FastPlus Backup checkpoint-200 at global step 200
Browse files
checkpoint-200/config.json
ADDED
|
@@ -0,0 +1,19 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"architectures": [
|
| 3 |
+
"FastPlusForCausalLM"
|
| 4 |
+
],
|
| 5 |
+
"dtype": "float32",
|
| 6 |
+
"hidden_size": 768,
|
| 7 |
+
"initializer_range": 0.02,
|
| 8 |
+
"intermediate_size": 2304,
|
| 9 |
+
"kd_alpha": 0.4,
|
| 10 |
+
"kd_temperature": 2.5,
|
| 11 |
+
"max_position_embeddings": 512,
|
| 12 |
+
"model_type": "fastplus",
|
| 13 |
+
"num_attention_heads": 12,
|
| 14 |
+
"num_hidden_layers": 12,
|
| 15 |
+
"tie_word_embeddings": true,
|
| 16 |
+
"transformers_version": "5.12.0",
|
| 17 |
+
"use_cache": false,
|
| 18 |
+
"vocab_size": 31968
|
| 19 |
+
}
|
checkpoint-200/generation_config.json
ADDED
|
@@ -0,0 +1,6 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"_from_model_config": true,
|
| 3 |
+
"output_attentions": false,
|
| 4 |
+
"output_hidden_states": false,
|
| 5 |
+
"transformers_version": "5.12.0"
|
| 6 |
+
}
|
checkpoint-200/trainer_state.json
ADDED
|
@@ -0,0 +1,194 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"best_global_step": null,
|
| 3 |
+
"best_metric": null,
|
| 4 |
+
"best_model_checkpoint": null,
|
| 5 |
+
"epoch": 0.006666666666666667,
|
| 6 |
+
"eval_steps": 500,
|
| 7 |
+
"global_step": 200,
|
| 8 |
+
"is_hyper_param_search": false,
|
| 9 |
+
"is_local_process_zero": true,
|
| 10 |
+
"is_world_process_zero": true,
|
| 11 |
+
"log_history": [
|
| 12 |
+
{
|
| 13 |
+
"epoch": 0.0003333333333333333,
|
| 14 |
+
"grad_norm": 241.8640899658203,
|
| 15 |
+
"learning_rate": 1.9833333333333332e-05,
|
| 16 |
+
"loss": 166.44757080078125,
|
| 17 |
+
"original_ce_loss": 10.4023,
|
| 18 |
+
"step": 10
|
| 19 |
+
},
|
| 20 |
+
{
|
| 21 |
+
"epoch": 0.0006666666666666666,
|
| 22 |
+
"grad_norm": 241.40933227539062,
|
| 23 |
+
"learning_rate": 4.816666666666666e-05,
|
| 24 |
+
"loss": 165.6399658203125,
|
| 25 |
+
"original_ce_loss": 10.3518,
|
| 26 |
+
"step": 20
|
| 27 |
+
},
|
| 28 |
+
{
|
| 29 |
+
"epoch": 0.001,
|
| 30 |
+
"grad_norm": 306.47314453125,
|
| 31 |
+
"learning_rate": 7.649999999999999e-05,
|
| 32 |
+
"loss": 162.65213623046876,
|
| 33 |
+
"original_ce_loss": 10.1651,
|
| 34 |
+
"step": 30
|
| 35 |
+
},
|
| 36 |
+
{
|
| 37 |
+
"epoch": 0.0013333333333333333,
|
| 38 |
+
"grad_norm": 81.36453247070312,
|
| 39 |
+
"learning_rate": 0.00010483333333333332,
|
| 40 |
+
"loss": 150.17281494140624,
|
| 41 |
+
"original_ce_loss": 9.3851,
