mikhail-panzo's picture
Training in progress, step 5500, checkpoint
3db2c96 verified
raw
history blame
21.6 kB
{
"best_metric": 0.41181260347366333,
"best_model_checkpoint": "mikhail-panzo/zlm-fil_b64_le5_s8000/checkpoint-5000",
"epoch": 244.44444444444446,
"eval_steps": 500,
"global_step": 5500,
"is_hyper_param_search": false,
"is_local_process_zero": true,
"is_world_process_zero": true,
"log_history": [
{
"epoch": 2.2222222222222223,
"grad_norm": 4.803515434265137,
"learning_rate": 2.5000000000000004e-07,
"loss": 0.8968,
"step": 50
},
{
"epoch": 4.444444444444445,
"grad_norm": 2.6444506645202637,
"learning_rate": 5.000000000000001e-07,
"loss": 0.8539,
"step": 100
},
{
"epoch": 6.666666666666667,
"grad_norm": 1.9820537567138672,
"learning_rate": 7.5e-07,
"loss": 0.7856,
"step": 150
},
{
"epoch": 8.88888888888889,
"grad_norm": 1.2031773328781128,
"learning_rate": 1.0000000000000002e-06,
"loss": 0.7306,
"step": 200
},
{
"epoch": 11.11111111111111,
"grad_norm": 1.728398084640503,
"learning_rate": 1.25e-06,
"loss": 0.6821,
"step": 250
},
{
"epoch": 13.333333333333334,
"grad_norm": 1.232366681098938,
"learning_rate": 1.5e-06,
"loss": 0.6348,
"step": 300
},
{
"epoch": 15.555555555555555,
"grad_norm": 1.4039260149002075,
"learning_rate": 1.75e-06,
"loss": 0.5962,
"step": 350
},
{
"epoch": 17.77777777777778,
"grad_norm": 1.1848849058151245,
"learning_rate": 2.0000000000000003e-06,
"loss": 0.5758,
"step": 400
},
{
"epoch": 20.0,
"grad_norm": 0.9365352392196655,
"learning_rate": 2.25e-06,
"loss": 0.5636,
"step": 450
},
{
"epoch": 22.22222222222222,
"grad_norm": 0.9893051981925964,
"learning_rate": 2.5e-06,
"loss": 0.5529,
"step": 500
},
{
"epoch": 22.22222222222222,
"eval_loss": 0.4999743402004242,
"eval_runtime": 6.8701,
"eval_samples_per_second": 23.144,
"eval_steps_per_second": 2.911,
"step": 500
},
{
"epoch": 24.444444444444443,
"grad_norm": 0.7535696029663086,
"learning_rate": 2.7500000000000004e-06,
"loss": 0.5476,
"step": 550
},
{
"epoch": 26.666666666666668,
"grad_norm": 0.7487667202949524,
"learning_rate": 3e-06,
"loss": 0.536,
"step": 600
},
{
"epoch": 28.88888888888889,
"grad_norm": 0.9480589628219604,
"learning_rate": 3.2500000000000002e-06,
"loss": 0.5271,
"step": 650
},
{
"epoch": 31.11111111111111,
"grad_norm": 1.0027987957000732,
"learning_rate": 3.5e-06,
"loss": 0.5202,
"step": 700
},
{
"epoch": 33.333333333333336,
"grad_norm": 0.7353075742721558,
"learning_rate": 3.7500000000000005e-06,
"loss": 0.5128,
"step": 750
},
{
"epoch": 35.55555555555556,
"grad_norm": 1.2223567962646484,
"learning_rate": 4.000000000000001e-06,
"loss": 0.5159,
"step": 800
},
{
"epoch": 37.77777777777778,
"grad_norm": 0.835096001625061,
"learning_rate": 4.25e-06,
"loss": 0.5051,
"step": 850
},
{
"epoch": 40.0,
"grad_norm": 0.8878389000892639,
"learning_rate": 4.5e-06,
"loss": 0.5044,
