
|
| 454 |
},
|
| 455 |
{
|
| 456 |
"epoch": 0.9666666666666667,
|
| 457 |
-
"grad_norm":
|
| 458 |
"learning_rate": 2.739052315863355e-09,
|
| 459 |
-
"loss": 0.
|
| 460 |
-
"step":
|
| 461 |
-
},
|
| 462 |
-
{
|
| 463 |
-
"epoch": 0.9833333333333333,
|
| 464 |
-
"grad_norm": 15.314577102661133,
|
| 465 |
-
"learning_rate": 6.852326227130833e-10,
|
| 466 |
-
"loss": 0.6409,
|
| 467 |
-
"step": 590
|
| 468 |
},
|
| 469 |
{
|
| 470 |
"epoch": 1.0,
|
| 471 |
-
"grad_norm":
|
| 472 |
"learning_rate": 0.0,
|
| 473 |
-
"loss": 0.
|
| 474 |
-
"step":
|
| 475 |
-
},
|
| 476 |
-
{
|
| 477 |
-
"epoch": 1.0,
|
| 478 |
-
"eval_accuracy": 0.6145833333333334,
|
| 479 |
-
"eval_loss": 0.6525471806526184,
|
| 480 |
-
"eval_runtime": 0.6796,
|
| 481 |
-
"eval_samples_per_second": 141.25,
|
| 482 |
-
"eval_steps_per_second": 8.828,
|
| 483 |
-
"step": 600
|
| 484 |
},
|
| 485 |
{
|
| 486 |
"epoch": 1.0,
|
| 487 |
-
"step":
|
| 488 |
"total_flos": 0.0,
|
| 489 |
-
"train_loss": 0.
|
| 490 |
-
"train_runtime":
|
| 491 |
-
"train_samples_per_second":
|
| 492 |
-
"train_steps_per_second": 0.
|
| 493 |
}
|
| 494 |
],
|
| 495 |
-
"logging_steps":
|
| 496 |
-
"max_steps":
|
| 497 |
"num_input_tokens_seen": 0,
|
| 498 |
"num_train_epochs": 1,
|
| 499 |
"save_steps": 500,
|
|
|
|
| 3 |
"best_model_checkpoint": null,
|
| 4 |
"epoch": 1.0,
|
| 5 |
"eval_steps": 100,
|
| 6 |
+
"global_step": 150,
|
| 7 |
"is_hyper_param_search": false,
|
| 8 |
"is_local_process_zero": true,
|
| 9 |
"is_world_process_zero": true,
|
| 10 |
"log_history": [
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 11 |
{
|
| 12 |
"epoch": 0.03333333333333333,
|
| 13 |
+
"grad_norm": 18.165170669555664,
|
| 14 |
"learning_rate": 9.972609476841365e-07,
|
| 15 |
+
"loss": 0.7056,
|
| 16 |
+
"step": 5
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 17 |
},
|
| 18 |
{
|
| 19 |
"epoch": 0.06666666666666667,
|
| 20 |
+
"grad_norm": 17.16242218017578,
|
| 21 |
"learning_rate": 9.890738003669027e-07,
|
| 22 |
+
"loss": 0.6646,
|
| 23 |
+
"step": 10
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 24 |
},
|
| 25 |
{
|
| 26 |
"epoch": 0.1,
|
| 27 |
+
"grad_norm": 21.325637817382812,
|
| 28 |
"learning_rate": 9.755282581475767e-07,
|
| 29 |
+
"loss": 0.6945,
|
| 30 |
+
"step": 15
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 31 |
},
|
| 32 |
{
|
| 33 |
"epoch": 0.13333333333333333,
|
| 34 |
+
"grad_norm": 14.320093154907227,
|
| 35 |
"learning_rate": 9.567727288213004e-07,
|
| 36 |
+
"loss": 0.6743,
|
| 37 |
+
"step": 20
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 38 |
},
|
| 39 |
{
|
| 40 |
"epoch": 0.16666666666666666,
|
| 41 |
+
"grad_norm": 10.650166511535645,
|
| 42 |
"learning_rate": 9.330127018922193e-07,
|
| 43 |
+
"loss": 0.676,
|
| 44 |
+
"step": 25
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 45 |
},
|
| 46 |
{
|
| 47 |
"epoch": 0.2,
|
| 48 |
+
"grad_norm": 13.821106910705566,
|
| 49 |
"learning_rate": 9.045084971874737e-07,
|
| 50 |
+
"loss": 0.6838,
|
| 51 |
+
"step": 30
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 52 |
},
|
| 53 |
{
|
| 54 |
"epoch": 0.23333333333333334,
|
| 55 |
+
"grad_norm": 9.151570320129395,
|
| 56 |
"learning_rate": 8.71572412738697e-07,
|
| 57 |
+
"loss": 0.6718,
|
| 58 |
+
"step": 35