|
| 42 |
+
"step": 40
|
| 43 |
+
},
|
| 44 |
+
{
|
| 45 |
+
"epoch": 0.0016666666666666668,
|
| 46 |
+
"grad_norm": 44.72517013549805,
|
| 47 |
+
"learning_rate": 0.00013033333333333332,
|
| 48 |
+
"loss": 139.44334716796874,
|
| 49 |
+
"original_ce_loss": 8.7145,
|
| 50 |
+
"step": 50
|
| 51 |
+
},
|
| 52 |
+
{
|
| 53 |
+
"epoch": 0.002,
|
| 54 |
+
"grad_norm": 46.115478515625,
|
| 55 |
+
"learning_rate": 0.00015866666666666666,
|
| 56 |
+
"loss": 129.90279541015624,
|
| 57 |
+
"original_ce_loss": 8.1182,
|
| 58 |
+
"step": 60
|
| 59 |
+
},
|
| 60 |
+
{
|
| 61 |
+
"epoch": 0.0023333333333333335,
|
| 62 |
+
"grad_norm": 27.77338218688965,
|
| 63 |
+
"learning_rate": 0.000187,
|
| 64 |
+
"loss": 118.2442626953125,
|
| 65 |
+
"original_ce_loss": 7.3896,
|
| 66 |
+
"step": 70
|
| 67 |
+
},
|
| 68 |
+
{
|
| 69 |
+
"epoch": 0.0026666666666666666,
|
| 70 |
+
"grad_norm": 23.05470848083496,
|
| 71 |
+
"learning_rate": 0.00021533333333333333,
|
| 72 |
+
"loss": 113.9457275390625,
|
| 73 |
+
"original_ce_loss": 7.1209,
|
| 74 |
+
"step": 80
|
| 75 |
+
},
|
| 76 |
+
{
|
| 77 |
+
"epoch": 0.003,
|
| 78 |
+
"grad_norm": 32.12575149536133,
|
| 79 |
+
"learning_rate": 0.00024366666666666666,
|
| 80 |
+
"loss": 112.74874267578124,
|
| 81 |
+
"original_ce_loss": 7.0461,
|
| 82 |
+
"step": 90
|
| 83 |
+
},
|
| 84 |
+
{
|
| 85 |
+
"epoch": 0.0033333333333333335,
|
| 86 |
+
"grad_norm": NaN,
|
| 87 |
+
"learning_rate": 0.000272,
|
| 88 |
+
"loss": 109.5636962890625,
|
| 89 |
+
"original_ce_loss": 6.8471,
|
| 90 |
+
"step": 100
|
| 91 |
+
},
|
| 92 |
+
{
|
| 93 |
+
"epoch": 0.0036666666666666666,
|
| 94 |
+
"grad_norm": 17.04542350769043,
|
| 95 |
+
"learning_rate": 0.0002918333333333333,
|
| 96 |
+
"loss": 107.819873046875,
|
| 97 |
+
"original_ce_loss": 6.7381,
|
| 98 |
+
"step": 110
|
| 99 |
+
},
|
| 100 |
+
{
|
| 101 |
+
"epoch": 0.004,
|
| 102 |
+
"grad_norm": 15.059863090515137,
|
| 103 |
+
"learning_rate": 0.0003201666666666666,
|
| 104 |
+
"loss": 105.247900390625,
|
| 105 |
+
"original_ce_loss": 6.5773,
|
| 106 |
+
"step": 120
|
| 107 |
+
},
|
| 108 |
+
{
|
| 109 |
+
"epoch": 0.004333333333333333,
|
| 110 |
+
"grad_norm": 12.937431335449219,
|
| 111 |
+
"learning_rate": 0.00034849999999999996,
|
| 112 |
+
"loss": 103.82598876953125,
|
| 113 |
+
"original_ce_loss": 6.4885,
|
| 114 |
+
"step": 130
|
| 115 |
+
},
|
| 116 |
+
{
|
| 117 |
+
"epoch": 0.004666666666666667,
|
| 118 |
+
"grad_norm": 61.41356658935547,
|
| 119 |
+