"step": 900
},
{
"epoch": 42.22222222222222,
"grad_norm": 0.8464574813842773,
"learning_rate": 4.75e-06,
"loss": 0.4984,
"step": 950
},
{
"epoch": 44.44444444444444,
"grad_norm": 0.8119956254959106,
"learning_rate": 5e-06,
"loss": 0.4974,
"step": 1000
},
{
"epoch": 44.44444444444444,
"eval_loss": 0.4557439386844635,
"eval_runtime": 6.6345,
"eval_samples_per_second": 23.965,
"eval_steps_per_second": 3.015,
"step": 1000
},
{
"epoch": 46.666666666666664,
"grad_norm": 1.2427846193313599,
"learning_rate": 5.2500000000000006e-06,
"loss": 0.4943,
"step": 1050
},
{
"epoch": 48.888888888888886,
"grad_norm": 0.9691639542579651,
"learning_rate": 5.500000000000001e-06,
"loss": 0.4879,
"step": 1100
},
{
"epoch": 51.111111111111114,
"grad_norm": 0.815934419631958,
"learning_rate": 5.75e-06,
"loss": 0.4825,
"step": 1150
},
{
"epoch": 53.333333333333336,
"grad_norm": 1.090553641319275,
"learning_rate": 6e-06,
"loss": 0.4875,
"step": 1200
},
{
"epoch": 55.55555555555556,
"grad_norm": 1.090770959854126,
"learning_rate": 6.25e-06,
"loss": 0.4821,
"step": 1250
},
{
"epoch": 57.77777777777778,
"grad_norm": 1.2514219284057617,
"learning_rate": 6.5000000000000004e-06,
"loss": 0.4752,
"step": 1300
},
{
"epoch": 60.0,
"grad_norm": 1.0580047369003296,
"learning_rate": 6.750000000000001e-06,
"loss": 0.4749,
"step": 1350
},
{
"epoch": 62.22222222222222,
"grad_norm": 1.2864220142364502,
"learning_rate": 7e-06,
"loss": 0.4727,
"step": 1400
},
{
"epoch": 64.44444444444444,
"grad_norm": 1.0031774044036865,
"learning_rate": 7.25e-06,
"loss": 0.4706,
"step": 1450
},
{
"epoch": 66.66666666666667,
"grad_norm": 0.7133861184120178,
"learning_rate": 7.500000000000001e-06,
"loss": 0.4716,
"step": 1500
},
{
"epoch": 66.66666666666667,
"eval_loss": 0.43592509627342224,
"eval_runtime": 6.6514,
"eval_samples_per_second": 23.905,
"eval_steps_per_second": 3.007,
"step": 1500
},
{
"epoch": 68.88888888888889,
"grad_norm": 0.8695252537727356,
"learning_rate": 7.75e-06,
"loss": 0.464,
"step": 1550
},
{
"epoch": 71.11111111111111,
"grad_norm": 2.2705039978027344,
"learning_rate": 8.000000000000001e-06,
"loss": 0.4677,
"step": 1600
},
{
"epoch": 73.33333333333333,
"grad_norm": 0.8814280033111572,
"learning_rate": 8.25e-06,
"loss": 0.4628,
"step": 1650
},
{
"epoch": 75.55555555555556,
"grad_norm": 0.6686401963233948,
"learning_rate": 8.5e-06,
"loss": 0.4642,
"step": 1700
},
{
"epoch": 77.77777777777777,
"grad_norm": 1.1037653684616089,
"learning_rate": 8.750000000000001e-06,
"loss": 0.4582,
"step": 1750
},
{
"epoch": 80.0,
"grad_norm": 1.0339733362197876,
"learning_rate": 9e-06,
"loss": 0.4595,
"step": 1800
},
{
"epoch": 82.22222222222223,
"grad_norm": 0.715323269367218,
"learning_rate": 9.250000000000001e-06,
"loss": 0.4621,
"step": 1850
},
{
"epoch": 84.44444444444444,
"grad_norm": 0.872926652431488,
"learning_rate": 9.5e-06,
