Model save
Browse files
README.md
ADDED
|
@@ -0,0 +1,78 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
license: gemma
|
| 3 |
+
library_name: peft
|
| 4 |
+
tags:
|
| 5 |
+
- trl
|
| 6 |
+
- sft
|
| 7 |
+
- generated_from_trainer
|
| 8 |
+
base_model: google/gemma-7b
|
| 9 |
+
datasets:
|
| 10 |
+
- generator
|
| 11 |
+
model-index:
|
| 12 |
+
- name: mental_health_counseling_v0.1
|
| 13 |
+
results: []
|
| 14 |
+
---
|
| 15 |
+
|
| 16 |
+
<!-- This model card has been generated automatically according to the information the Trainer had access to. You
|
| 17 |
+
should probably proofread and complete it, then remove this comment. -->
|
| 18 |
+
|
| 19 |
+
# mental_health_counseling_v0.1
|
| 20 |
+
|
| 21 |
+
This model is a fine-tuned version of [google/gemma-7b](https://huggingface.co/google/gemma-7b) on the generator dataset.
|
| 22 |
+
It achieves the following results on the evaluation set:
|
| 23 |
+
- Loss: 2.0755
|
| 24 |
+
|
| 25 |
+
## Model description
|
| 26 |
+
|
| 27 |
+
More information needed
|
| 28 |
+
|
| 29 |
+
## Intended uses & limitations
|
| 30 |
+
|
| 31 |
+
More information needed
|
| 32 |
+
|
| 33 |
+
## Training and evaluation data
|
| 34 |
+
|
| 35 |
+
More information needed
|
| 36 |
+
|
| 37 |
+
## Training procedure
|
| 38 |
+
|
| 39 |
+
### Training hyperparameters
|
| 40 |
+
|
| 41 |
+
The following hyperparameters were used during training:
|
| 42 |
+
- learning_rate: 0.0002
|
| 43 |
+
- train_batch_size: 2
|
| 44 |
+
- eval_batch_size: 2
|
| 45 |
+
- seed: 42
|
| 46 |
+
- distributed_type: multi-GPU
|
| 47 |
+
- num_devices: 2
|
| 48 |
+
- gradient_accumulation_steps: 2
|
| 49 |
+
- total_train_batch_size: 8
|
| 50 |
+
- total_eval_batch_size: 4
|
| 51 |
+
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
|
| 52 |
+
- lr_scheduler_type: cosine
|
| 53 |
+
- lr_scheduler_warmup_ratio: 0.1
|
| 54 |
+
- num_epochs: 10
|
| 55 |
+
|
| 56 |
+
### Training results
|
| 57 |
+
|
| 58 |
+
| Training Loss | Epoch | Step | Validation Loss |
|
| 59 |
+
|:-------------:|:-----:|:----:|:---------------:|
|
| 60 |
+
| 2.357 | 1.0 | 120 | 2.2527 |
|
| 61 |
+
| 1.8805 | 2.0 | 240 | 1.8901 |
|
| 62 |
+
| 1.5884 | 3.0 | 360 | 1.6506 |
|
| 63 |
+
| 0.976 | 4.0 | 480 | 1.4923 |
|
| 64 |
+
| 0.494 | 5.0 | 600 | 1.4527 |
|
| 65 |
+
| 0.6722 | 6.0 | 720 | 1.5256 |
|
| 66 |
+
| 0.4155 | 7.0 | 840 | 1.6937 |
|
| 67 |
+
| 0.3646 | 8.0 | 960 | 1.9389 |
|
| 68 |
+
| 0.1977 | 9.0 | 1080 | 2.0741 |
|
| 69 |
+
| 0.072 | 10.0 | 1200 | 2.0755 |
|
| 70 |
+
|
| 71 |
+
|
| 72 |
+
### Framework versions
|
| 73 |
+
|
| 74 |
+
- PEFT 0.11.0
|
| 75 |
+
- Transformers 4.40.2
|
| 76 |
+
- Pytorch 2.3.0+cu121
|
| 77 |
+
- Datasets 2.19.1
|
| 78 |
+
- Tokenizers 0.19.1
|
all_results.json
ADDED
|
@@ -0,0 +1,9 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"epoch": 10.0,
|
| 3 |
+
"total_flos": 4.601366288709714e+17,
|
| 4 |
+
"train_loss": 1.470840223133564,
|
| 5 |
+
"train_runtime": 6806.2457,
|
| 6 |
+
"train_samples": 3160,
|
| 7 |
+
"train_samples_per_second": 1.408,
|
| 8 |
+
"train_steps_per_second": 0.176
|
| 9 |
+
}
|
runs/May17_03-11-27_instance-20240517-0641/events.out.tfevents.1715929988.instance-20240517-0641.563.0
CHANGED
|
@@ -1,3 +1,3 @@
|
|
| 1 |
version https://git-lfs.github.com/spec/v1
|
| 2 |
-
oid sha256:
|
| 3 |
-
size
|
|
|
|
| 1 |
version https://git-lfs.github.com/spec/v1
|
| 2 |
+
oid sha256:89da56c2be90323e6bb41b246009bffbba37034ca12f13ce614c5657b3ba665e
|
| 3 |
+
size 59255
|
train_results.json
ADDED
|
@@ -0,0 +1,9 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"epoch": 10.0,
|
| 3 |
+
"total_flos": 4.601366288709714e+17,
|
| 4 |
+
"train_loss": 1.470840223133564,
|
| 5 |
+
"train_runtime": 6806.2457,
|
| 6 |
+
"train_samples": 3160,
|
| 7 |
+
"train_samples_per_second": 1.408,
|
| 8 |
+
"train_steps_per_second": 0.176
|
| 9 |
+
}
|
trainer_state.json
ADDED
|
@@ -0,0 +1,1797 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"best_metric": null,
|
| 3 |
+
"best_model_checkpoint": null,
|
| 4 |
+
"epoch": 10.0,
|
| 5 |
+
"eval_steps": 500,
|
| 6 |
+
"global_step": 1200,
|
| 7 |
+
"is_hyper_param_search": false,
|
| 8 |
+
"is_local_process_zero": true,
|
| 9 |
+
"is_world_process_zero": true,
|
| 10 |
+
"log_history": [
|
| 11 |
+
{
|
| 12 |
+
"epoch": 0.008333333333333333,
|
| 13 |
+
"grad_norm": 120.0,
|
| 14 |
+
"learning_rate": 1.6666666666666667e-06,
|
| 15 |
+
"loss": 23.2208,
|
| 16 |
+
"step": 1
|
| 17 |
+
},
|
| 18 |
+
{
|
| 19 |
+
"epoch": 0.041666666666666664,
|
| 20 |
+
"grad_norm": 108.0,
|
| 21 |
+
"learning_rate": 8.333333333333334e-06,
|
| 22 |
+
"loss": 22.3863,
|
| 23 |
+
"step": 5
|
| 24 |
+
},
|
| 25 |
+
{
|
| 26 |
+
"epoch": 0.08333333333333333,
|
| 27 |
+
"grad_norm": 89.5,
|
| 28 |
+
"learning_rate": 1.6666666666666667e-05,
|
| 29 |
+
"loss": 20.201,
|
| 30 |
+
"step": 10
|
| 31 |
+
},
|
| 32 |
+
{
|
| 33 |
+
"epoch": 0.125,
|
| 34 |
+
"grad_norm": 32.0,
|
| 35 |
+
"learning_rate": 2.5e-05,
|
| 36 |
+
"loss": 15.5897,
|
| 37 |
+
"step": 15
|
| 38 |
+
},
|
| 39 |
+
{
|
| 40 |
+
"epoch": 0.16666666666666666,
|
| 41 |
+
"grad_norm": 25.5,
|
| 42 |
+
"learning_rate": 3.3333333333333335e-05,
|
| 43 |
+
"loss": 13.9721,
|
| 44 |
+
"step": 20
|
| 45 |
+
},
|
| 46 |
+
{
|
| 47 |
+
"epoch": 0.20833333333333334,
|
| 48 |
+
"grad_norm": 20.375,
|
| 49 |
+
"learning_rate": 4.166666666666667e-05,
|
| 50 |
+
"loss": 12.549,
|
| 51 |
+
"step": 25
|
| 52 |
+
},
|
| 53 |
+
{
|
| 54 |
+
"epoch": 0.25,
|
| 55 |
+
"grad_norm": 5.15625,
|
| 56 |
+
"learning_rate": 5e-05,
|
| 57 |
+
"loss": 9.902,
|
| 58 |
+
"step": 30
|
| 59 |
+
},
|
| 60 |
+
{
|
| 61 |
+
"epoch": 0.2916666666666667,
|
| 62 |
+
"grad_norm": 7.375,
|
| 63 |
+
"learning_rate": 5.833333333333334e-05,
|
| 64 |
+
"loss": 9.2506,
|
| 65 |
+
"step": 35
|
| 66 |
+
},
|
| 67 |
+
{
|
| 68 |
+
"epoch": 0.3333333333333333,
|
| 69 |
+
"grad_norm": 3.0625,
|
| 70 |
+
"learning_rate": 6.666666666666667e-05,
|
| 71 |
+
"loss": 9.3509,
|
| 72 |
+
"step": 40
|
| 73 |
+
},
|
| 74 |
+
{
|
| 75 |
+
"epoch": 0.375,
|
| 76 |
+
"grad_norm": 6.03125,
|
| 77 |
+
"learning_rate": 7.500000000000001e-05,
|
| 78 |
+
"loss": 8.6313,
|
| 79 |
+
"step": 45
|
| 80 |
+
},
|
| 81 |
+
{
|
| 82 |
+
"epoch": 0.4166666666666667,
|
| 83 |
+
"grad_norm": 10.8125,
|
| 84 |
+
"learning_rate": 8.333333333333334e-05,
|
| 85 |
+
"loss": 8.1781,
|
| 86 |
+
"step": 50
|
| 87 |
+
},
|
| 88 |
+
{
|
| 89 |
+
"epoch": 0.4583333333333333,
|
| 90 |
+
"grad_norm": 21.875,
|
| 91 |
+
"learning_rate": 9.166666666666667e-05,
|
| 92 |
+
"loss": 6.1168,
|
| 93 |
+
"step": 55
|
| 94 |
+
},
|
| 95 |
+
{
|
| 96 |
+
"epoch": 0.5,
|
| 97 |
+
"grad_norm": 3.640625,
|
| 98 |
+
"learning_rate": 0.0001,
|
| 99 |
+
"loss": 3.5536,
|
| 100 |
+
"step": 60
|
| 101 |
+
},
|
| 102 |
+
{
|
| 103 |
+
"epoch": 0.5416666666666666,
|
| 104 |
+
"grad_norm": 2.671875,
|
| 105 |
+
"learning_rate": 0.00010833333333333333,
|
| 106 |
+
"loss": 2.7801,
|
| 107 |
+
"step": 65
|
| 108 |
+
},
|
| 109 |
+
{
|
| 110 |
+
"epoch": 0.5833333333333334,
|
| 111 |
+
"grad_norm": 1.4609375,
|
| 112 |
+
"learning_rate": 0.00011666666666666668,
|
| 113 |
+
"loss": 2.9275,
|
| 114 |
+
"step": 70
|
| 115 |
+
},
|
| 116 |
