DistributedTraining / config.json
ShinyUser's picture
Run 11. Outer Step 76. Inner Step 45.
bbebc3a verified
raw
history blame
7.4 kB
{
"_name_or_path": "dstrbtd/llama-1b",
"all_reduce_scores": {
"0": "NOT_ALIVE",
"1": "NOT_ALIVE",
"10": "NOT_ALIVE",
"100": "NOT_ALIVE",
"101": "NOT_ALIVE",
"102": "SUCCESS",
"103": "NOT_ALIVE",
"104": "SUCCESS",
"105": "SUCCESS",
"106": "SUCCESS",
"107": "NOT_ALIVE",
"108": "NOT_ALIVE",
"109": "SUCCESS",
"11": "NOT_ALIVE",
"110": "NOT_ALIVE",
"111": "NON_PARTICIPATING",
"112": "NOT_ALIVE",
"113": "NOT_ALIVE",
"114": "NOT_ALIVE",
"115": "SUCCESS",
"116": "NOT_ALIVE",
"117": "NON_PARTICIPATING",
"118": "SUCCESS",
"119": "NOT_ALIVE",
"12": "NOT_ALIVE",
"120": "NON_PARTICIPATING",
"121": "NOT_ALIVE",
"122": "NOT_ALIVE",
"123": "NON_PARTICIPATING",
"124": "SUCCESS",
"125": "SUCCESS",
"126": "NON_PARTICIPATING",
"127": "NOT_ALIVE",
"128": "NOT_ALIVE",
"129": "NOT_ALIVE",
"13": "SUCCESS",
"130": "SUCCESS",
"131": "NOT_ALIVE",
"132": "NOT_ALIVE",
"133": "NON_PARTICIPATING",
"134": "SUCCESS",
"135": "NOT_ALIVE",
"136": "NOT_ALIVE",
"137": "SUCCESS",
"138": "NOT_ALIVE",
"139": "SUCCESS",
"14": "NON_PARTICIPATING",
"140": "NOT_ALIVE",
"141": "NOT_ALIVE",
"142": "SUCCESS",
"143": "SUCCESS",
"144": "NOT_ALIVE",
"145": "NON_PARTICIPATING",
"146": "NOT_ALIVE",
"147": "NOT_ALIVE",
"148": "NOT_ALIVE",
"149": "SUCCESS",
"15": "NOT_ALIVE",
"150": "NON_PARTICIPATING",
"151": "NOT_ALIVE",
"152": "NOT_ALIVE",
"153": "SUCCESS",
"154": "NOT_ALIVE",
"155": "NOT_ALIVE",
"156": "NOT_ALIVE",
"157": "NON_PARTICIPATING",
"158": "NOT_ALIVE",
"159": "SUCCESS",
"16": "NOT_ALIVE",
"160": "NOT_ALIVE",
"161": "NON_PARTICIPATING",
"162": "NON_PARTICIPATING",
"163": "NON_PARTICIPATING",
"164": "NOT_ALIVE",
"165": "SUCCESS",
"166": "NON_PARTICIPATING",
"167": "NOT_ALIVE",
"168": "SUCCESS",
"169": "SUCCESS",
"17": "NOT_ALIVE",
"170": "NON_PARTICIPATING",
"171": "NOT_ALIVE",
"172": "NOT_ALIVE",
"173": "NON_PARTICIPATING",
"174": "SUCCESS",
"175": "SUCCESS",
"176": "NOT_ALIVE",
"177": "NON_PARTICIPATING",
"178": "NOT_ALIVE",
"179": "NOT_ALIVE",
"18": "NON_PARTICIPATING",
"180": "NON_PARTICIPATING",
"181": "NOT_ALIVE",
"182": "NOT_ALIVE",
"183": "NON_PARTICIPATING",
"184": "SUCCESS",
"185": "NOT_ALIVE",
"186": "NON_PARTICIPATING",
"187": "NOT_ALIVE",
"188": "NON_PARTICIPATING",
"189": "NON_PARTICIPATING",
"19": "SUCCESS",
"190": "SUCCESS",
"191": "NOT_ALIVE",
"192": "NOT_ALIVE",
"193": "NOT_ALIVE",
"194": "NON_PARTICIPATING",
"195": "NON_PARTICIPATING",
"196": "NON_PARTICIPATING",
"197": "SUCCESS",
"198": "NON_PARTICIPATING",
"199": "NON_PARTICIPATING",
"2": "NOT_ALIVE",
"20": "NON_PARTICIPATING",
"200": "NON_PARTICIPATING",
"201": "NON_PARTICIPATING",
"202": "NOT_ALIVE",
"203": "NOT_ALIVE",
"204": "NOT_ALIVE",
"205": "SUCCESS",
"206": "NOT_ALIVE",
"207": "NOT_ALIVE",
"208": "NOT_ALIVE",
"209": "NOT_ALIVE",
"21": "NOT_ALIVE",
"210": "NON_PARTICIPATING",
"211": "NOT_ALIVE",
"212": "NOT_ALIVE",
"213": "NON_PARTICIPATING",
"214": "NON_PARTICIPATING",
"215": "NOT_ALIVE",
"216": "NON_PARTICIPATING",
"217": "NOT_ALIVE",
"218": "NOT_ALIVE",
"219": "NON_PARTICIPATING",
"22": "NOT_ALIVE",
"220": "NON_PARTICIPATING",
"221": "NON_PARTICIPATING",
"222": "NOT_ALIVE",
"223": "SUCCESS",