"loss": 0.4553,
"step": 1900
},
{
"epoch": 86.66666666666667,
"grad_norm": 0.8996181488037109,
"learning_rate": 9.75e-06,
"loss": 0.4528,
"step": 1950
},
{
"epoch": 88.88888888888889,
"grad_norm": 1.3289371728897095,
"learning_rate": 1e-05,
"loss": 0.453,
"step": 2000
},
{
"epoch": 88.88888888888889,
"eval_loss": 0.4245700240135193,
"eval_runtime": 6.6886,
"eval_samples_per_second": 23.772,
"eval_steps_per_second": 2.99,
"step": 2000
},
{
"epoch": 91.11111111111111,
"grad_norm": 0.9035242795944214,
"learning_rate": 9.916666666666668e-06,
"loss": 0.4504,
"step": 2050
},
{
"epoch": 93.33333333333333,
"grad_norm": 1.091410756111145,
"learning_rate": 9.833333333333333e-06,
"loss": 0.4528,
"step": 2100
},
{
"epoch": 95.55555555555556,
"grad_norm": 0.7232839465141296,
"learning_rate": 9.75e-06,
"loss": 0.4481,
"step": 2150
},
{
"epoch": 97.77777777777777,
"grad_norm": 0.9006613492965698,
"learning_rate": 9.666666666666667e-06,
"loss": 0.444,
"step": 2200
},
{
"epoch": 100.0,
"grad_norm": 0.9088640809059143,
"learning_rate": 9.583333333333335e-06,
"loss": 0.4445,
"step": 2250
},
{
"epoch": 102.22222222222223,
"grad_norm": 1.2409088611602783,
"learning_rate": 9.5e-06,
"loss": 0.4457,
"step": 2300
},
{
"epoch": 104.44444444444444,
"grad_norm": 0.749260663986206,
"learning_rate": 9.416666666666667e-06,
"loss": 0.4453,
"step": 2350
},
{
"epoch": 106.66666666666667,
"grad_norm": 0.7552911639213562,
"learning_rate": 9.333333333333334e-06,
"loss": 0.4402,
"step": 2400
},
{
"epoch": 108.88888888888889,
"grad_norm": 1.0751075744628906,
"learning_rate": 9.250000000000001e-06,
"loss": 0.4417,
"step": 2450
},
{
"epoch": 111.11111111111111,
"grad_norm": 0.8774231672286987,
"learning_rate": 9.166666666666666e-06,
"loss": 0.4428,
"step": 2500
},
{
"epoch": 111.11111111111111,
"eval_loss": 0.41958874464035034,
"eval_runtime": 6.7008,
"eval_samples_per_second": 23.728,
"eval_steps_per_second": 2.985,
"step": 2500
},
{
"epoch": 113.33333333333333,
"grad_norm": 1.3239281177520752,
"learning_rate": 9.083333333333333e-06,
"loss": 0.4399,
"step": 2550
},
{
"epoch": 115.55555555555556,
"grad_norm": 0.9855658411979675,
"learning_rate": 9e-06,
"loss": 0.4376,
"step": 2600
},
{
"epoch": 117.77777777777777,
"grad_norm": 0.9498355984687805,
"learning_rate": 8.916666666666667e-06,
"loss": 0.4427,
"step": 2650
},
{
"epoch": 120.0,
"grad_norm": 1.3080662488937378,
"learning_rate": 8.833333333333334e-06,
"loss": 0.437,
"step": 2700
},
{
"epoch": 122.22222222222223,
"grad_norm": 0.6745712757110596,
"learning_rate": 8.750000000000001e-06,
"loss": 0.4405,
"step": 2750
},
{
"epoch": 124.44444444444444,
"grad_norm": 1.136643409729004,
"learning_rate": 8.666666666666668e-06,
"loss": 0.4329,
"step": 2800
},
{
"epoch": 126.66666666666667,
"grad_norm": 0.8538027405738831,
"learning_rate": 8.583333333333333e-06,