+
{
|
| 117 |
+
"epoch": 0.625,
|
| 118 |
+
"grad_norm": 1.546875,
|
| 119 |
+
"learning_rate": 0.000125,
|
| 120 |
+
"loss": 2.7622,
|
| 121 |
+
"step": 75
|
| 122 |
+
},
|
| 123 |
+
{
|
| 124 |
+
"epoch": 0.6666666666666666,
|
| 125 |
+
"grad_norm": 6.0625,
|
| 126 |
+
"learning_rate": 0.00013333333333333334,
|
| 127 |
+
"loss": 2.8203,
|
| 128 |
+
"step": 80
|
| 129 |
+
},
|
| 130 |
+
{
|
| 131 |
+
"epoch": 0.7083333333333334,
|
| 132 |
+
"grad_norm": 3.765625,
|
| 133 |
+
"learning_rate": 0.00014166666666666668,
|
| 134 |
+
"loss": 2.627,
|
| 135 |
+
"step": 85
|
| 136 |
+
},
|
| 137 |
+
{
|
| 138 |
+
"epoch": 0.75,
|
| 139 |
+
"grad_norm": 2.03125,
|
| 140 |
+
"learning_rate": 0.00015000000000000001,
|
| 141 |
+
"loss": 2.5998,
|
| 142 |
+
"step": 90
|
| 143 |
+
},
|
| 144 |
+
{
|
| 145 |
+
"epoch": 0.7916666666666666,
|
| 146 |
+
"grad_norm": 2.453125,
|
| 147 |
+
"learning_rate": 0.00015833333333333332,
|
| 148 |
+
"loss": 2.638,
|
| 149 |
+
"step": 95
|
| 150 |
+
},
|
| 151 |
+
{
|
| 152 |
+
"epoch": 0.8333333333333334,
|
| 153 |
+
"grad_norm": 1.8828125,
|
| 154 |
+
"learning_rate": 0.0001666666666666667,
|
| 155 |
+
"loss": 2.561,
|
| 156 |
+
"step": 100
|
| 157 |
+
},
|
| 158 |
+
{
|
| 159 |
+
"epoch": 0.875,
|
| 160 |
+
"grad_norm": 1.5625,
|
| 161 |
+
"learning_rate": 0.000175,
|
| 162 |
+
"loss": 2.5675,
|
| 163 |
+
"step": 105
|
| 164 |
+
},
|
| 165 |
+
{
|
| 166 |
+
"epoch": 0.9166666666666666,
|
| 167 |
+
"grad_norm": 4.0625,
|
| 168 |
+
"learning_rate": 0.00018333333333333334,
|
| 169 |
+
"loss": 2.4268,
|
| 170 |
+
"step": 110
|
| 171 |
+
},
|
| 172 |
+
{
|
| 173 |
+
"epoch": 0.9583333333333334,
|
| 174 |
+
"grad_norm": 1.9296875,
|
| 175 |
+
"learning_rate": 0.00019166666666666667,
|
| 176 |
+
"loss": 2.2916,
|
| 177 |
+
"step": 115
|
| 178 |
+
},
|
| 179 |
+
{
|
| 180 |
+
"epoch": 1.0,
|
| 181 |
+
"grad_norm": 2.234375,
|
| 182 |
+
"learning_rate": 0.0002,
|
| 183 |
+
"loss": 2.357,
|
| 184 |
+
"step": 120
|
| 185 |
+
},
|
| 186 |
+
{
|
| 187 |
+
"epoch": 1.0,
|
| 188 |
+
"eval_loss": 2.2526559829711914,
|
| 189 |
+
"eval_runtime": 22.5811,
|
| 190 |
+
"eval_samples_per_second": 4.606,
|
| 191 |
+
"eval_steps_per_second": 1.151,
|
| 192 |
+
"step": 120
|
| 193 |
+
},
|
| 194 |
+
{
|
| 195 |
+
"epoch": 1.0416666666666667,
|
| 196 |
+
"grad_norm": 1.3828125,
|
| 197 |
+
"learning_rate": 0.00019998942319271077,
|
| 198 |
+
"loss": 2.2039,
|
| 199 |
+
"step": 125
|
| 200 |
+
},
|
| 201 |
+
{
|
| 202 |
+
"epoch": 1.0833333333333333,
|
| 203 |
+
"grad_norm": 1.890625,
|
| 204 |
+
"learning_rate": 0.0001999576950082201,
|
| 205 |
+
"loss": 2.6306,
|
| 206 |
+
"step": 130
|
| 207 |
+
},
|
| 208 |
+
{
|
| 209 |
+
"epoch": 1.125,
|
| 210 |
+
"grad_norm": 1.546875,
|
| 211 |
+
"learning_rate": 0.0001999048221581858,
|
| 212 |
+
"loss": 2.3529,
|
| 213 |
+
"step": 135
|
| 214 |
+
},
|
| 215 |
+
{
|
| 216 |
+
"epoch": 1.1666666666666667,
|
| 217 |
+
"grad_norm": 1.53125,
|
| 218 |
+
"learning_rate": 0.00019983081582712685,
|
| 219 |
+
"loss": 2.1073,
|
| 220 |
+
"step": 140
|
| 221 |
+
},
|
| 222 |
+
{
|
| 223 |
+
"epoch": 1.2083333333333333,
|
| 224 |
+
"grad_norm": 19.0,
|
| 225 |
+
"learning_rate": 0.00019973569167005723,
|
| 226 |
+
"loss": 2.6663,
|
| 227 |
+
"step": 145
|
| 228 |
+
},
|
| 229 |
+
{
|
| 230 |
+
"epoch": 1.25,
|
| 231 |
+
"grad_norm": 1.59375,
|
| 232 |
+
"learning_rate": 0.00019961946980917456,
|
| 233 |
+
"loss": 2.1206,
|
| 234 |
+
"step": 150
|
| 235 |
+
},
|
| 236 |
+
{
|
| 237 |
+
"epoch": 1.2916666666666667,
|
| 238 |
+
"grad_norm": 1.3828125,
|
| 239 |
+
"learning_rate": 0.0001994821748296033,
|
| 240 |
+
"loss": 2.358,
|
| 241 |
+
"step": 155
|
| 242 |
+
},
|
| 243 |
+
{
|
| 244 |
+
"epoch": 1.3333333333333333,
|
| 245 |
+
"grad_norm": 1.1640625,
|
| 246 |
+
"learning_rate": 0.00019932383577419432,
|
| 247 |
+
"loss": 2.2704,
|
| 248 |
+
"step": 160
|
| 249 |
+
},
|
| 250 |
+
{
|
| 251 |
+
"epoch": 1.375,
|
| 252 |
+
"grad_norm": 2.953125,
|
| 253 |
+
"learning_rate": 0.00019914448613738106,
|
| 254 |
+
"loss": 2.4684,
|
| 255 |
+
"step": 165
|
| 256 |
+
},
|
| 257 |
+
{
|
| 258 |
+
"epoch": 1.4166666666666667,
|
| 259 |
+
"grad_norm": 1.6796875,
|
| 260 |
+
"learning_rate": 0.00019894416385809444,
|
| 261 |
+
"loss": 2.2589,
|
| 262 |
+
"step": 170
|
| 263 |
+
},
|
| 264 |
+
{
|
| 265 |
+
"epoch": 1.4583333333333333,
|
| 266 |
+
"grad_norm": 1.453125,
|
| 267 |
+
"learning_rate": 0.00019872291131173742,
|
| 268 |
+
"loss": 2.0498,
|
| 269 |
+
"step": 175
|
| 270 |
+
},
|
| 271 |
+
{
|
| 272 |
+
"epoch": 1.5,
|
| 273 |
+
"grad_norm": 0.9375,
|
| 274 |
+
"learning_rate": 0.00019848077530122083,
|
| 275 |
+
"loss": 2.1424,
|
| 276 |
+
"step": 180
|
| 277 |
+
},
|
| 278 |
+
{
|
| 279 |
+
"epoch": 1.5416666666666665,
|
| 280 |
+
"grad_norm": 1.3046875,
|
| 281 |
+
"learning_rate": 0.00019821780704706307,
|
| 282 |
+
"loss": 2.0694,
|
| 283 |
+
"step": 185
|
| 284 |
+
},
|
| 285 |
+
{
|
| 286 |
+
"epoch": 1.5833333333333335,
|
| 287 |
+
"grad_norm": 1.5390625,
|
| 288 |
+
"learning_rate": 0.00019793406217655517,
|
| 289 |
+
"loss": 2.265,
|
| 290 |
+
"step": 190
|
| 291 |
+
},
|
| 292 |
+
{
|
| 293 |
+
"epoch": 1.625,
|
| 294 |
+
"grad_norm": 1.4921875,
|
| 295 |
+
"learning_rate": 0.00019762960071199333,
|
| 296 |
+
"loss": 2.0767,
|
| 297 |
+
"step": 195
|
| 298 |
+
},
|
| 299 |
+
{
|
| 300 |
+
"epoch": 1.6666666666666665,
|
| 301 |
+
"grad_norm": 3.671875,
|
| 302 |
+
"learning_rate": 0.00019730448705798239,
|
| 303 |
+
"loss": 2.1,
|
| 304 |
+
"step": 200
|
| 305 |
+
},
|
| 306 |
+
{
|
| 307 |
+
"epoch": 1.7083333333333335,
|
| 308 |
+
"grad_norm": 1.015625,
|
| 309 |
+
"learning_rate": 0.0001969587899878116,
|
| 310 |
+
"loss": 2.1602,
|
| 311 |
+
"step": 205
|
| 312 |
+
},
|
| 313 |
+
{
|
| 314 |
+
"epoch": 1.75,
|
| 315 |
+
"grad_norm": 1.0390625,
|
| 316 |
+
"learning_rate": 0.00019659258262890683,
|
| 317 |
+
"loss": 2.0545,
|
| 318 |
+
"step": 210
|
| 319 |
+
},
|
| 320 |
+
{
|
| 321 |
+
"epoch": 1.7916666666666665,
|
| 322 |
+
"grad_norm": 1.09375,
|
| 323 |
+
"learning_rate": 0.00019620594244736133,
|
| 324 |
+
"loss": 2.0273,
|
| 325 |
+
"step": 215
|
| 326 |
+
},
|
| 327 |
+
{
|
| 328 |
+
"epoch": 1.8333333333333335,
|
| 329 |
+
"grad_norm": 0.90234375,
|
| 330 |
+
"learning_rate": 0.0001957989512315489,
|
| 331 |
+
"loss": 2.0589,
|
| 332 |
+
"step": 220
|
| 333 |
+
},
|
| 334 |
+
{
|
| 335 |
+
"epoch": 1.875,
|
| 336 |
+
"grad_norm": 0.98828125,
|
| 337 |
+
"learning_rate": 0.0001953716950748227,
|
| 338 |
+
"loss": 2.2168,
|
| 339 |
+
"step": 225
|
| 340 |
+
},
|
| 341 |
+
{
|
| 342 |
+
"epoch": 1.9166666666666665,
|
| 343 |
+
"grad_norm": 1.875,
|
| 344 |
+
"learning_rate": 0.0001949242643573034,
|
| 345 |
+
"loss": 1.9791,
|
| 346 |
+
"step": 230
|
| 347 |
+
},
|
| 348 |
+
{
|
| 349 |
+
"epoch": 1.9583333333333335,
|
| 350 |
+
"grad_norm": 2.90625,
|
| 351 |
+
"learning_rate": 0.0001944567537267605,
|
| 352 |
+
"loss": 2.244,
|
| 353 |
+
"step": 235
|
| 354 |
+
},
|
| 355 |
+
{
|
| 356 |
+
"epoch": 2.0,
|
| 357 |
+
"grad_norm": 1.96875,
|
| 358 |
+
"learning_rate": 0.00019396926207859084,
|
| 359 |
+
"loss": 1.8805,
|
| 360 |
+
"step": 240
|
| 361 |
+
},
|
| 362 |
+
{
|