"224": "NOT_ALIVE",
"225": "SUCCESS",
"226": "SUCCESS",
"227": "NOT_ALIVE",
"228": "NOT_ALIVE",
"229": "NON_PARTICIPATING",
"23": "NOT_ALIVE",
"230": "NOT_ALIVE",
"231": "NOT_ALIVE",
"232": "NON_PARTICIPATING",
"233": "NOT_ALIVE",
"234": "SUCCESS",
"235": "NON_PARTICIPATING",
"236": "NON_PARTICIPATING",
"237": "SUCCESS",
"238": "SUCCESS",
"239": "NOT_ALIVE",
"24": "SUCCESS",
"240": "NOT_ALIVE",
"241": "NON_PARTICIPATING",
"242": "NOT_ALIVE",
"243": "NOT_ALIVE",
"244": "NON_PARTICIPATING",
"245": "NON_PARTICIPATING",
"246": "NON_PARTICIPATING",
"247": "NON_PARTICIPATING",
"248": "NON_PARTICIPATING",
"249": "NOT_ALIVE",
"25": "SUCCESS",
"250": "NON_PARTICIPATING",
"251": "NON_PARTICIPATING",
"252": "NOT_ALIVE",
"253": "NON_PARTICIPATING",
"254": "NOT_ALIVE",
"255": "NOT_ALIVE",
"26": "NON_PARTICIPATING",
"27": "NOT_ALIVE",
"28": "NOT_ALIVE",
"29": "NOT_ALIVE",
"3": "NOT_ALIVE",
"30": "NON_PARTICIPATING",
"31": "SUCCESS",
"32": "NOT_ALIVE",
"33": "NOT_ALIVE",
"34": "NON_PARTICIPATING",
"35": "NON_PARTICIPATING",
"36": "NON_PARTICIPATING",
"37": "NOT_ALIVE",
"38": "NON_PARTICIPATING",
"39": "SUCCESS",
"4": "NOT_ALIVE",
"40": "NOT_ALIVE",
"41": "NON_PARTICIPATING",
"42": "NOT_ALIVE",
"43": "NON_PARTICIPATING",
"44": "NON_PARTICIPATING",
"45": "NOT_ALIVE",
"46": "SUCCESS",
"47": "NOT_ALIVE",
"48": "SUCCESS",
"49": "NOT_ALIVE",
"5": "NOT_ALIVE",
"50": "NOT_ALIVE",
"51": "NON_PARTICIPATING",
"52": "SUCCESS",
"53": "NON_PARTICIPATING",
"54": "NON_PARTICIPATING",
"55": "NOT_ALIVE",
"56": "NOT_ALIVE",
"57": "SUCCESS",
"58": "NON_PARTICIPATING",
"59": "NON_PARTICIPATING",
"6": "NOT_ALIVE",
"60": "NON_PARTICIPATING",
"61": "NOT_ALIVE",
"62": "NON_PARTICIPATING",
"63": "NON_PARTICIPATING",
"64": "SUCCESS",
"65": "NOT_ALIVE",
"66": "NOT_ALIVE",
"67": "NOT_ALIVE",
"68": "NOT_ALIVE",
"69": "SUCCESS",
"7": "NOT_ALIVE",
"70": "NOT_ALIVE",
"71": "NOT_ALIVE",
"72": "NOT_ALIVE",
"73": "SUCCESS",
"74": "NOT_ALIVE",
"75": "NON_PARTICIPATING",
"76": "SUCCESS",
"77": "NON_PARTICIPATING",
"78": "NOT_ALIVE",
"79": "NON_PARTICIPATING",
"8": "SUCCESS",
"80": "NON_PARTICIPATING",
"81": "NOT_ALIVE",
"82": "NOT_ALIVE",
"83": "SUCCESS",
"84": "NON_PARTICIPATING",
"85": "NON_PARTICIPATING",
"86": "NON_PARTICIPATING",
"87": "SUCCESS",
"88": "NON_PARTICIPATING",
"89": "NOT_ALIVE",
"9": "NOT_ALIVE",
"90": "NON_PARTICIPATING",
"91": "NOT_ALIVE",
"92": "NON_PARTICIPATING",
"93": "SUCCESS",
"94": "NON_PARTICIPATING",
"95": "NOT_ALIVE",
"96": "NON_PARTICIPATING",
"97": "NOT_ALIVE",
"98": "SUCCESS",
"99": "SUCCESS"
},
"architectures": [
"LlamaForCausalLM"
],
"attention_bias": false,
"attention_dropout": 0.0,
"block_list": [
6583011,
6583046
],
"bos_token_id": 1,
"eos_token_id": 2,
"hidden_act": "silu",
"hidden_size": 2048,
"initializer_range": 0.02,
"inner_step": 45,
"intermediate_size": 5632,
"last_allreduce_block": 6582700,
"max_position_embeddings": 2048,
"mlp_bias": false,
"model_type": "llama",
"num_attention_heads": 32,
"num_hidden_layers": 22,
"num_key_value_heads": 4,
"pretraining_tp": 1,
"rms_norm_eps": 1e-05,
"rope_scaling": null,
"rope_theta": 10000.0,
"tie_word_embeddings": false,
"torch_dtype": "float32",
"transformers_version": "4.39.3",
"use_cache": false,
"vocab_size": 32000
}