"loss": 0.4313,
"step": 2850
},
{
"epoch": 128.88888888888889,
"grad_norm": 0.8776795268058777,
"learning_rate": 8.5e-06,
"loss": 0.43,
"step": 2900
},
{
"epoch": 131.11111111111111,
"grad_norm": 0.987410306930542,
"learning_rate": 8.416666666666667e-06,
"loss": 0.4346,
"step": 2950
},
{
"epoch": 133.33333333333334,
"grad_norm": 1.061345100402832,
"learning_rate": 8.333333333333334e-06,
"loss": 0.4332,
"step": 3000
},
{
"epoch": 133.33333333333334,
"eval_loss": 0.4170692563056946,
"eval_runtime": 6.8806,
"eval_samples_per_second": 23.108,
"eval_steps_per_second": 2.907,
"step": 3000
},
{
"epoch": 135.55555555555554,
"grad_norm": 0.9580554962158203,
"learning_rate": 8.25e-06,
"loss": 0.4344,
"step": 3050
},
{
"epoch": 137.77777777777777,
"grad_norm": 0.8951635956764221,
"learning_rate": 8.166666666666668e-06,
"loss": 0.4303,
"step": 3100
},
{
"epoch": 140.0,
"grad_norm": 1.0797936916351318,
"learning_rate": 8.083333333333334e-06,
"loss": 0.4331,
"step": 3150
},
{
"epoch": 142.22222222222223,
"grad_norm": 1.1288533210754395,
"learning_rate": 8.000000000000001e-06,
"loss": 0.425,
"step": 3200
},
{
"epoch": 144.44444444444446,
"grad_norm": 0.9219405055046082,
"learning_rate": 7.916666666666667e-06,
"loss": 0.4335,
"step": 3250
},
{
"epoch": 146.66666666666666,
"grad_norm": 0.8145209550857544,
"learning_rate": 7.833333333333333e-06,
"loss": 0.4249,
"step": 3300
},
{
"epoch": 148.88888888888889,
"grad_norm": 0.7597942352294922,
"learning_rate": 7.75e-06,
"loss": 0.4284,
"step": 3350
},
{
"epoch": 151.11111111111111,
"grad_norm": 1.0502862930297852,
"learning_rate": 7.666666666666667e-06,
"loss": 0.4285,
"step": 3400
},
{
"epoch": 153.33333333333334,
"grad_norm": 0.9932737350463867,
"learning_rate": 7.583333333333333e-06,
"loss": 0.4263,
"step": 3450
},
{
"epoch": 155.55555555555554,
"grad_norm": 0.9701213836669922,
"learning_rate": 7.500000000000001e-06,
"loss": 0.4246,
"step": 3500
},
{
"epoch": 155.55555555555554,
"eval_loss": 0.41539278626441956,
"eval_runtime": 6.9499,
"eval_samples_per_second": 22.878,
"eval_steps_per_second": 2.878,
"step": 3500
},
{
"epoch": 157.77777777777777,
"grad_norm": 1.0768437385559082,
"learning_rate": 7.416666666666668e-06,
"loss": 0.4252,
"step": 3550
},
{
"epoch": 160.0,
"grad_norm": 0.7991815805435181,
"learning_rate": 7.333333333333333e-06,
"loss": 0.4219,
"step": 3600
},
{
"epoch": 162.22222222222223,
"grad_norm": 1.1402180194854736,
"learning_rate": 7.25e-06,
"loss": 0.4247,
"step": 3650
},
{
"epoch": 164.44444444444446,
"grad_norm": 0.8970450758934021,
"learning_rate": 7.166666666666667e-06,
"loss": 0.4252,
"step": 3700
},
{
"epoch": 166.66666666666666,
"grad_norm": 0.733568549156189,
"learning_rate": 7.083333333333335e-06,
"loss": 0.4238,
"step": 3750
},
{
"epoch": 168.88888888888889,
"grad_norm": 1.1045589447021484,
