always_save_checkpoint: False
arg: --wandb_project=moe_gpt
attempt: moe_gpt
aux_loss_weight: 0.01
axial: False
backend: nccl
base_d_embd: 768
base_d_head: 64
base_d_model: 768
base_ffn_expansion: 1
base_n_head: -1
batch_size: 64
beta1: 0.9
beta2: 0.95
bias: False
block_size: 128
ckpt_path:
cola_flops: 534151168
cola_params: 7165056
compile: False
config_file: config/train_open_small.py
d_embd: -1
d_head: 64
d_model: 256
data_dir: /storage/data
dataset: open
decay_lr: False
device: cuda
device_type: cuda
do_qk_ln: True
dropout: 0.0
dtype: bfloat16
emb_params: 57344
eval_interval: 2500
eval_iters: 200
eval_only: False
every_n_fwds: 200
expr:
ffn_expansion: 4
grad_clip: 1.0
gradient_accumulation_steps: 8
head_btt_case_proj: (n|d|n|d)
head_btt_case_qkv: (n|d|n|d)
head_params: 24576
init_lr: 0.003
input_lr_mult: 1.0
key: wandb_project
layers: all_but_last
lm_head_rank_frac: -1.0
lm_head_struct:
lm_head_tt_rank: -1
log_interval: 100
lr_decay_iters: 100000
max_iters: 100000
min_lr: 0.00030000000000000003
n_head: -1
n_layer: 3
neurons: 0
non_emb_flops: 531005440
non_emb_params: 7083136
num_active_experts: 2
num_active_ffn_experts: 2
num_blocks: 4
num_experts: 0
num_ffn_experts: 4
opt_name: AdamW
out_dir: /chkpt/dense_e0_k2_ffe4k2_all_but_last_l3-dm256-de-1-h-1-dh64-ttr1-172320
rank_frac: 0.2
spec_penalty_weight: 0.0
split_qkv: True
struct: dense
timestamp: 2024-05-18_172320
total_tokens: 6017506009
tt_dim: 2
tt_rank: 1
use_head_btt: False
val: moe_gpt
vocab_size: 96
wandb_log: True
wandb_project: moe_gpt
wandb_run_name: dense_e0_k2_ffe4k2_all_but_last_l3-dm256-de-1-h-1-dh64-ttr1-172320
warmup_iters: 2000
weight_decay: 0.0
I 2500 | L 1.2693 | P 3.523e+00 | Lt 1.2858 | Pt 3.582e+00 | H 39.0364 | ETA 1.59h
I 5000 | L 1.2068 | P 3.312e+00 | Lt 1.2154 | Pt 3.340e+00 | H 115.2648 | ETA 1.54h
I 7500 | L 1.1771 | P 3.215e+00 | Lt 1.1963 | Pt 3.277e+00 | H 176.6765 | ETA 1.50h
I 10000 | L 1.1615 | P 3.166e+00 | Lt 1.1777 | Pt 3.217e+00 | H 229.1720 | ETA 1.46h
I 12500 | L 1.1546 | P 3.145e+00 | Lt 1.1677 | Pt 3.186e+00 | H 279.0647 | ETA 1.42h
I 15000 | L 1.1410 | P 3.102e+00 | Lt 1.1615 | Pt 3.166e+00 | H 333.1398 | ETA 1.38h
I 17500 | L 1.1386 | P 3.095e+00 | Lt 1.1593 | Pt 3.159e+00 | H 386.0037 | ETA 1.35h
I 20000 | L 1.1349 | P 3.083e+00 | Lt 1.1511 | Pt 3.134e+00 | H 441.7200 | ETA 1.31h
I 22500 | L 1.1288 | P 3.065e+00 | Lt 1.1501 | Pt 3.131e+00 | H 491.1471 | ETA 1.27h
I 25000 | L 1.1222 | P 3.045e+00 | Lt 1.1437 | Pt 3.111e+00 | H 555.7405 | ETA 1.23h
I 27500 | L 1.1225 | P 3.046e+00 | Lt 1.1405 | Pt 3.101e+00 | H 607.2956 | ETA 1.19h