| 363 |
+
"epoch": 2.0,
|
| 364 |
+
"eval_loss": 1.8900933265686035,
|
| 365 |
+
"eval_runtime": 22.6149,
|
| 366 |
+
"eval_samples_per_second": 4.599,
|
| 367 |
+
"eval_steps_per_second": 1.15,
|
| 368 |
+
"step": 240
|
| 369 |
+
},
|
| 370 |
+
{
|
| 371 |
+
"epoch": 2.0416666666666665,
|
| 372 |
+
"grad_norm": 1.328125,
|
| 373 |
+
"learning_rate": 0.00019346189253489885,
|
| 374 |
+
"loss": 1.7162,
|
| 375 |
+
"step": 245
|
| 376 |
+
},
|
| 377 |
+
{
|
| 378 |
+
"epoch": 2.0833333333333335,
|
| 379 |
+
"grad_norm": 1.140625,
|
| 380 |
+
"learning_rate": 0.00019293475242268223,
|
| 381 |
+
"loss": 1.6133,
|
| 382 |
+
"step": 250
|
| 383 |
+
},
|
| 384 |
+
{
|
| 385 |
+
"epoch": 2.125,
|
| 386 |
+
"grad_norm": 1.4140625,
|
| 387 |
+
"learning_rate": 0.0001923879532511287,
|
| 388 |
+
"loss": 1.529,
|
| 389 |
+
"step": 255
|
| 390 |
+
},
|
| 391 |
+
{
|
| 392 |
+
"epoch": 2.1666666666666665,
|
| 393 |
+
"grad_norm": 1.2421875,
|
| 394 |
+
"learning_rate": 0.00019182161068802741,
|
| 395 |
+
"loss": 1.6521,
|
| 396 |
+
"step": 260
|
| 397 |
+
},
|
| 398 |
+
{
|
| 399 |
+
"epoch": 2.2083333333333335,
|
| 400 |
+
"grad_norm": 1.1484375,
|
| 401 |
+
"learning_rate": 0.00019123584453530144,
|
| 402 |
+
"loss": 1.7569,
|
| 403 |
+
"step": 265
|
| 404 |
+
},
|
| 405 |
+
{
|
| 406 |
+
"epoch": 2.25,
|
| 407 |
+
"grad_norm": 1.390625,
|
| 408 |
+
"learning_rate": 0.000190630778703665,
|
| 409 |
+
"loss": 1.4932,
|
| 410 |
+
"step": 270
|
| 411 |
+
},
|
| 412 |
+
{
|
| 413 |
+
"epoch": 2.2916666666666665,
|
| 414 |
+
"grad_norm": 1.265625,
|
| 415 |
+
"learning_rate": 0.00019000654118641211,
|
| 416 |
+
"loss": 1.7407,
|
| 417 |
+
"step": 275
|
| 418 |
+
},
|
| 419 |
+
{
|
| 420 |
+
"epoch": 2.3333333333333335,
|
| 421 |
+
"grad_norm": 1.7109375,
|
| 422 |
+
"learning_rate": 0.00018936326403234125,
|
| 423 |
+
"loss": 1.6984,
|
| 424 |
+
"step": 280
|
| 425 |
+
},
|
| 426 |
+
{
|
| 427 |
+
"epoch": 2.375,
|
| 428 |
+
"grad_norm": 1.1796875,
|
| 429 |
+
"learning_rate": 0.00018870108331782217,
|
| 430 |
+
"loss": 1.7803,
|
| 431 |
+
"step": 285
|
| 432 |
+
},
|
| 433 |
+
{
|
| 434 |
+
"epoch": 2.4166666666666665,
|
| 435 |
+
"grad_norm": 1.453125,
|
| 436 |
+
"learning_rate": 0.00018802013911801112,
|
| 437 |
+
"loss": 1.8513,
|
| 438 |
+
"step": 290
|
| 439 |
+
},
|
| 440 |
+
{
|
| 441 |
+
"epoch": 2.4583333333333335,
|
| 442 |
+
"grad_norm": 1.1875,
|
| 443 |
+
"learning_rate": 0.0001873205754772196,
|
| 444 |
+
"loss": 1.6966,
|
| 445 |
+
"step": 295
|
| 446 |
+
},
|
| 447 |
+
{
|
| 448 |
+
"epoch": 2.5,
|
| 449 |
+
"grad_norm": 1.390625,
|
| 450 |
+
"learning_rate": 0.00018660254037844388,
|
| 451 |
+
"loss": 1.6205,
|
| 452 |
+
"step": 300
|
| 453 |
+
},
|
| 454 |
+
{
|
| 455 |
+
"epoch": 2.5416666666666665,
|
| 456 |
+
"grad_norm": 1.640625,
|
| 457 |
+
"learning_rate": 0.00018586618571206134,
|
| 458 |
+
"loss": 1.8264,
|
| 459 |
+
"step": 305
|
| 460 |
+
},
|
| 461 |
+
{
|
| 462 |
+
"epoch": 2.5833333333333335,
|
| 463 |
+
"grad_norm": 1.28125,
|
| 464 |
+
"learning_rate": 0.00018511166724369997,
|
| 465 |
+
"loss": 1.7517,
|
| 466 |
+
"step": 310
|
| 467 |
+
},
|
| 468 |
+
{
|
| 469 |
+
"epoch": 2.625,
|
| 470 |
+
"grad_norm": 1.328125,
|
| 471 |
+
"learning_rate": 0.0001843391445812886,
|
| 472 |
+
"loss": 1.6381,
|
| 473 |
+
"step": 315
|
| 474 |
+
},
|
| 475 |
+
{
|
| 476 |
+
"epoch": 2.6666666666666665,
|
| 477 |
+
"grad_norm": 1.5859375,
|
| 478 |
+
"learning_rate": 0.00018354878114129367,
|
| 479 |
+
"loss": 1.5737,
|
| 480 |
+
"step": 320
|
| 481 |
+
},
|
| 482 |
+
{
|
| 483 |
+
"epoch": 2.7083333333333335,
|
| 484 |
+
"grad_norm": 1.375,
|
| 485 |
+
"learning_rate": 0.00018274074411415105,
|
| 486 |
+
"loss": 1.4307,
|
| 487 |
+
"step": 325
|
| 488 |
+
},
|
| 489 |
+
{
|
| 490 |
+
"epoch": 2.75,
|
| 491 |
+
"grad_norm": 2.140625,
|
| 492 |
+
"learning_rate": 0.0001819152044288992,
|
| 493 |
+
"loss": 1.5472,
|
| 494 |
+
"step": 330
|
| 495 |
+
},
|
| 496 |
+
{
|
| 497 |
+
"epoch": 2.7916666666666665,
|
| 498 |
+
"grad_norm": 1.5703125,
|
| 499 |
+
"learning_rate": 0.00018107233671702124,
|
| 500 |
+
"loss": 1.6712,
|
| 501 |
+
"step": 335
|
| 502 |
+
},
|
| 503 |
+
{
|
| 504 |
+
"epoch": 2.8333333333333335,
|
| 505 |
+
"grad_norm": 1.296875,
|
| 506 |
+
"learning_rate": 0.0001802123192755044,
|
| 507 |
+
"loss": 1.6829,
|
| 508 |
+
"step": 340
|
| 509 |
+
},
|
| 510 |
+
{
|
| 511 |
+
"epoch": 2.875,
|
| 512 |
+
"grad_norm": 1.65625,
|
| 513 |
+
"learning_rate": 0.00017933533402912354,
|
| 514 |
+
"loss": 1.6765,
|
| 515 |
+
"step": 345
|
| 516 |
+
},
|
| 517 |
+
{
|
| 518 |
+
"epoch": 2.9166666666666665,
|
| 519 |
+
"grad_norm": 1.234375,
|
| 520 |
+
"learning_rate": 0.00017844156649195759,
|
| 521 |
+
"loss": 1.534,
|
| 522 |
+
"step": 350
|
| 523 |
+
},
|
| 524 |
+
{
|
| 525 |
+
"epoch": 2.9583333333333335,
|
| 526 |
+
"grad_norm": 1.40625,
|
| 527 |
+
"learning_rate": 0.0001775312057281466,
|
| 528 |
+
"loss": 1.4458,
|
| 529 |
+
"step": 355
|
| 530 |
+
},
|
| 531 |
+
{
|
| 532 |
+
"epoch": 3.0,
|
| 533 |
+
"grad_norm": 1.484375,
|
| 534 |
+
"learning_rate": 0.0001766044443118978,
|
| 535 |
+
"loss": 1.5884,
|
| 536 |
+
"step": 360
|
| 537 |
+
},
|
| 538 |
+
{
|
| 539 |
+
"epoch": 3.0,
|
| 540 |
+
"eval_loss": 1.6506251096725464,
|
| 541 |
+
"eval_runtime": 22.6518,
|
| 542 |
+
"eval_samples_per_second": 4.591,
|
| 543 |
+
"eval_steps_per_second": 1.148,
|
| 544 |
+
"step": 360
|
| 545 |
+
},
|
| 546 |
+
{
|
| 547 |
+
"epoch": 3.0416666666666665,
|
| 548 |
+
"grad_norm": 1.671875,
|
| 549 |
+
"learning_rate": 0.00017566147828674931,
|
| 550 |
+
"loss": 1.1334,
|
| 551 |
+
"step": 365
|
| 552 |
+
},
|
| 553 |
+
{
|
| 554 |
+
"epoch": 3.0833333333333335,
|
| 555 |
+
"grad_norm": 2.359375,
|
| 556 |
+
"learning_rate": 0.0001747025071240996,
|
| 557 |
+
"loss": 1.3137,
|
| 558 |
+
"step": 370
|
| 559 |
+
},
|
| 560 |
+
{
|
| 561 |
+
"epoch": 3.125,
|
| 562 |
+
"grad_norm": 1.34375,
|
| 563 |
+
"learning_rate": 0.0001737277336810124,
|
| 564 |
+
"loss": 1.2017,
|
| 565 |
+
"step": 375
|
| 566 |
+
},
|
| 567 |
+
{
|
| 568 |
+
"epoch": 3.1666666666666665,
|
| 569 |
+
"grad_norm": 1.6484375,
|
| 570 |
+
"learning_rate": 0.00017273736415730488,
|
| 571 |
+
"loss": 1.2455,
|
| 572 |
+
"step": 380
|
| 573 |
+
},
|
| 574 |
+
{
|
| 575 |
+
"epoch": 3.2083333333333335,
|
| 576 |
+
"grad_norm": 1.828125,
|
| 577 |
+
"learning_rate": 0.00017173160805192893,
|
| 578 |
+
"loss": 1.041,
|
| 579 |
+
"step": 385
|
| 580 |
+
},
|
| 581 |
+
{
|
| 582 |
+
"epoch": 3.25,
|
| 583 |
+
"grad_norm": 1.609375,
|
| 584 |
+
"learning_rate": 0.00017071067811865476,
|
| 585 |
+
"loss": 1.1316,
|
| 586 |
+
"step": 390
|
| 587 |
+
},
|
| 588 |
+
{
|
| 589 |
+
"epoch": 3.2916666666666665,
|
| 590 |
+
"grad_norm": 1.53125,
|
| 591 |
+
"learning_rate": 0.0001696747903210655,
|
| 592 |
+
"loss": 0.8524,
|
| 593 |
+
"step": 395
|
| 594 |
+
},
|
| 595 |
+
{
|
| 596 |
+
"epoch": 3.3333333333333335,
|
| 597 |
+
"grad_norm": 1.4609375,
|
| 598 |
+
"learning_rate": 0.0001686241637868734,
|
| 599 |
+
"loss": 1.0369,
|
| 600 |
+
"step": 400
|
| 601 |
+
},
|
| 602 |
+
{
|
| 603 |
+
"epoch": 3.375,
|
| 604 |
+
"grad_norm": 2.0,
|
| 605 |
+
"learning_rate": 0.00016755902076156604,