"learning_rate": 7e-06,
"loss": 0.4275,
"step": 3800
},
{
"epoch": 171.11111111111111,
"grad_norm": 1.0485199689865112,
"learning_rate": 6.916666666666667e-06,
"loss": 0.4295,
"step": 3850
},
{
"epoch": 173.33333333333334,
"grad_norm": 0.9441601634025574,
"learning_rate": 6.833333333333334e-06,
"loss": 0.4206,
"step": 3900
},
{
"epoch": 175.55555555555554,
"grad_norm": 0.7985955476760864,
"learning_rate": 6.750000000000001e-06,
"loss": 0.4263,
"step": 3950
},
{
"epoch": 177.77777777777777,
"grad_norm": 0.6838188171386719,
"learning_rate": 6.666666666666667e-06,
"loss": 0.4202,
"step": 4000
},
{
"epoch": 177.77777777777777,
"eval_loss": 0.41334837675094604,
"eval_runtime": 6.7658,
"eval_samples_per_second": 23.5,
"eval_steps_per_second": 2.956,
"step": 4000
},
{
"epoch": 180.0,
"grad_norm": 1.0729726552963257,
"learning_rate": 6.5833333333333335e-06,
"loss": 0.4218,
"step": 4050
},
{
"epoch": 182.22222222222223,
"grad_norm": 0.8395955562591553,
"learning_rate": 6.5000000000000004e-06,
"loss": 0.4172,
"step": 4100
},
{
"epoch": 184.44444444444446,
"grad_norm": 0.7987414002418518,
"learning_rate": 6.416666666666667e-06,
"loss": 0.4222,
"step": 4150
},
{
"epoch": 186.66666666666666,
"grad_norm": 0.7480828762054443,
"learning_rate": 6.333333333333333e-06,
"loss": 0.4178,
"step": 4200
},
{
"epoch": 188.88888888888889,
"grad_norm": 1.003481149673462,
"learning_rate": 6.25e-06,
"loss": 0.4183,
"step": 4250
},
{
"epoch": 191.11111111111111,
"grad_norm": 1.080949306488037,
"learning_rate": 6.168333333333334e-06,
"loss": 0.4207,
"step": 4300
},
{
"epoch": 193.33333333333334,
"grad_norm": 1.0521224737167358,
"learning_rate": 6.085000000000001e-06,
"loss": 0.4186,
"step": 4350
},
{
"epoch": 195.55555555555554,
"grad_norm": 0.9048583507537842,
"learning_rate": 6.001666666666667e-06,
"loss": 0.418,
"step": 4400
},
{
"epoch": 197.77777777777777,
"grad_norm": 1.4653879404067993,
"learning_rate": 5.918333333333334e-06,
"loss": 0.414,
"step": 4450
},
{
"epoch": 200.0,
"grad_norm": 1.5214589834213257,
"learning_rate": 5.835000000000001e-06,
"loss": 0.4223,
"step": 4500
},
{
"epoch": 200.0,
"eval_loss": 0.41453027725219727,
"eval_runtime": 6.6498,
"eval_samples_per_second": 23.91,
"eval_steps_per_second": 3.008,
"step": 4500
},
{
"epoch": 202.22222222222223,
"grad_norm": 1.1058125495910645,
"learning_rate": 5.751666666666668e-06,
"loss": 0.4164,
"step": 4550
},
{
"epoch": 204.44444444444446,
"grad_norm": 0.8250144124031067,
"learning_rate": 5.668333333333334e-06,
"loss": 0.418,
"step": 4600
},
{
"epoch": 206.66666666666666,
"grad_norm": 0.710696816444397,
"learning_rate": 5.585000000000001e-06,
"loss": 0.4195,
"step": 4650
},
{
"epoch": 208.88888888888889,
"grad_norm": 0.8722075819969177,
"learning_rate": 5.501666666666668e-06,
"loss": 0.4127,
"step": 4700
},
{
"epoch": 211.11111111111111,