I 30000 | L 1.1185 | P 3.034e+00 | Lt 1.1370 | Pt 3.090e+00 | H 663.8975 | ETA 1.14h
I 32500 | L 1.1138 | P 3.020e+00 | Lt 1.1340 | Pt 3.081e+00 | H 724.6774 | ETA 1.10h
I 35000 | L 1.1167 | P 3.028e+00 | Lt 1.1303 | Pt 3.070e+00 | H 782.1967 | ETA 1.06h
I 37500 | L 1.1111 | P 3.012e+00 | Lt 1.1340 | Pt 3.081e+00 | H 837.6223 | ETA 1.02h
I 40000 | L 1.1103 | P 3.009e+00 | Lt 1.1313 | Pt 3.073e+00 | H 903.1173 | ETA 0.98h
I 42500 | L 1.1094 | P 3.007e+00 | Lt 1.1258 | Pt 3.056e+00 | H 963.1372 | ETA 0.94h
I 45000 | L 1.1077 | P 3.002e+00 | Lt 1.1279 | Pt 3.062e+00 | H 1015.4682 | ETA 0.90h
I 47500 | L 1.1058 | P 2.996e+00 | Lt 1.1257 | Pt 3.056e+00 | H 1083.1459 | ETA 0.86h
I 50000 | L 1.1025 | P 2.986e+00 | Lt 1.1201 | Pt 3.039e+00 | H 1157.8363 | ETA 0.82h
I 52500 | L 1.1049 | P 2.993e+00 | Lt 1.1233 | Pt 3.048e+00 | H 1214.4332 | ETA 0.78h
I 55000 | L 1.1014 | P 2.983e+00 | Lt 1.1211 | Pt 3.042e+00 | H 1288.6910 | ETA 0.73h
I 57500 | L 1.1031 | P 2.988e+00 | Lt 1.1204 | Pt 3.039e+00 | H 1340.3511 | ETA 0.69h
I 60000 | L 1.1019 | P 2.984e+00 | Lt 1.1210 | Pt 3.042e+00 | H 1423.2552 | ETA 0.65h
I 62500 | L 1.0999 | P 2.978e+00 | Lt 1.1209 | Pt 3.041e+00 | H 1488.4278 | ETA 0.61h
I 65000 | L 1.0985 | P 2.974e+00 | Lt 1.1191 | Pt 3.036e+00 | H 1590.4900 | ETA 0.57h
I 67500 | L 1.0977 | P 2.972e+00 | Lt 1.1135 | Pt 3.019e+00 | H 1628.2761 | ETA 0.53h
I 70000 | L 1.0990 | P 2.976e+00 | Lt 1.1217 | Pt 3.044e+00 | H 1702.8688 | ETA 0.49h
I 72500 | L 1.0971 | P 2.970e+00 | Lt 1.1173 | Pt 3.030e+00 | H 1769.9142 | ETA 0.45h
I 75000 | L 1.0936 | P 2.960e+00 | Lt 1.1160 | Pt 3.026e+00 | H 1855.9488 | ETA 0.41h
I 77500 | L 1.0946 | P 2.963e+00 | Lt 1.1095 | Pt 3.007e+00 | H 1906.7548 | ETA 0.37h
I 80000 | L 1.0928 | P 2.958e+00 | Lt 1.1145 | Pt 3.022e+00 | H 1987.8053 | ETA 0.33h
I 82500 | L 1.0940 | P 2.961e+00 | Lt 1.1114 | Pt 3.013e+00 | H 2059.2556 | ETA 0.29h
I 85000 | L 1.0925 | P 2.957e+00 | Lt 1.1116 | Pt 3.013e+00 | H 2134.3762 | ETA 0.25h
I 87500 | L 1.0943 | P 2.962e+00 | Lt 1.1089 | Pt 3.005e+00 | H 2213.9176 | ETA 0.20h
I 90000 | L 1.0885 | P 2.945e+00 | Lt 1.1093 | Pt 3.006e+00 | H 2308.2465 | ETA 0.16h
I 92500 | L 1.0941 | P 2.961e+00 | Lt 1.1086 | Pt 3.004e+00 | H 2374.0107 | ETA 0.12h
I 95000 | L 1.0954 | P 2.965e+00 | Lt 1.1069 | Pt 2.999e+00 | H 2443.2226 | ETA 0.08h
I 97500 | L 1.0940 | P 2.961e+00 | Lt 1.1080 | Pt 3.002e+00 | H 2526.9464 | ETA 0.04h
I 100000 | L 1.0927 | P 2.957e+00 | Lt 1.1080 | Pt 3.002e+00 | H 2603.6703 | ETA 0.00h
I 100001 | L 1.0927 | P 2.957e+00 | Lt 1.1080 | Pt 3.002e+00
Finished training!