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 59 |
},
|
| 60 |
{
|
| 61 |
"epoch": 0.26666666666666666,
|
| 62 |
+
"grad_norm": 7.747379302978516,
|
| 63 |
"learning_rate": 8.34565303179429e-07,
|
| 64 |
+
"loss": 0.687,
|
| 65 |
+
"step": 40
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 66 |
},
|
| 67 |
{
|
| 68 |
"epoch": 0.3,
|
| 69 |
+
"grad_norm": 9.819681167602539,
|
| 70 |
"learning_rate": 7.938926261462365e-07,
|
| 71 |
+
"loss": 0.6653,
|
| 72 |
+
"step": 45
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 73 |
},
|
| 74 |
{
|
| 75 |
"epoch": 0.3333333333333333,
|
| 76 |
+
"grad_norm": 8.698646545410156,
|
| 77 |
"learning_rate": 7.5e-07,
|
| 78 |
+
"loss": 0.6708,
|
| 79 |
+
"step": 50
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 80 |
},
|
| 81 |
{
|
| 82 |
"epoch": 0.36666666666666664,
|
| 83 |
+
"grad_norm": 8.188970565795898,
|
| 84 |
"learning_rate": 7.033683215379002e-07,
|
| 85 |
+
"loss": 0.688,
|
| 86 |
+
"step": 55
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 87 |
},
|
| 88 |
{
|
| 89 |
"epoch": 0.4,
|
| 90 |
+
"grad_norm": 7.681589603424072,
|
| 91 |
"learning_rate": 6.545084971874736e-07,
|
| 92 |
+
"loss": 0.6833,
|
| 93 |
+
"step": 60
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 94 |
},
|
| 95 |
{
|
| 96 |
"epoch": 0.43333333333333335,
|
| 97 |
+
"grad_norm": 7.524262428283691,
|
| 98 |
"learning_rate": 6.039558454088795e-07,
|
| 99 |
+
"loss": 0.6585,
|
| 100 |
+
"step": 65
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 101 |
},
|
| 102 |
{
|
| 103 |
"epoch": 0.4666666666666667,
|
| 104 |
+
"grad_norm": 9.614619255065918,
|
| 105 |
"learning_rate": 5.522642316338268e-07,
|
| 106 |
+
"loss": 0.6364,
|
| 107 |
+
"step": 70
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 108 |
},
|
| 109 |
{
|
| 110 |
"epoch": 0.5,
|
| 111 |
+
"grad_norm": 12.577666282653809,
|
| 112 |
"learning_rate": 5e-07,
|
| 113 |
+
"loss": 0.6842,
|
| 114 |
+
"step": 75
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 115 |
},
|
| 116 |
{
|
| 117 |
"epoch": 0.5333333333333333,
|
| 118 |
+
"grad_norm": 11.13433837890625,
|
| 119 |
"learning_rate": 4.477357683661733e-07,
|
| 120 |
+
"loss": 0.6968,
|
| 121 |
+
"step": 80
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 122 |
},
|
| 123 |
{
|
| 124 |
"epoch": 0.5666666666666667,
|
| 125 |
+
"grad_norm": 9.573627471923828,
|
| 126 |
"learning_rate": 3.960441545911204e-07,
|
| 127 |
+
"loss": 0.6679,
|
| 128 |
+
"step": 85
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 129 |
},
|
| 130 |
{
|
| 131 |
"epoch": 0.6,
|
| 132 |
+
"grad_norm": 6.869621753692627,
|
| 133 |
"learning_rate": 3.454915028125263e-07,
|
| 134 |
+
"loss": 0.672,
|
| 135 |
+
"step": 90
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 136 |
},
|
| 137 |
{
|
| 138 |
"epoch": 0.6333333333333333,
|
| 139 |
+
"grad_norm": 6.626986026763916,
|
| 140 |
"learning_rate": 2.9663167846209996e-07,
|
| 141 |
+
"loss": 0.6644,
|
| 142 |
+
"step": 95
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 143 |
},
|
| 144 |
{
|
| 145 |
"epoch": 0.6666666666666666,
|
| 146 |
+
"grad_norm": 7.816995143890381,
|
| 147 |
"learning_rate": 2.500000000000001e-07,
|
| 148 |
+
"loss": 0.6716,
|
| 149 |
+
"step": 100
|
| 150 |
},
|
| 151 |
{
|
| 152 |
"epoch": 0.6666666666666666,
|