|
| 606 |
+
"loss": 1.0085,
|
| 607 |
+
"step": 405
|
| 608 |
+
},
|
| 609 |
+
{
|
| 610 |
+
"epoch": 3.4166666666666665,
|
| 611 |
+
"grad_norm": 1.3359375,
|
| 612 |
+
"learning_rate": 0.00016647958656139378,
|
| 613 |
+
"loss": 1.275,
|
| 614 |
+
"step": 410
|
| 615 |
+
},
|
| 616 |
+
{
|
| 617 |
+
"epoch": 3.4583333333333335,
|
| 618 |
+
"grad_norm": 1.5625,
|
| 619 |
+
"learning_rate": 0.00016538608952570698,
|
| 620 |
+
"loss": 1.2037,
|
| 621 |
+
"step": 415
|
| 622 |
+
},
|
| 623 |
+
{
|
| 624 |
+
"epoch": 3.5,
|
| 625 |
+
"grad_norm": 1.4921875,
|
| 626 |
+
"learning_rate": 0.00016427876096865394,
|
| 627 |
+
"loss": 0.9427,
|
| 628 |
+
"step": 420
|
| 629 |
+
},
|
| 630 |
+
{
|
| 631 |
+
"epoch": 3.5416666666666665,
|
| 632 |
+
"grad_norm": 1.46875,
|
| 633 |
+
"learning_rate": 0.00016315783513024977,
|
| 634 |
+
"loss": 1.0746,
|
| 635 |
+
"step": 425
|
| 636 |
+
},
|
| 637 |
+
{
|
| 638 |
+
"epoch": 3.5833333333333335,
|
| 639 |
+
"grad_norm": 1.7109375,
|
| 640 |
+
"learning_rate": 0.000162023549126826,
|
| 641 |
+
"loss": 1.1905,
|
| 642 |
+
"step": 430
|
| 643 |
+
},
|
| 644 |
+
{
|
| 645 |
+
"epoch": 3.625,
|
| 646 |
+
"grad_norm": 1.546875,
|
| 647 |
+
"learning_rate": 0.00016087614290087208,
|
| 648 |
+
"loss": 1.047,
|
| 649 |
+
"step": 435
|
| 650 |
+
},
|
| 651 |
+
{
|
| 652 |
+
"epoch": 3.6666666666666665,
|
| 653 |
+
"grad_norm": 1.8515625,
|
| 654 |
+
"learning_rate": 0.00015971585917027862,
|
| 655 |
+
"loss": 0.9996,
|
| 656 |
+
"step": 440
|
| 657 |
+
},
|
| 658 |
+
{
|
| 659 |
+
"epoch": 3.7083333333333335,
|
| 660 |
+
"grad_norm": 1.609375,
|
| 661 |
+
"learning_rate": 0.00015854294337699408,
|
| 662 |
+
"loss": 1.0106,
|
| 663 |
+
"step": 445
|
| 664 |
+
},
|
| 665 |
+
{
|
| 666 |
+
"epoch": 3.75,
|
| 667 |
+
"grad_norm": 1.328125,
|
| 668 |
+
"learning_rate": 0.0001573576436351046,
|
| 669 |
+
"loss": 1.6606,
|
| 670 |
+
"step": 450
|
| 671 |
+
},
|
| 672 |
+
{
|
| 673 |
+
"epoch": 3.7916666666666665,
|
| 674 |
+
"grad_norm": 1.6484375,
|
| 675 |
+
"learning_rate": 0.0001561602106783493,
|
| 676 |
+
"loss": 0.9552,
|
| 677 |
+
"step": 455
|
| 678 |
+
},
|
| 679 |
+
{
|
| 680 |
+
"epoch": 3.8333333333333335,
|
| 681 |
+
"grad_norm": 1.7734375,
|
| 682 |
+
"learning_rate": 0.0001549508978070806,
|
| 683 |
+
"loss": 1.2775,
|
| 684 |
+
"step": 460
|
| 685 |
+
},
|
| 686 |
+
{
|
| 687 |
+
"epoch": 3.875,
|
| 688 |
+
"grad_norm": 1.59375,
|
| 689 |
+
"learning_rate": 0.0001537299608346824,
|
| 690 |
+
"loss": 0.8644,
|
| 691 |
+
"step": 465
|
| 692 |
+
},
|
| 693 |
+
{
|
| 694 |
+
"epoch": 3.9166666666666665,
|
| 695 |
+
"grad_norm": 1.65625,
|
| 696 |
+
"learning_rate": 0.000152497658033456,
|
| 697 |
+
"loss": 1.1973,
|
| 698 |
+
"step": 470
|
| 699 |
+
},
|
| 700 |
+
{
|
| 701 |
+
"epoch": 3.9583333333333335,
|
| 702 |
+
"grad_norm": 1.7578125,
|
| 703 |
+
"learning_rate": 0.00015125425007998653,
|
| 704 |
+
"loss": 1.0881,
|
| 705 |
+
"step": 475
|
| 706 |
+
},
|
| 707 |
+
{
|
| 708 |
+
"epoch": 4.0,
|
| 709 |
+
"grad_norm": 1.421875,
|
| 710 |
+
"learning_rate": 0.00015000000000000001,
|
| 711 |
+
"loss": 0.976,
|
| 712 |
+
"step": 480
|
| 713 |
+
},
|
| 714 |
+
{
|
| 715 |
+
"epoch": 4.0,
|
| 716 |
+
"eval_loss": 1.4923341274261475,
|
| 717 |
+
"eval_runtime": 22.6533,
|
| 718 |
+
"eval_samples_per_second": 4.591,
|
| 719 |
+
"eval_steps_per_second": 1.148,
|
| 720 |
+
"step": 480
|
| 721 |
+
},
|
| 722 |
+
{
|
| 723 |
+
"epoch": 4.041666666666667,
|
| 724 |
+
"grad_norm": 1.9609375,
|
| 725 |
+
"learning_rate": 0.00014873517311272423,
|
| 726 |
+
"loss": 0.8099,
|
| 727 |
+
"step": 485
|
| 728 |
+
},
|
| 729 |
+
{
|
| 730 |
+
"epoch": 4.083333333333333,
|
| 731 |
+
"grad_norm": 1.578125,
|
| 732 |
+
"learning_rate": 0.00014746003697476404,
|
| 733 |
+
"loss": 0.7811,
|
| 734 |
+
"step": 490
|
| 735 |
+
},
|
| 736 |
+
{
|
| 737 |
+
"epoch": 4.125,
|
| 738 |
+
"grad_norm": 1.71875,
|
| 739 |
+
"learning_rate": 0.00014617486132350343,
|
| 740 |
+
"loss": 0.891,
|
| 741 |
+
"step": 495
|
| 742 |
+
},
|
| 743 |
+
{
|
| 744 |
+
"epoch": 4.166666666666667,
|
| 745 |
+
"grad_norm": 1.5390625,
|
| 746 |
+
"learning_rate": 0.00014487991802004623,
|
| 747 |
+
"loss": 1.0188,
|
| 748 |
+
"step": 500
|
| 749 |
+
},
|
| 750 |
+
{
|
| 751 |
+
"epoch": 4.208333333333333,
|
| 752 |
+
"grad_norm": 1.9140625,
|
| 753 |
+
"learning_rate": 0.00014357548099170795,
|
| 754 |
+
"loss": 0.7671,
|
| 755 |
+
"step": 505
|
| 756 |
+
},
|
| 757 |
+
{
|
| 758 |
+
"epoch": 4.25,
|
| 759 |
+
"grad_norm": 1.6953125,
|
| 760 |
+
"learning_rate": 0.00014226182617406996,
|
| 761 |
+
"loss": 0.656,
|
| 762 |
+
"step": 510
|
| 763 |
+
},
|
| 764 |
+
{
|
| 765 |
+
"epoch": 4.291666666666667,
|
| 766 |
+
"grad_norm": 1.4609375,
|
| 767 |
+
"learning_rate": 0.00014093923145260925,
|
| 768 |
+
"loss": 0.7351,
|
| 769 |
+
"step": 515
|
| 770 |
+
},
|
| 771 |
+
{
|
| 772 |
+
"epoch": 4.333333333333333,
|
| 773 |
+
"grad_norm": 1.6015625,
|
| 774 |
+
"learning_rate": 0.0001396079766039157,
|
| 775 |
+
"loss": 0.6366,
|
| 776 |
+
"step": 520
|
| 777 |
+
},
|
| 778 |
+
{
|
| 779 |
+
"epoch": 4.375,
|
| 780 |
+
"grad_norm": 1.921875,
|
| 781 |
+
"learning_rate": 0.000138268343236509,
|
| 782 |
+
"loss": 1.1278,
|
| 783 |
+
"step": 525
|
| 784 |
+
},
|
| 785 |
+
{
|
| 786 |
+
"epoch": 4.416666666666667,
|
| 787 |
+
"grad_norm": 1.421875,
|
| 788 |
+
"learning_rate": 0.00013692061473126845,
|
| 789 |
+
"loss": 0.5021,
|
| 790 |
+
"step": 530
|
| 791 |
+
},
|
| 792 |
+
{
|
| 793 |
+
"epoch": 4.458333333333333,
|
| 794 |
+
"grad_norm": 1.5859375,
|
| 795 |
+
"learning_rate": 0.0001355650761814877,
|
| 796 |
+
"loss": 0.7822,
|
| 797 |
+
"step": 535
|
| 798 |
+
},
|
| 799 |
+
{
|
| 800 |
+
"epoch": 4.5,
|
| 801 |
+
"grad_norm": 1.7890625,
|
| 802 |
+
"learning_rate": 0.00013420201433256689,
|
| 803 |
+
"loss": 0.653,
|
| 804 |
+
"step": 540
|
| 805 |
+
},
|
| 806 |
+
{
|
| 807 |
+
"epoch": 4.541666666666667,
|
| 808 |
+
"grad_norm": 1.59375,
|
| 809 |
+
"learning_rate": 0.00013283171752135614,
|
| 810 |
+
"loss": 0.7442,
|
| 811 |
+
"step": 545
|
| 812 |
+
},
|
| 813 |
+
{
|
| 814 |
+
"epoch": 4.583333333333333,
|
| 815 |
+
"grad_norm": 1.5625,
|
| 816 |
+
"learning_rate": 0.00013145447561516138,
|
| 817 |
+
"loss": 0.7451,
|
| 818 |
+
"step": 550
|
| 819 |
+
},
|
| 820 |
+
{
|
| 821 |
+
"epoch": 4.625,
|
| 822 |
+
"grad_norm": 1.890625,
|
| 823 |
+
"learning_rate": 0.00013007057995042732,
|
| 824 |
+
"loss": 0.8068,
|
| 825 |
+
"step": 555
|
| 826 |
+
},
|
| 827 |
+
{
|
| 828 |
+
"epoch": 4.666666666666667,
|
| 829 |
+
"grad_norm": 1.6328125,
|
| 830 |
+
"learning_rate": 0.00012868032327110904,
|
| 831 |
+
"loss": 0.5302,
|
| 832 |
+
"step": 560
|
| 833 |
+
},
|
| 834 |
+
{
|
| 835 |
+
"epoch": 4.708333333333333,
|
| 836 |
+
"grad_norm": 1.9765625,
|
| 837 |
+
"learning_rate": 0.00012728399966674612,
|
| 838 |
+
"loss": 0.8653,
|
| 839 |
+
"step": 565
|
| 840 |
+
},
|
| 841 |
+
{
|
| 842 |
+
"epoch": 4.75,
|
| 843 |
+
"grad_norm": 1.578125,
|
| 844 |
+
"learning_rate": 0.00012588190451025207,
|
| 845 |
+
"loss": 0.6963,
|
| 846 |
+
"step": 570
|
| 847 |
+
},
|
| 848 |
+
{
|
| 849 |
+
"epoch": 4.791666666666667,
|
| 850 |
+
