Codellama-7b-lora-rps-adapter

This model is a fine-tuned version of codellama/CodeLlama-7b-Instruct-hf on the None dataset. It achieves the following results on the evaluation set:

• Loss: 0.2965

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

• learning_rate: 0.0002
• train_batch_size: 2
• eval_batch_size: 2
• seed: 42
• optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
• lr_scheduler_type: linear
• lr_scheduler_warmup_ratio: 0.03
• num_epochs: 4

Training results

Training Loss	Epoch	Step	Validation Loss
0.1823	2.4463	14000	0.2873
0.1939	2.4550	14050	0.2878
0.1729	2.4637	14100	0.2896
0.195	2.4725	14150	0.2871
0.1865	2.4812	14200	0.2867
0.1932	2.4900	14250	0.2889
0.188	2.4987	14300	0.2876
0.2059	2.5074	14350	0.2861
0.1771	2.5162	14400	0.2876
0.1829	2.5249	14450	0.2863
0.185	2.5336	14500	0.2863
0.1968	2.5424	14550	0.2844
0.1806	2.5511	14600	0.2852
0.1938	2.5598	14650	0.2868
0.1897	2.5686	14700	0.2855
0.1934	2.5773	14750	0.2867
0.1823	2.5861	14800	0.2858
0.1815	2.5948	14850	0.2858
0.2005	2.6035	14900	0.2841
0.1738	2.6123	14950	0.2858
0.178	2.6210	15000	0.2845
0.2055	2.6297	15050	0.2834
0.1926	2.6385	15100	0.2855
0.207	2.6472	15150	0.2846
0.1847	2.6559	15200	0.2840
0.185	2.6647	15250	0.2840
0.1907	2.6734	15300	0.2817
0.1997	2.6822	15350	0.2814
0.1698	2.6909	15400	0.2829
0.178	2.6996	15450	0.2824
0.1954	2.7084	15500	0.2823
0.1974	2.7171	15550	0.2817
0.1848	2.7258	15600	0.2818
0.1841	2.7346	15650	0.2830
0.193	2.7433	15700	0.2825
0.2192	2.7521	15750	0.2801
0.1785	2.7608	15800	0.2803
0.1866	2.7695	15850	0.2815
0.1888	2.7783	15900	0.2804
0.1838	2.7870	15950	0.2823
0.198	2.7957	16000	0.2823
0.1764	2.8045	16050	0.2812
0.2103	2.8132	16100	0.2806
0.1941	2.8219	16150	0.2825
0.1938	2.8307	16200	0.2811
0.1902	2.8394	16250	0.2807
0.1922	2.8482	16300	0.2797
0.1777	2.8569	16350	0.2798
0.1994	2.8656	16400	0.2796
0.2168	2.8744	16450	0.2785
0.1896	2.8831	16500	0.2798
0.1954	2.8918	16550	0.2780
0.1988	2.9006	16600	0.2791
0.2163	2.9093	16650	0.2781
0.1937	2.9180	16700	0.2786
0.1752	2.9268	16750	0.2800
0.1643	2.9355	16800	0.2799
0.1872	2.9443	16850	0.2779
0.1969	2.9530	16900	0.2770
0.1825	2.9617	16950	0.2784
0.185	2.9705	17000	0.2780
0.1943	2.9792	17050	0.2785
0.1939	2.9879	17100	0.2761
0.1724	2.9967	17150	0.2781
0.1541	3.0054	17200	0.2892
0.1171	3.0142	17250	0.2950
0.128	3.0229	17300	0.2991
0.1143	3.0316	17350	0.2984
0.1453	3.0404	17400	0.2967
0.1212	3.0491	17450	0.3002
0.1293	3.0578	17500	0.2962
0.1504	3.0666	17550	0.2994
0.1366	3.0753	17600	0.2987
0.1224	3.0840	17650	0.2992
0.1347	3.0928	17700	0.2974
0.1283	3.1015	17750	0.3009
0.1188	3.1103	17800	0.2991
0.1382	3.1190	17850	0.3008
0.1336	3.1277	17900	0.3004
0.1159	3.1365	17950	0.2976
0.1237	3.1452	18000	0.2985