"learning_rate": 0.00037683333333333335,
|
| 120 |
+
"loss": 102.33365478515626,
|
| 121 |
+
"original_ce_loss": 6.3952,
|
| 122 |
+
"step": 140
|
| 123 |
+
},
|
| 124 |
+
{
|
| 125 |
+
"epoch": 0.005,
|
| 126 |
+
"grad_norm": 39.60429763793945,
|
| 127 |
+
"learning_rate": 0.0004051666666666667,
|
| 128 |
+
"loss": 101.54520263671876,
|
| 129 |
+
"original_ce_loss": 6.3459,
|
| 130 |
+
"step": 150
|
| 131 |
+
},
|
| 132 |
+
{
|
| 133 |
+
"epoch": 0.005333333333333333,
|
| 134 |
+
"grad_norm": 55.5648193359375,
|
| 135 |
+
"learning_rate": 0.0004249999894078891,
|
| 136 |
+
"loss": 99.88837890625,
|
| 137 |
+
"original_ce_loss": 6.2424,
|
| 138 |
+
"step": 160
|
| 139 |
+
},
|
| 140 |
+
{
|
| 141 |
+
"epoch": 0.005666666666666667,
|
| 142 |
+
"grad_norm": 28.269145965576172,
|
| 143 |
+
"learning_rate": 0.00042499980110372477,
|
| 144 |
+
"loss": 99.21713256835938,
|
| 145 |
+
"original_ce_loss": 6.2004,
|
| 146 |
+
"step": 170
|
| 147 |
+
},
|
| 148 |
+
{
|
| 149 |
+
"epoch": 0.006,
|
| 150 |
+
"grad_norm": 14.359124183654785,
|
| 151 |
+
"learning_rate": 0.0004249993774195584,
|
| 152 |
+
"loss": 97.46744384765626,
|
| 153 |
+
"original_ce_loss": 6.0911,
|
| 154 |
+
"step": 180
|
| 155 |
+
},
|
| 156 |
+
{
|
| 157 |
+
"epoch": 0.006333333333333333,
|
| 158 |
+
"grad_norm": 17.559139251708984,
|
| 159 |
+
"learning_rate": 0.00042499871835585933,
|
| 160 |
+
"loss": 95.64049072265625,
|
| 161 |
+
"original_ce_loss": 5.9769,
|
| 162 |
+
"step": 190
|
| 163 |
+
},
|
| 164 |
+
{
|
| 165 |
+
"epoch": 0.006666666666666667,
|
| 166 |
+
"grad_norm": 11.524701118469238,
|
| 167 |
+
"learning_rate": 0.00042499782391335755,
|
| 168 |
+
"loss": 93.06675415039062,
|
| 169 |
+
"original_ce_loss": 5.816,
|
| 170 |
+
"step": 200
|
| 171 |
+
}
|
| 172 |
+
],
|
| 173 |
+
"logging_steps": 10,
|
| 174 |
+
"max_steps": 30000,
|
| 175 |
+
"num_input_tokens_seen": 0,
|
| 176 |
+
"num_train_epochs": 9223372036854775807,
|
| 177 |
+
"save_steps": 200,
|
| 178 |
+
"stateful_callbacks": {
|
| 179 |
+
"TrainerControl": {
|
| 180 |
+
"args": {
|
| 181 |
+
"should_epoch_stop": false,
|
| 182 |
+
"should_evaluate": false,
|
| 183 |
+
"should_log": false,
|
| 184 |
+
"should_save": true,
|
| 185 |
+
"should_training_stop": false
|
| 186 |
+
},
|
| 187 |
+
"attributes": {}
|
| 188 |
+
}
|
| 189 |
+
},
|
| 190 |
+
"total_flos": 1.47372918177792e+16,
|
| 191 |
+
"train_batch_size": 16,
|
| 192 |
+
"trial_name": null,
|
| 193 |
+
"trial_params": null
|
| 194 |
+
}
|