"grad_norm": 1.875,
|
| 851 |
+
"learning_rate": 0.0001244743343954324,
|
| 852 |
+
"loss": 0.9519,
|
| 853 |
+
"step": 575
|
| 854 |
+
},
|
| 855 |
+
{
|
| 856 |
+
"epoch": 4.833333333333333,
|
| 857 |
+
"grad_norm": 1.7265625,
|
| 858 |
+
"learning_rate": 0.00012306158707424403,
|
| 859 |
+
"loss": 0.7992,
|
| 860 |
+
"step": 580
|
| 861 |
+
},
|
| 862 |
+
{
|
| 863 |
+
"epoch": 4.875,
|
| 864 |
+
"grad_norm": 1.625,
|
| 865 |
+
"learning_rate": 0.00012164396139381029,
|
| 866 |
+
"loss": 0.6708,
|
| 867 |
+
"step": 585
|
| 868 |
+
},
|
| 869 |
+
{
|
| 870 |
+
"epoch": 4.916666666666667,
|
| 871 |
+
"grad_norm": 1.921875,
|
| 872 |
+
"learning_rate": 0.00012022175723320381,
|
| 873 |
+
"loss": 0.5493,
|
| 874 |
+
"step": 590
|
| 875 |
+
},
|
| 876 |
+
{
|
| 877 |
+
"epoch": 4.958333333333333,
|
| 878 |
+
"grad_norm": 1.703125,
|
| 879 |
+
"learning_rate": 0.00011879527544001119,
|
| 880 |
+
"loss": 0.4953,
|
| 881 |
+
"step": 595
|
| 882 |
+
},
|
| 883 |
+
{
|
| 884 |
+
"epoch": 5.0,
|
| 885 |
+
"grad_norm": 1.4375,
|
| 886 |
+
"learning_rate": 0.00011736481776669306,
|
| 887 |
+
"loss": 0.494,
|
| 888 |
+
"step": 600
|
| 889 |
+
},
|
| 890 |
+
{
|
| 891 |
+
"epoch": 5.0,
|
| 892 |
+
"eval_loss": 1.4527199268341064,
|
| 893 |
+
"eval_runtime": 22.5273,
|
| 894 |
+
"eval_samples_per_second": 4.617,
|
| 895 |
+
"eval_steps_per_second": 1.154,
|
| 896 |
+
"step": 600
|
| 897 |
+
},
|
| 898 |
+
{
|
| 899 |
+
"epoch": 5.041666666666667,
|
| 900 |
+
"grad_norm": 1.8125,
|
| 901 |
+
"learning_rate": 0.00011593068680675228,
|
| 902 |
+
"loss": 0.4172,
|
| 903 |
+
"step": 605
|
| 904 |
+
},
|
| 905 |
+
{
|
| 906 |
+
"epoch": 5.083333333333333,
|
| 907 |
+
"grad_norm": 1.6640625,
|
| 908 |
+
"learning_rate": 0.00011449318593072466,
|
| 909 |
+
"loss": 0.515,
|
| 910 |
+
"step": 610
|
| 911 |
+
},
|
| 912 |
+
{
|
| 913 |
+
"epoch": 5.125,
|
| 914 |
+
"grad_norm": 1.3984375,
|
| 915 |
+
"learning_rate": 0.00011305261922200519,
|
| 916 |
+
"loss": 0.3984,
|
| 917 |
+
"step": 615
|
| 918 |
+
},
|
| 919 |
+
{
|
| 920 |
+
"epoch": 5.166666666666667,
|
| 921 |
+
"grad_norm": 1.7734375,
|
| 922 |
+
"learning_rate": 0.00011160929141252303,
|
| 923 |
+
"loss": 0.3962,
|
| 924 |
+
"step": 620
|
| 925 |
+
},
|
| 926 |
+
{
|
| 927 |
+
"epoch": 5.208333333333333,
|
| 928 |
+
"grad_norm": 1.5625,
|
| 929 |
+
"learning_rate": 0.00011016350781828019,
|
| 930 |
+
"loss": 0.5541,
|
| 931 |
+
"step": 625
|
| 932 |
+
},
|
| 933 |
+
{
|
| 934 |
+
"epoch": 5.25,
|
| 935 |
+
"grad_norm": 1.5546875,
|
| 936 |
+
"learning_rate": 0.00010871557427476583,
|
| 937 |
+
"loss": 0.5564,
|
| 938 |
+
"step": 630
|
| 939 |
+
},
|
| 940 |
+
{
|
| 941 |
+
"epoch": 5.291666666666667,
|
| 942 |
+
"grad_norm": 1.3671875,
|
| 943 |
+
"learning_rate": 0.00010726579707226108,
|
| 944 |
+
"loss": 0.6518,
|
| 945 |
+
"step": 635
|
| 946 |
+
},
|
| 947 |
+
{
|
| 948 |
+
"epoch": 5.333333333333333,
|
| 949 |
+
"grad_norm": 1.53125,
|
| 950 |
+
"learning_rate": 0.00010581448289104758,
|
| 951 |
+
"loss": 0.4448,
|
| 952 |
+
"step": 640
|
| 953 |
+
},
|
| 954 |
+
{
|
| 955 |
+
"epoch": 5.375,
|
| 956 |
+
"grad_norm": 1.4609375,
|
| 957 |
+
"learning_rate": 0.00010436193873653361,
|
| 958 |
+
"loss": 0.4689,
|
| 959 |
+
"step": 645
|
| 960 |
+
},
|
| 961 |
+
{
|
| 962 |
+
"epoch": 5.416666666666667,
|
| 963 |
+
"grad_norm": 1.578125,
|
| 964 |
+
"learning_rate": 0.00010290847187431113,
|
| 965 |
+
"loss": 0.3511,
|
| 966 |
+
"step": 650
|
| 967 |
+
},
|
| 968 |
+
{
|
| 969 |
+
"epoch": 5.458333333333333,
|
| 970 |
+
"grad_norm": 1.515625,
|
| 971 |
+
"learning_rate": 0.00010145438976515828,
|
| 972 |
+
"loss": 0.5423,
|
| 973 |
+
"step": 655
|
| 974 |
+
},
|
| 975 |
+
{
|
| 976 |
+
"epoch": 5.5,
|
| 977 |
+
"grad_norm": 1.6015625,
|
| 978 |
+
"learning_rate": 0.0001,
|
| 979 |
+
"loss": 0.5626,
|
| 980 |
+
"step": 660
|
| 981 |
+
},
|
| 982 |
+
{
|
| 983 |
+
"epoch": 5.541666666666667,
|
| 984 |
+
"grad_norm": 1.3359375,
|
| 985 |
+
"learning_rate": 9.854561023484173e-05,
|
| 986 |
+
"loss": 0.5551,
|
| 987 |
+
"step": 665
|
| 988 |
+
},
|
| 989 |
+
{
|
| 990 |
+
"epoch": 5.583333333333333,
|
| 991 |
+
"grad_norm": 2.015625,
|
| 992 |
+
"learning_rate": 9.709152812568886e-05,
|
| 993 |
+
"loss": 0.3925,
|
| 994 |
+
"step": 670
|
| 995 |
+
},
|
| 996 |
+
{
|
| 997 |
+
"epoch": 5.625,
|
| 998 |
+
"grad_norm": 1.5546875,
|
| 999 |
+
"learning_rate": 9.563806126346642e-05,
|
| 1000 |
+
"loss": 0.5825,
|
| 1001 |
+
"step": 675
|
| 1002 |
+
},
|
| 1003 |
+
{
|
| 1004 |
+
"epoch": 5.666666666666667,
|
| 1005 |
+
"grad_norm": 1.6484375,
|
| 1006 |
+
"learning_rate": 9.418551710895243e-05,
|
| 1007 |
+
"loss": 0.4172,
|
| 1008 |
+
"step": 680
|
| 1009 |
+
},
|
| 1010 |
+
{
|
| 1011 |
+
"epoch": 5.708333333333333,
|
| 1012 |
+
"grad_norm": 1.6484375,
|
| 1013 |
+
"learning_rate": 9.273420292773894e-05,
|
| 1014 |
+
"loss": 0.8449,
|
| 1015 |
+
"step": 685
|
| 1016 |
+
},
|
| 1017 |
+
{
|
| 1018 |
+
"epoch": 5.75,
|
| 1019 |
+
"grad_norm": 1.75,
|
| 1020 |
+
"learning_rate": 9.128442572523417e-05,
|
| 1021 |
+
"loss": 0.6815,
|
| 1022 |
+
"step": 690
|
| 1023 |
+
},
|
| 1024 |
+
{
|
| 1025 |
+
"epoch": 5.791666666666667,
|
| 1026 |
+
"grad_norm": 1.40625,
|
| 1027 |
+
"learning_rate": 8.983649218171982e-05,
|
| 1028 |
+
"loss": 0.5505,
|
| 1029 |
+
"step": 695
|
| 1030 |
+
},
|
| 1031 |
+
{
|
| 1032 |
+
"epoch": 5.833333333333333,
|
| 1033 |
+
"grad_norm": 1.5703125,
|
| 1034 |
+
"learning_rate": 8.839070858747697e-05,
|
| 1035 |
+
"loss": 0.3779,
|
| 1036 |
+
"step": 700
|
| 1037 |
+
},
|
| 1038 |
+
{
|
| 1039 |
+
"epoch": 5.875,
|
| 1040 |
+
"grad_norm": 1.46875,
|
| 1041 |
+
"learning_rate": 8.694738077799488e-05,
|
| 1042 |
+
"loss": 0.4549,
|
| 1043 |
+
"step": 705
|
| 1044 |
+
},
|
| 1045 |
+
{
|
| 1046 |
+
"epoch": 5.916666666666667,
|
| 1047 |
+
"grad_norm": 1.4921875,
|
| 1048 |
+
"learning_rate": 8.550681406927535e-05,
|
| 1049 |
+
"loss": 0.6878,
|
| 1050 |
+
"step": 710
|
| 1051 |
+
},
|
| 1052 |
+
{
|
| 1053 |
+
"epoch": 5.958333333333333,
|
| 1054 |
+
"grad_norm": 1.65625,
|
| 1055 |
+
"learning_rate": 8.406931319324776e-05,
|
| 1056 |
+
"loss": 0.4205,
|
| 1057 |
+
"step": 715
|
| 1058 |
+
},
|
| 1059 |
+
{
|
| 1060 |
+
"epoch": 6.0,
|
| 1061 |
+
"grad_norm": 1.2109375,
|
| 1062 |
+
"learning_rate": 8.263518223330697e-05,
|
| 1063 |
+
"loss": 0.6722,
|
| 1064 |
+
"step": 720
|
| 1065 |
+
},
|
| 1066 |
+
{
|
| 1067 |
+
"epoch": 6.0,
|
| 1068 |
+
"eval_loss": 1.525636911392212,
|
| 1069 |
+
"eval_runtime": 22.6057,
|
| 1070 |
+
"eval_samples_per_second": 4.601,
|
| 1071 |
+
"eval_steps_per_second": 1.15,
|
| 1072 |
+
"step": 720
|
| 1073 |
+
},
|
| 1074 |
+
{
|
| 1075 |
+
"epoch": 6.041666666666667,
|
| 1076 |
+
"grad_norm": 1.1484375,
|
| 1077 |
+
"learning_rate": 8.120472455998882e-05,
|
| 1078 |
+
"loss": 0.4366,
|
| 1079 |
+
"step": 725
|
| 1080 |
+
},
|
| 1081 |
+
{
|
| 1082 |
+
"epoch": 6.083333333333333,
|
| 1083 |
+
"grad_norm": 1.75,
|
| 1084 |
+
"learning_rate": 7.977824276679623e-05,
|
| 1085 |
+
"loss": 0.436,
|
| 1086 |
+
"step": 730
|
| 1087 |
+
},
|
| 1088 |
+
{
|
| 1089 |
+
"epoch": 6.125,
|
| 1090 |
+
"grad_norm": 1.21875,
|
| 1091 |
+
"learning_rate": 7.835603860618972e-05,