"grad_norm": 1.548494815826416,
"learning_rate": 5.418333333333333e-06,
"loss": 0.4175,
"step": 4750
},
{
"epoch": 213.33333333333334,
"grad_norm": 1.0577216148376465,
"learning_rate": 5.335000000000001e-06,
"loss": 0.4142,
"step": 4800
},
{
"epoch": 215.55555555555554,
"grad_norm": 0.8775042295455933,
"learning_rate": 5.2516666666666675e-06,
"loss": 0.4185,
"step": 4850
},
{
"epoch": 217.77777777777777,
"grad_norm": 0.8470151424407959,
"learning_rate": 5.168333333333334e-06,
"loss": 0.4107,
"step": 4900
},
{
"epoch": 220.0,
"grad_norm": 0.9309485554695129,
"learning_rate": 5.085e-06,
"loss": 0.4138,
"step": 4950
},
{
"epoch": 222.22222222222223,
"grad_norm": 0.7797917127609253,
"learning_rate": 5.0016666666666665e-06,
"loss": 0.4127,
"step": 5000
},
{
"epoch": 222.22222222222223,
"eval_loss": 0.41181260347366333,
"eval_runtime": 6.6484,
"eval_samples_per_second": 23.915,
"eval_steps_per_second": 3.008,
"step": 5000
},
{
"epoch": 224.44444444444446,
"grad_norm": 0.7094744443893433,
"learning_rate": 4.918333333333334e-06,
"loss": 0.418,
"step": 5050
},
{
"epoch": 226.66666666666666,
"grad_norm": 0.798126220703125,
"learning_rate": 4.835e-06,
"loss": 0.4099,
"step": 5100
},
{
"epoch": 228.88888888888889,
"grad_norm": 0.8107690811157227,
"learning_rate": 4.751666666666667e-06,
"loss": 0.4115,
"step": 5150
},
{
"epoch": 231.11111111111111,
"grad_norm": 0.9693463444709778,
"learning_rate": 4.668333333333333e-06,
"loss": 0.4096,
"step": 5200
},
{
"epoch": 233.33333333333334,
"grad_norm": 0.6815030574798584,
"learning_rate": 4.585e-06,
"loss": 0.416,
"step": 5250
},
{
"epoch": 235.55555555555554,
"grad_norm": 0.9453757405281067,
"learning_rate": 4.501666666666667e-06,
"loss": 0.412,
"step": 5300
},
{
"epoch": 237.77777777777777,
"grad_norm": 0.744594395160675,
"learning_rate": 4.418333333333334e-06,
"loss": 0.41,
"step": 5350
},
{
"epoch": 240.0,
"grad_norm": 0.7826279401779175,
"learning_rate": 4.335e-06,
"loss": 0.4174,
"step": 5400
},
{
"epoch": 242.22222222222223,
"grad_norm": 0.8793866634368896,
"learning_rate": 4.253333333333334e-06,
"loss": 0.4189,
"step": 5450
},
{
"epoch": 244.44444444444446,
"grad_norm": 0.7588925361633301,
"learning_rate": 4.17e-06,
"loss": 0.418,
"step": 5500
},
{
"epoch": 244.44444444444446,
"eval_loss": 0.41301560401916504,
"eval_runtime": 6.6915,
"eval_samples_per_second": 23.761,
"eval_steps_per_second": 2.989,
"step": 5500
}
],
"logging_steps": 50,
"max_steps": 8000,
"num_input_tokens_seen": 0,
"num_train_epochs": 364,
"save_steps": 500,
"stateful_callbacks": {
"TrainerControl": {
"args": {
"should_epoch_stop": false,
"should_evaluate": false,
"should_log": false,
"should_save": true,
"should_training_stop": false
},
"attributes": {}
}
},
"total_flos": 8.00460473760985e+16,
"train_batch_size": 32,
"trial_name": null,
"trial_params": null
}