| 153 |
"eval_accuracy": 0.6770833333333334,
|
| 154 |
+
"eval_loss": 0.6615803837776184,
|
| 155 |
+
"eval_runtime": 0.6663,
|
| 156 |
+
"eval_samples_per_second": 144.07,
|
| 157 |
+
"eval_steps_per_second": 9.004,
|
| 158 |
+
"step": 100
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 159 |
},
|
| 160 |
{
|
| 161 |
"epoch": 0.7,
|
| 162 |
+
"grad_norm": 7.169824123382568,
|
| 163 |
"learning_rate": 2.0610737385376348e-07,
|
| 164 |
+
"loss": 0.6527,
|
| 165 |
+
"step": 105
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 166 |
},
|
| 167 |
{
|
| 168 |
"epoch": 0.7333333333333333,
|
| 169 |
+
"grad_norm": 7.605311393737793,
|
| 170 |
"learning_rate": 1.6543469682057104e-07,
|
| 171 |
+
"loss": 0.661,
|
| 172 |
+
"step": 110
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 173 |
},
|
| 174 |
{
|
| 175 |
"epoch": 0.7666666666666667,
|
| 176 |
+
"grad_norm": 8.795389175415039,
|
| 177 |
"learning_rate": 1.284275872613028e-07,
|
| 178 |
+
"loss": 0.644,
|
| 179 |
+
"step": 115
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 180 |
},
|
| 181 |
{
|
| 182 |
"epoch": 0.8,
|
| 183 |
+
"grad_norm": 9.404634475708008,
|
| 184 |
"learning_rate": 9.549150281252632e-08,
|
| 185 |
+
"loss": 0.6536,
|
| 186 |
+
"step": 120
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 187 |
},
|
| 188 |
{
|
| 189 |
"epoch": 0.8333333333333334,
|
| 190 |
+
"grad_norm": 9.008624076843262,
|
| 191 |
"learning_rate": 6.698729810778064e-08,
|
| 192 |
+
"loss": 0.6744,
|
| 193 |
+
"step": 125
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 194 |
},
|
| 195 |
{
|
| 196 |
"epoch": 0.8666666666666667,
|
| 197 |
+
"grad_norm": 8.526646614074707,
|
| 198 |
"learning_rate": 4.322727117869951e-08,
|
| 199 |
+
"loss": 0.6722,
|
| 200 |
+
"step": 130
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 201 |
},
|
| 202 |
{
|
| 203 |
"epoch": 0.9,
|
| 204 |
+
"grad_norm": 8.827940940856934,
|
| 205 |
"learning_rate": 2.4471741852423233e-08,
|
| 206 |
+
"loss": 0.6599,
|
| 207 |
+
"step": 135
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 208 |
},
|
| 209 |
{
|
| 210 |
"epoch": 0.9333333333333333,
|
| 211 |
+
"grad_norm": 7.812473297119141,
|
| 212 |
"learning_rate": 1.0926199633097154e-08,
|
| 213 |
+
"loss": 0.645,
|
| 214 |
+
"step": 140
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 215 |
},
|
| 216 |
{
|
| 217 |
"epoch": 0.9666666666666667,
|
| 218 |
+
"grad_norm": 10.083480834960938,
|
| 219 |
"learning_rate": 2.739052315863355e-09,
|
| 220 |
+
"loss": 0.6633,
|
| 221 |
+
"step": 145
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 222 |
},
|
| 223 |
{
|
| 224 |
"epoch": 1.0,
|
| 225 |
+
"grad_norm": 9.186869621276855,
|
| 226 |
"learning_rate": 0.0,
|
| 227 |
+
"loss": 0.6466,
|
| 228 |
+
"step": 150
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 229 |
},
|
| 230 |
{
|
| 231 |
"epoch": 1.0,
|
| 232 |
+
"step": 150,
|
| 233 |
"total_flos": 0.0,
|
| 234 |
+
"train_loss": 0.6696457926432292,
|
| 235 |
+
"train_runtime": 575.0153,
|
| 236 |
+
"train_samples_per_second": 16.687,
|
| 237 |
+
"train_steps_per_second": 0.261
|
| 238 |
}
|
| 239 |
],
|
| 240 |
+
"logging_steps": 5,
|
| 241 |
+
"max_steps": 150,
|
| 242 |
"num_input_tokens_seen": 0,
|
| 243 |
"num_train_epochs": 1,
|
| 244 |
"save_steps": 500,
|