|
| 1092 |
+
"loss": 0.2727,
|
| 1093 |
+
"step": 735
|
| 1094 |
+
},
|
| 1095 |
+
{
|
| 1096 |
+
"epoch": 6.166666666666667,
|
| 1097 |
+
"grad_norm": 1.4296875,
|
| 1098 |
+
"learning_rate": 7.693841292575598e-05,
|
| 1099 |
+
"loss": 0.2859,
|
| 1100 |
+
"step": 740
|
| 1101 |
+
},
|
| 1102 |
+
{
|
| 1103 |
+
"epoch": 6.208333333333333,
|
| 1104 |
+
"grad_norm": 1.4375,
|
| 1105 |
+
"learning_rate": 7.552566560456762e-05,
|
| 1106 |
+
"loss": 0.1582,
|
| 1107 |
+
"step": 745
|
| 1108 |
+
},
|
| 1109 |
+
{
|
| 1110 |
+
"epoch": 6.25,
|
| 1111 |
+
"grad_norm": 1.2734375,
|
| 1112 |
+
"learning_rate": 7.411809548974792e-05,
|
| 1113 |
+
"loss": 0.9857,
|
| 1114 |
+
"step": 750
|
| 1115 |
+
},
|
| 1116 |
+
{
|
| 1117 |
+
"epoch": 6.291666666666667,
|
| 1118 |
+
"grad_norm": 1.4296875,
|
| 1119 |
+
"learning_rate": 7.271600033325393e-05,
|
| 1120 |
+
"loss": 0.179,
|
| 1121 |
+
"step": 755
|
| 1122 |
+
},
|
| 1123 |
+
{
|
| 1124 |
+
"epoch": 6.333333333333333,
|
| 1125 |
+
"grad_norm": 1.265625,
|
| 1126 |
+
"learning_rate": 7.131967672889101e-05,
|
| 1127 |
+
"loss": 0.3008,
|
| 1128 |
+
"step": 760
|
| 1129 |
+
},
|
| 1130 |
+
{
|
| 1131 |
+
"epoch": 6.375,
|
| 1132 |
+
"grad_norm": 1.5234375,
|
| 1133 |
+
"learning_rate": 6.992942004957271e-05,
|
| 1134 |
+
"loss": 0.5605,
|
| 1135 |
+
"step": 765
|
| 1136 |
+
},
|
| 1137 |
+
{
|
| 1138 |
+
"epoch": 6.416666666666667,
|
| 1139 |
+
"grad_norm": 1.4453125,
|
| 1140 |
+
"learning_rate": 6.854552438483865e-05,
|
| 1141 |
+
"loss": 0.7157,
|
| 1142 |
+
"step": 770
|
| 1143 |
+
},
|
| 1144 |
+
{
|
| 1145 |
+
"epoch": 6.458333333333333,
|
| 1146 |
+
"grad_norm": 1.421875,
|
| 1147 |
+
"learning_rate": 6.71682824786439e-05,
|
| 1148 |
+
"loss": 0.553,
|
| 1149 |
+
"step": 775
|
| 1150 |
+
},
|
| 1151 |
+
{
|
| 1152 |
+
"epoch": 6.5,
|
| 1153 |
+
"grad_norm": 1.4453125,
|
| 1154 |
+
"learning_rate": 6.579798566743314e-05,
|
| 1155 |
+
"loss": 0.3089,
|
| 1156 |
+
"step": 780
|
| 1157 |
+
},
|
| 1158 |
+
{
|
| 1159 |
+
"epoch": 6.541666666666667,
|
| 1160 |
+
"grad_norm": 1.140625,
|
| 1161 |
+
"learning_rate": 6.443492381851237e-05,
|
| 1162 |
+
"loss": 0.3487,
|
| 1163 |
+
"step": 785
|
| 1164 |
+
},
|
| 1165 |
+
{
|
| 1166 |
+
"epoch": 6.583333333333333,
|
| 1167 |
+
"grad_norm": 1.140625,
|
| 1168 |
+
"learning_rate": 6.307938526873157e-05,
|
| 1169 |
+
"loss": 0.1653,
|
| 1170 |
+
"step": 790
|
| 1171 |
+
},
|
| 1172 |
+
{
|
| 1173 |
+
"epoch": 6.625,
|
| 1174 |
+
"grad_norm": 1.4140625,
|
| 1175 |
+
"learning_rate": 6.173165676349103e-05,
|
| 1176 |
+
"loss": 0.1644,
|
| 1177 |
+
"step": 795
|
| 1178 |
+
},
|
| 1179 |
+
{
|
| 1180 |
+
"epoch": 6.666666666666667,
|
| 1181 |
+
"grad_norm": 1.21875,
|
| 1182 |
+
"learning_rate": 6.039202339608432e-05,
|
| 1183 |
+
"loss": 0.6784,
|
| 1184 |
+
"step": 800
|
| 1185 |
+
},
|
| 1186 |
+
{
|
| 1187 |
+
"epoch": 6.708333333333333,
|
| 1188 |
+
"grad_norm": 1.21875,
|
| 1189 |
+
"learning_rate": 5.906076854739074e-05,
|
| 1190 |
+
"loss": 0.1487,
|
| 1191 |
+
"step": 805
|
| 1192 |
+
},
|
| 1193 |
+
{
|
| 1194 |
+
"epoch": 6.75,
|
| 1195 |
+
"grad_norm": 1.1171875,
|
| 1196 |
+
"learning_rate": 5.773817382593008e-05,
|
| 1197 |
+
"loss": 0.4259,
|
| 1198 |
+
"step": 810
|
| 1199 |
+
},
|
| 1200 |
+
{
|
| 1201 |
+
"epoch": 6.791666666666667,
|
| 1202 |
+
"grad_norm": 1.0703125,
|
| 1203 |
+
"learning_rate": 5.642451900829209e-05,
|
| 1204 |
+
"loss": 0.2837,
|
| 1205 |
+
"step": 815
|
| 1206 |
+
},
|
| 1207 |
+
{
|
| 1208 |
+
"epoch": 6.833333333333333,
|
| 1209 |
+
"grad_norm": 1.3359375,
|
| 1210 |
+
"learning_rate": 5.5120081979953785e-05,
|
| 1211 |
+
"loss": 0.5631,
|
| 1212 |
+
"step": 820
|
| 1213 |
+
},
|
| 1214 |
+
{
|
| 1215 |
+
"epoch": 6.875,
|
| 1216 |
+
"grad_norm": 1.1328125,
|
| 1217 |
+
"learning_rate": 5.382513867649663e-05,
|
| 1218 |
+
"loss": 0.2979,
|
| 1219 |
+
"step": 825
|
| 1220 |
+
},
|
| 1221 |
+
{
|
| 1222 |
+
"epoch": 6.916666666666667,
|
| 1223 |
+
"grad_norm": 1.171875,
|
| 1224 |
+
"learning_rate": 5.253996302523596e-05,
|
| 1225 |
+
"loss": 0.5848,
|
| 1226 |
+
"step": 830
|
| 1227 |
+
},
|
| 1228 |
+
{
|
| 1229 |
+
"epoch": 6.958333333333333,
|
| 1230 |
+
"grad_norm": 1.2421875,
|
| 1231 |
+
"learning_rate": 5.1264826887275776e-05,
|
| 1232 |
+
"loss": 0.4305,
|
| 1233 |
+
"step": 835
|
| 1234 |
+
},
|
| 1235 |
+
{
|
| 1236 |
+
"epoch": 7.0,
|
| 1237 |
+
"grad_norm": 1.234375,
|
| 1238 |
+
"learning_rate": 5.000000000000002e-05,
|
| 1239 |
+
"loss": 0.4155,
|
| 1240 |
+
"step": 840
|
| 1241 |
+
},
|
| 1242 |
+
{
|
| 1243 |
+
"epoch": 7.0,
|
| 1244 |
+
"eval_loss": 1.6936991214752197,
|
| 1245 |
+
"eval_runtime": 22.6399,
|
| 1246 |
+
"eval_samples_per_second": 4.594,
|
| 1247 |
+
"eval_steps_per_second": 1.148,
|
| 1248 |
+
"step": 840
|
| 1249 |
+
},
|
| 1250 |
+
{
|
| 1251 |
+
"epoch": 7.041666666666667,
|
| 1252 |
+
"grad_norm": 0.73828125,
|
| 1253 |
+
"learning_rate": 4.8745749920013486e-05,
|
| 1254 |
+
"loss": 0.6698,
|
| 1255 |
+
"step": 845
|
| 1256 |
+
},
|
| 1257 |
+
{
|
| 1258 |
+
"epoch": 7.083333333333333,
|
| 1259 |
+
"grad_norm": 0.875,
|
| 1260 |
+
"learning_rate": 4.7502341966544e-05,
|
| 1261 |
+
"loss": 0.2309,
|
| 1262 |
+
"step": 850
|
| 1263 |
+
},
|
| 1264 |
+
{
|
| 1265 |
+
"epoch": 7.125,
|
| 1266 |
+
"grad_norm": 1.078125,
|
| 1267 |
+
"learning_rate": 4.6270039165317605e-05,
|
| 1268 |
+
"loss": 0.2385,
|
| 1269 |
+
"step": 855
|
| 1270 |
+
},
|
| 1271 |
+
{
|
| 1272 |
+
"epoch": 7.166666666666667,
|
| 1273 |
+
"grad_norm": 1.03125,
|
| 1274 |
+
"learning_rate": 4.50491021929194e-05,
|
| 1275 |
+
"loss": 0.2467,
|
| 1276 |
+
"step": 860
|
| 1277 |
+
},
|
| 1278 |
+
{
|
| 1279 |
+
"epoch": 7.208333333333333,
|
| 1280 |
+
"grad_norm": 0.86328125,
|
| 1281 |
+
"learning_rate": 4.383978932165073e-05,
|
| 1282 |
+
"loss": 0.221,
|
| 1283 |
+
"step": 865
|
| 1284 |
+
},
|
| 1285 |
+
{
|
| 1286 |
+
"epoch": 7.25,
|
| 1287 |
+
"grad_norm": 0.8828125,
|
| 1288 |
+
"learning_rate": 4.264235636489542e-05,
|
| 1289 |
+
"loss": 0.2445,
|
| 1290 |
+
"step": 870
|
| 1291 |
+
},
|
| 1292 |
+
{
|
| 1293 |
+
"epoch": 7.291666666666667,
|
| 1294 |
+
"grad_norm": 0.80859375,
|
| 1295 |
+
"learning_rate": 4.145705662300595e-05,
|
| 1296 |
+
"loss": 0.3784,
|
| 1297 |
+
"step": 875
|
| 1298 |
+
},
|
| 1299 |
+
{
|
| 1300 |
+
"epoch": 7.333333333333333,
|
| 1301 |
+
"grad_norm": 0.85546875,
|
| 1302 |
+
"learning_rate": 4.028414082972141e-05,
|
| 1303 |
+
"loss": 0.3635,
|
| 1304 |
+
"step": 880
|
| 1305 |
+
},
|
| 1306 |
+
{
|
| 1307 |
+
"epoch": 7.375,
|
| 1308 |
+
"grad_norm": 1.0078125,
|
| 1309 |
+
"learning_rate": 3.9123857099127936e-05,
|
| 1310 |
+
"loss": 0.2154,
|
| 1311 |
+
"step": 885
|
| 1312 |
+
},
|
| 1313 |
+
{
|
| 1314 |
+
"epoch": 7.416666666666667,
|
| 1315 |
+
"grad_norm": 1.1015625,
|
| 1316 |
+
"learning_rate": 3.7976450873174005e-05,
|
| 1317 |
+
"loss": 0.3507,
|
| 1318 |
+
"step": 890
|
| 1319 |
+
},
|
| 1320 |
+
{
|
| 1321 |
+
"epoch": 7.458333333333333,
|
| 1322 |
+
"grad_norm": 0.79296875,
|
| 1323 |
+
"learning_rate": 3.684216486975026e-05,
|
| 1324 |
+
"loss": 0.4884,
|
| 1325 |
+
"step": 895
|
| 1326 |
+
},
|
| 1327 |
+
{
|
| 1328 |
+
"epoch": 7.5,
|
| 1329 |
+