0.1275	3.1539	18050	0.2994
0.1219	3.1627	18100	0.3012
0.1351	3.1714	18150	0.3006
0.13	3.1802	18200	0.2999
0.1153	3.1889	18250	0.2992
0.127	3.1976	18300	0.2973
0.1383	3.2064	18350	0.2970
0.1321	3.2151	18400	0.2988
0.135	3.2238	18450	0.2978
0.1231	3.2326	18500	0.2997
0.134	3.2413	18550	0.3012
0.1183	3.2500	18600	0.3012
0.1353	3.2588	18650	0.3008
0.1378	3.2675	18700	0.2974
0.1304	3.2763	18750	0.2966
0.1379	3.2850	18800	0.2957
0.129	3.2937	18850	0.2973
0.133	3.3025	18900	0.2975
0.134	3.3112	18950	0.2993
0.1177	3.3199	19000	0.2978
0.1432	3.3287	19050	0.2951
0.1379	3.3374	19100	0.2966
0.1239	3.3461	19150	0.2976
0.1323	3.3549	19200	0.2976
0.1291	3.3636	19250	0.2973
0.1333	3.3724	19300	0.2976
0.1265	3.3811	19350	0.2960
0.1303	3.3898	19400	0.2985
0.1344	3.3986	19450	0.2967
0.1389	3.4073	19500	0.2956
0.1246	3.4160	19550	0.2952
0.1209	3.4248	19600	0.2971
0.1153	3.4335	19650	0.2998
0.1139	3.4423	19700	0.2975
0.1304	3.4510	19750	0.2994
0.1241	3.4597	19800	0.2983
0.1235	3.4685	19850	0.2977
0.1408	3.4772	19900	0.2964
0.1338	3.4859	19950	0.2978
0.1296	3.4947	20000	0.2974
0.1165	3.5034	20050	0.2980
0.118	3.5121	20100	0.2982
0.1411	3.5209	20150	0.2962
0.1327	3.5296	20200	0.2976
0.1364	3.5384	20250	0.2974
0.1285	3.5471	20300	0.2961
0.1293	3.5558	20350	0.2970
0.1244	3.5646	20400	0.2977
0.115	3.5733	20450	0.2970
0.1279	3.5820	20500	0.2970
0.136	3.5908	20550	0.2986
0.1366	3.5995	20600	0.2988
0.1349	3.6082	20650	0.2970
0.1271	3.6170	20700	0.2967
0.1213	3.6257	20750	0.2977
0.1254	3.6345	20800	0.2982
0.1159	3.6432	20850	0.2976
0.1259	3.6519	20900	0.2977
0.1262	3.6607	20950	0.2979
0.1172	3.6694	21000	0.2974
0.1218	3.6781	21050	0.2983
0.1292	3.6869	21100	0.2984
0.1262	3.6956	21150	0.2976
0.1266	3.7044	21200	0.2968
0.1211	3.7131	21250	0.2970
0.1279	3.7218	21300	0.2971
0.1263	3.7306	21350	0.2966
0.1371	3.7393	21400	0.2980
0.1202	3.7480	21450	0.2974
0.1301	3.7568	21500	0.2980
0.1191	3.7655	21550	0.2985
0.1173	3.7742	21600	0.2984
0.1246	3.7830	21650	0.2995
0.1289	3.7917	21700	0.2989
0.1153	3.8005	21750	0.2981
0.1267	3.8092	21800	0.2985
0.1115	3.8179	21850	0.2985
0.115	3.8267	21900	0.2986
0.1188	3.8354	21950	0.2979
0.1177	3.8441	22000	0.2975
0.1289	3.8529	22050	0.2976
0.1218	3.8616	22100	0.2980
0.1176	3.8703	22150	0.2979
0.1347	3.8791	22200	0.2977
0.1375	3.8878	22250	0.2968
0.1191	3.8966	22300	0.2968
0.1147	3.9053	22350	0.2966
0.1323	3.9140	22400	0.2969
0.1382	3.9228	22450	0.2970
0.1308	3.9315	22500	0.2973
0.1263	3.9402	22550	0.2970
0.1266	3.9490	22600	0.2966
0.1121	3.9577	22650	0.2965
0.1199	3.9665	22700	0.2966
0.1159	3.9752	22750	0.2964
0.1297	3.9839	22800	0.2965
0.1214	3.9927	22850	0.2965

Framework versions

• PEFT 0.11.1
• Transformers 4.42.3
• Pytorch 2.3.0+cu121
• Datasets 2.20.0
• Tokenizers 0.19.1