"grad_norm": 0.90234375,
|
| 1330 |
+
"learning_rate": 3.5721239031346066e-05,
|
| 1331 |
+
"loss": 0.4011,
|
| 1332 |
+
"step": 900
|
| 1333 |
+
},
|
| 1334 |
+
{
|
| 1335 |
+
"epoch": 7.541666666666667,
|
| 1336 |
+
"grad_norm": 1.1328125,
|
| 1337 |
+
"learning_rate": 3.461391047429304e-05,
|
| 1338 |
+
"loss": 0.6994,
|
| 1339 |
+
"step": 905
|
| 1340 |
+
},
|
| 1341 |
+
{
|
| 1342 |
+
"epoch": 7.583333333333333,
|
| 1343 |
+
"grad_norm": 1.3671875,
|
| 1344 |
+
"learning_rate": 3.352041343860621e-05,
|
| 1345 |
+
"loss": 0.2219,
|
| 1346 |
+
"step": 910
|
| 1347 |
+
},
|
| 1348 |
+
{
|
| 1349 |
+
"epoch": 7.625,
|
| 1350 |
+
"grad_norm": 0.87890625,
|
| 1351 |
+
"learning_rate": 3.244097923843398e-05,
|
| 1352 |
+
"loss": 0.2272,
|
| 1353 |
+
"step": 915
|
| 1354 |
+
},
|
| 1355 |
+
{
|
| 1356 |
+
"epoch": 7.666666666666667,
|
| 1357 |
+
"grad_norm": 0.80859375,
|
| 1358 |
+
"learning_rate": 3.137583621312665e-05,
|
| 1359 |
+
"loss": 0.3568,
|
| 1360 |
+
"step": 920
|
| 1361 |
+
},
|
| 1362 |
+
{
|
| 1363 |
+
"epoch": 7.708333333333333,
|
| 1364 |
+
"grad_norm": 1.1953125,
|
| 1365 |
+
"learning_rate": 3.032520967893453e-05,
|
| 1366 |
+
"loss": 0.3737,
|
| 1367 |
+
"step": 925
|
| 1368 |
+
},
|
| 1369 |
+
{
|
| 1370 |
+
"epoch": 7.75,
|
| 1371 |
+
"grad_norm": 1.0234375,
|
| 1372 |
+
"learning_rate": 2.9289321881345254e-05,
|
| 1373 |
+
"loss": 0.2172,
|
| 1374 |
+
"step": 930
|
| 1375 |
+
},
|
| 1376 |
+
{
|
| 1377 |
+
"epoch": 7.791666666666667,
|
| 1378 |
+
"grad_norm": 0.91015625,
|
| 1379 |
+
"learning_rate": 2.826839194807105e-05,
|
| 1380 |
+
"loss": 0.224,
|
| 1381 |
+
"step": 935
|
| 1382 |
+
},
|
| 1383 |
+
{
|
| 1384 |
+
"epoch": 7.833333333333333,
|
| 1385 |
+
"grad_norm": 1.0859375,
|
| 1386 |
+
"learning_rate": 2.7262635842695127e-05,
|
| 1387 |
+
"loss": 0.5041,
|
| 1388 |
+
"step": 940
|
| 1389 |
+
},
|
| 1390 |
+
{
|
| 1391 |
+
"epoch": 7.875,
|
| 1392 |
+
"grad_norm": 0.85546875,
|
| 1393 |
+
"learning_rate": 2.6272266318987603e-05,
|
| 1394 |
+
"loss": 0.2266,
|
| 1395 |
+
"step": 945
|
| 1396 |
+
},
|
| 1397 |
+
{
|
| 1398 |
+
"epoch": 7.916666666666667,
|
| 1399 |
+
"grad_norm": 0.9921875,
|
| 1400 |
+
"learning_rate": 2.529749287590042e-05,
|
| 1401 |
+
"loss": 0.218,
|
| 1402 |
+
"step": 950
|
| 1403 |
+
},
|
| 1404 |
+
{
|
| 1405 |
+
"epoch": 7.958333333333333,
|
| 1406 |
+
"grad_norm": 1.125,
|
| 1407 |
+
"learning_rate": 2.433852171325072e-05,
|
| 1408 |
+
"loss": 0.3768,
|
| 1409 |
+
"step": 955
|
| 1410 |
+
},
|
| 1411 |
+
{
|
| 1412 |
+
"epoch": 8.0,
|
| 1413 |
+
"grad_norm": 0.7578125,
|
| 1414 |
+
"learning_rate": 2.339555568810221e-05,
|
| 1415 |
+
"loss": 0.3646,
|
| 1416 |
+
"step": 960
|
| 1417 |
+
},
|
| 1418 |
+
{
|
| 1419 |
+
"epoch": 8.0,
|
| 1420 |
+
"eval_loss": 1.938859462738037,
|
| 1421 |
+
"eval_runtime": 22.6326,
|
| 1422 |
+
"eval_samples_per_second": 4.595,
|
| 1423 |
+
"eval_steps_per_second": 1.149,
|
| 1424 |
+
"step": 960
|
| 1425 |
+
},
|
| 1426 |
+
{
|
| 1427 |
+
"epoch": 8.041666666666666,
|
| 1428 |
+
"grad_norm": 0.5546875,
|
| 1429 |
+
"learning_rate": 2.246879427185341e-05,
|
| 1430 |
+
"loss": 0.5024,
|
| 1431 |
+
"step": 965
|
| 1432 |
+
},
|
| 1433 |
+
{
|
| 1434 |
+
"epoch": 8.083333333333334,
|
| 1435 |
+
"grad_norm": 0.64453125,
|
| 1436 |
+
"learning_rate": 2.155843350804243e-05,
|
| 1437 |
+
"loss": 0.3399,
|
| 1438 |
+
"step": 970
|
| 1439 |
+
},
|
| 1440 |
+
{
|
| 1441 |
+
"epoch": 8.125,
|
| 1442 |
+
"grad_norm": 0.466796875,
|
| 1443 |
+
"learning_rate": 2.0664665970876496e-05,
|
| 1444 |
+
"loss": 0.3527,
|
| 1445 |
+
"step": 975
|
| 1446 |
+
},
|
| 1447 |
+
{
|
| 1448 |
+
"epoch": 8.166666666666666,
|
| 1449 |
+
"grad_norm": 0.72265625,
|
| 1450 |
+
"learning_rate": 1.9787680724495617e-05,
|
| 1451 |
+
"loss": 0.217,
|
| 1452 |
+
"step": 980
|
| 1453 |
+
},
|
| 1454 |
+
{
|
| 1455 |
+
"epoch": 8.208333333333334,
|
| 1456 |
+
"grad_norm": 0.79296875,
|
| 1457 |
+
"learning_rate": 1.892766328297878e-05,
|
| 1458 |
+
"loss": 0.0848,
|
| 1459 |
+
"step": 985
|
| 1460 |
+
},
|
| 1461 |
+
{
|
| 1462 |
+
"epoch": 8.25,
|
| 1463 |
+
"grad_norm": 0.6015625,
|
| 1464 |
+
"learning_rate": 1.808479557110081e-05,
|
| 1465 |
+
"loss": 0.3246,
|
| 1466 |
+
"step": 990
|
| 1467 |
+
},
|
| 1468 |
+
{
|
| 1469 |
+
"epoch": 8.291666666666666,
|
| 1470 |
+
"grad_norm": 0.5703125,
|
| 1471 |
+
"learning_rate": 1.7259255885848946e-05,
|
| 1472 |
+
"loss": 0.2188,
|
| 1473 |
+
"step": 995
|
| 1474 |
+
},
|
| 1475 |
+
{
|
| 1476 |
+
"epoch": 8.333333333333334,
|
| 1477 |
+
"grad_norm": 0.83203125,
|
| 1478 |
+
"learning_rate": 1.6451218858706374e-05,
|
| 1479 |
+
"loss": 0.2043,
|
| 1480 |
+
"step": 1000
|
| 1481 |
+
},
|
| 1482 |
+
{
|
| 1483 |
+
"epoch": 8.375,
|
| 1484 |
+
"grad_norm": 0.5234375,
|
| 1485 |
+
"learning_rate": 1.566085541871145e-05,
|
| 1486 |
+
"loss": 0.4651,
|
| 1487 |
+
"step": 1005
|
| 1488 |
+
},
|
| 1489 |
+
{
|
| 1490 |
+
"epoch": 8.416666666666666,
|
| 1491 |
+
"grad_norm": 0.6640625,
|
| 1492 |
+
"learning_rate": 1.4888332756300027e-05,
|
| 1493 |
+
"loss": 0.2083,
|
| 1494 |
+
"step": 1010
|
| 1495 |
+
},
|
| 1496 |
+
{
|
| 1497 |
+
"epoch": 8.458333333333334,
|
| 1498 |
+
"grad_norm": 0.609375,
|
| 1499 |
+
"learning_rate": 1.4133814287938706e-05,
|
| 1500 |
+
"loss": 0.3251,
|
| 1501 |
+
"step": 1015
|
| 1502 |
+
},
|
| 1503 |
+
{
|
| 1504 |
+
"epoch": 8.5,
|
| 1505 |
+
"grad_norm": 0.53515625,
|
| 1506 |
+
"learning_rate": 1.339745962155613e-05,
|
| 1507 |
+
"loss": 0.2172,
|
| 1508 |
+
"step": 1020
|
| 1509 |
+
},
|
| 1510 |
+
{
|
| 1511 |
+
"epoch": 8.541666666666666,
|
| 1512 |
+
"grad_norm": 0.82421875,
|
| 1513 |
+
"learning_rate": 1.2679424522780426e-05,
|
| 1514 |
+
"loss": 0.4828,
|
| 1515 |
+
"step": 1025
|
| 1516 |
+
},
|
| 1517 |
+
{
|
| 1518 |
+
"epoch": 8.583333333333334,
|
| 1519 |
+
"grad_norm": 0.6484375,
|
| 1520 |
+
"learning_rate": 1.1979860881988902e-05,
|
| 1521 |
+
"loss": 0.0766,
|
| 1522 |
+
"step": 1030
|
| 1523 |
+
},
|
| 1524 |
+
{
|
| 1525 |
+
"epoch": 8.625,
|
| 1526 |
+
"grad_norm": 0.58203125,
|
| 1527 |
+
"learning_rate": 1.129891668217783e-05,
|
| 1528 |
+
"loss": 0.0783,
|
| 1529 |
+
"step": 1035
|
| 1530 |
+
},
|
| 1531 |
+
{
|
| 1532 |
+
"epoch": 8.666666666666666,
|
| 1533 |
+
"grad_norm": 0.65234375,
|
| 1534 |
+
"learning_rate": 1.0636735967658784e-05,
|
| 1535 |
+
"loss": 0.4582,
|
| 1536 |
+
"step": 1040
|
| 1537 |
+
},
|
| 1538 |
+
{
|
| 1539 |
+
"epoch": 8.708333333333334,
|
| 1540 |
+
"grad_norm": 0.52734375,
|
| 1541 |
+
"learning_rate": 9.993458813587885e-06,
|
| 1542 |
+
"loss": 0.3475,
|
| 1543 |
+
"step": 1045
|
| 1544 |
+
},
|
| 1545 |
+
{
|
| 1546 |
+
"epoch": 8.75,
|
| 1547 |
+
"grad_norm": 0.61328125,
|
| 1548 |
+
"learning_rate": 9.369221296335006e-06,
|
| 1549 |
+
"loss": 0.2503,
|
| 1550 |
+
"step": 1050
|
| 1551 |
+
},
|
| 1552 |
+
{
|
| 1553 |
+
"epoch": 8.791666666666666,
|
| 1554 |
+
"grad_norm": 0.73046875,
|
| 1555 |
+
"learning_rate": 8.764155464698597e-06,
|
| 1556 |
+
"loss": 0.341,
|
| 1557 |
+
"step": 1055
|
| 1558 |
+
},
|
| 1559 |
+
{
|
| 1560 |
+
"epoch": 8.833333333333334,
|
| 1561 |
+
"grad_norm": 0.83984375,
|
| 1562 |
+
"learning_rate": 8.178389311972612e-06,
|
| 1563 |
+
"loss": 0.8334,
|
| 1564 |
+
"step": 1060
|
| 1565 |
+
},
|
| 1566 |
+
{
|
| 1567 |
+
"epoch": 8.875,
|
| 1568 |
+
"grad_norm": 0.51953125,
|
| 1569 |
+
"learning_rate": 7.612046748871327e-06,
|
| 1570 |
+
"loss": 0.0811,
|
| 1571 |
+
"step": 1065
|
| 1572 |
+
},
|
| 1573 |
+
{
|
| 1574 |
+
"epoch": 8.916666666666666,
|
| 1575 |
+
"grad_norm": 1.015625,
|
| 1576 |
+
"learning_rate": 7.0652475773177464e-06,
|
| 1577 |
+
"loss": 0.774,
|
| 1578 |
+
"step": 1070
|
| 1579 |
+
},
|
| 1580 |
+
{
|
| 1581 |
+
"epoch": 8.958333333333334,
|
| 1582 |
+
"grad_norm": 0.59375,
|
| 1583 |
+
"learning_rate": 6.538107465101162e-06,
|
| 1584 |
+
"loss": 0.0741,
|
| 1585 |
+
"step": 1075
|
| 1586 |
+
},
|
| 1587 |
+
{
|
| 1588 |
+
"epoch": 9.0,
|
| 1589 |
+
"grad_norm": 0.7578125,
|
| 1590 |
+
"learning_rate": 6.030737921409169e-06,
|
| 1591 |
+
"loss": 0.1977,
|
| 1592 |
+
"step": 1080
|
| 1593 |
+
},
|
| 1594 |
+
{
|
| 1595 |
+
"epoch": 9.0,
|
| 1596 |
+
"eval_loss": 2.0741000175476074,
|
| 1597 |
+
"eval_runtime": 22.6206,
|
| 1598 |
+
"eval_samples_per_second": 4.598,
|
| 1599 |
+
"eval_steps_per_second": 1.149,
|
| 1600 |
+
"step": 1080
|
| 1601 |
+
},
|
| 1602 |
+
{
|
| 1603 |
+
"epoch": 9.041666666666666,
|
| 1604 |
+
"grad_norm": 0.58203125,
|
| 1605 |
+
"learning_rate": 5.543246273239533e-06,
|
| 1606 |
+
"loss": 0.2191,
|
| 1607 |
+
"step": 1085
|
| 1608 |
+
},
|
| 1609 |
+
{
|
| 1610 |
+
"epoch": 9.083333333333334,
|
| 1611 |
+
"grad_norm": 0.53515625,
|
| 1612 |
+
"learning_rate": 5.075735642696611e-06,
|
| 1613 |
+
"loss": 0.4713,
|
| 1614 |
+
"step": 1090
|
| 1615 |
+
},
|
| 1616 |
+
{
|
| 1617 |
+
"epoch": 9.125,
|
| 1618 |
+
"grad_norm": 0.78125,
|
| 1619 |
+
"learning_rate": 4.628304925177318e-06,
|
| 1620 |
+
"loss": 0.3392,
|
| 1621 |
+
"step": 1095
|
| 1622 |
+
},
|
| 1623 |
+
{
|
| 1624 |
+
"epoch": 9.166666666666666,
|
| 1625 |
+
"grad_norm": 0.62890625,
|
| 1626 |
+
"learning_rate": 4.20104876845111e-06,
|
| 1627 |
+
"loss": 0.0738,
|
| 1628 |
+
"step": 1100
|
| 1629 |
+
},
|
| 1630 |
+
{
|
| 1631 |
+
"epoch": 9.208333333333334,
|
| 1632 |
+
"grad_norm": 0.5,
|
| 1633 |
+
"learning_rate": 3.7940575526386857e-06,
|
| 1634 |
+
"loss": 0.2017,
|
| 1635 |
+
"step": 1105
|
| 1636 |
+
},
|
| 1637 |
+
{
|
| 1638 |
+
"epoch": 9.25,
|
| 1639 |
+
"grad_norm": 0.78125,
|
| 1640 |
+
"learning_rate": 3.40741737109318e-06,
|
| 1641 |
+
"loss": 0.3269,
|
| 1642 |
+
"step": 1110
|
| 1643 |
+
},
|
| 1644 |
+
{
|
| 1645 |
+
"epoch": 9.291666666666666,
|
| 1646 |
+
"grad_norm": 0.6796875,
|
| 1647 |
+
"learning_rate": 3.0412100121884e-06,
|
| 1648 |
+
"loss": 0.3239,
|
| 1649 |
+
"step": 1115
|
| 1650 |
+
},
|
| 1651 |
+
{
|
| 1652 |
+
"epoch": 9.333333333333334,
|
| 1653 |
+
"grad_norm": 0.43359375,
|
| 1654 |
+
"learning_rate": 2.6955129420176196e-06,
|
| 1655 |
+
"loss": 0.0673,
|
| 1656 |
+
"step": 1120
|
| 1657 |
+
},
|
| 1658 |
+
{
|
| 1659 |
+
"epoch": 9.375,
|
| 1660 |
+
"grad_norm": 0.5,
|
| 1661 |
+
"learning_rate": 2.3703992880066638e-06,
|
| 1662 |
+
"loss": 0.3198,
|
| 1663 |
+
"step": 1125
|
| 1664 |
+
},
|
| 1665 |
+
{
|
| 1666 |
+
"epoch": 9.416666666666666,
|
| 1667 |
+
"grad_norm": 0.8359375,
|
| 1668 |
+
"learning_rate": 2.0659378234448525e-06,
|
| 1669 |
+
"loss": 0.7339,
|
| 1670 |
+
"step": 1130
|
| 1671 |
+
},
|
| 1672 |
+
{
|
| 1673 |
+
"epoch": 9.458333333333334,
|
| 1674 |
+
"grad_norm": 0.828125,
|
| 1675 |
+
"learning_rate": 1.7821929529369342e-06,
|
| 1676 |
+
"loss": 0.3398,
|
| 1677 |
+
"step": 1135
|
| 1678 |
+
},
|
| 1679 |
+
{
|
| 1680 |
+
"epoch": 9.5,
|
| 1681 |
+
"grad_norm": 0.6015625,
|
| 1682 |
+
"learning_rate": 1.5192246987791981e-06,
|
| 1683 |
+
"loss": 0.1931,
|
| 1684 |
+
"step": 1140
|
| 1685 |
+
},
|
| 1686 |
+
{
|
| 1687 |
+
"epoch": 9.541666666666666,
|
| 1688 |
+
"grad_norm": 0.6015625,
|
| 1689 |
+
"learning_rate": 1.2770886882625955e-06,
|
| 1690 |
+
"loss": 0.469,
|
| 1691 |
+
"step": 1145
|
| 1692 |
+
},
|
| 1693 |
+
{
|
| 1694 |
+
"epoch": 9.583333333333334,
|
| 1695 |
+
"grad_norm": 0.62109375,
|
| 1696 |
+
"learning_rate": 1.055836141905553e-06,
|
| 1697 |
+
"loss": 0.2,
|
| 1698 |
+
"step": 1150
|
| 1699 |
+
},
|
| 1700 |
+
{
|
| 1701 |
+
"epoch": 9.625,
|
| 1702 |
+
"grad_norm": 0.53125,
|
| 1703 |
+
"learning_rate": 8.555138626189618e-07,
|
| 1704 |
+
"loss": 0.4784,
|
| 1705 |
+
"step": 1155
|
| 1706 |
+
},
|
| 1707 |
+
{
|
| 1708 |
+
"epoch": 9.666666666666666,
|
| 1709 |
+
"grad_norm": 0.66015625,
|
| 1710 |
+
"learning_rate": 6.761642258056978e-07,
|
| 1711 |
+
"loss": 0.1963,
|
| 1712 |
+
"step": 1160
|
| 1713 |
+
},
|
| 1714 |
+
{
|
| 1715 |
+
"epoch": 9.708333333333334,
|
| 1716 |
+
"grad_norm": 0.54296875,
|
| 1717 |
+
"learning_rate": 5.178251703967018e-07,
|
| 1718 |
+
"loss": 0.3549,
|
| 1719 |
+
"step": 1165
|
| 1720 |
+
},
|
| 1721 |
+
{
|
| 1722 |
+
"epoch": 9.75,
|
| 1723 |
+
"grad_norm": 0.6875,
|
| 1724 |
+
"learning_rate": 3.805301908254455e-07,
|
| 1725 |
+
"loss": 0.4622,
|
| 1726 |
+
"step": 1170
|
| 1727 |
+
},
|
| 1728 |
+
{
|
| 1729 |
+
"epoch": 9.791666666666666,
|
| 1730 |
+
"grad_norm": 0.5546875,
|
| 1731 |
+
"learning_rate": 2.643083299427751e-07,
|
| 1732 |
+
"loss": 0.1921,
|
| 1733 |
+
"step": 1175
|
| 1734 |
+
},
|
| 1735 |
+
{
|
| 1736 |
+
"epoch": 9.833333333333334,
|
| 1737 |
+
"grad_norm": 0.515625,
|
| 1738 |
+
"learning_rate": 1.6918417287318245e-07,
|
| 1739 |
+
"loss": 0.1627,
|
| 1740 |
+
"step": 1180
|
| 1741 |
+
},
|
| 1742 |
+
{
|
| 1743 |
+
"epoch": 9.875,
|
| 1744 |
+
"grad_norm": 0.78125,
|
| 1745 |
+
"learning_rate": 9.517784181422019e-08,
|
| 1746 |
+
"loss": 0.6005,
|
| 1747 |
+
"step": 1185
|
| 1748 |
+
},
|
| 1749 |
+
{
|
| 1750 |
+
"epoch": 9.916666666666666,
|
| 1751 |
+
"grad_norm": 0.56640625,
|
| 1752 |
+
"learning_rate": 4.230499177994007e-08,
|
| 1753 |
+
"loss": 0.216,
|
| 1754 |
+
"step": 1190
|
| 1755 |
+
},
|
| 1756 |
+
{
|
| 1757 |
+
"epoch": 9.958333333333334,
|
| 1758 |
+
"grad_norm": 0.625,
|
| 1759 |
+
"learning_rate": 1.0576807289253143e-08,
|
| 1760 |
+
"loss": 0.3567,
|
| 1761 |
+
"step": 1195
|
| 1762 |
+
},
|
| 1763 |
+
{
|
| 1764 |
+
"epoch": 10.0,
|
| 1765 |
+
"grad_norm": 0.546875,
|
| 1766 |
+
"learning_rate": 0.0,
|
| 1767 |
+
"loss": 0.072,
|
| 1768 |
+
"step": 1200
|
| 1769 |
+
},
|
| 1770 |
+
{
|
| 1771 |
+
"epoch": 10.0,
|
| 1772 |
+
"eval_loss": 2.0755438804626465,
|
| 1773 |
+
"eval_runtime": 22.4954,
|
| 1774 |
+
"eval_samples_per_second": 4.623,
|
| 1775 |
+
"eval_steps_per_second": 1.156,
|
| 1776 |
+
"step": 1200
|
| 1777 |
+
},
|
| 1778 |
+
{
|
| 1779 |
+
"epoch": 10.0,
|
| 1780 |
+
"step": 1200,
|
| 1781 |
+
"total_flos": 4.601366288709714e+17,
|
| 1782 |
+
"train_loss": 1.470840223133564,
|
| 1783 |
+
"train_runtime": 6806.2457,
|
| 1784 |
+
"train_samples_per_second": 1.408,
|
| 1785 |
+
"train_steps_per_second": 0.176
|
| 1786 |
+
}
|
| 1787 |
+
],
|
| 1788 |
+
"logging_steps": 5,
|
| 1789 |
+
"max_steps": 1200,
|
| 1790 |
+
"num_input_tokens_seen": 0,
|
| 1791 |
+
"num_train_epochs": 10,
|
| 1792 |
+
"save_steps": 100,
|
| 1793 |
+
"total_flos": 4.601366288709714e+17,
|
| 1794 |
+
"train_batch_size": 2,
|
| 1795 |
+
"trial_name": null,
|
| 1796 |
+
"trial_params": null
|
| 1797 |
+
}
|