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: 107511808.0
cola_params: 4126884
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: 104366080.0
non_emb_params: 4044964
num_active_experts: 2
num_active_ffn_experts: 2
num_blocks: 4
num_experts: 16
num_ffn_experts: 1
opt_name: AdamW
out_dir: /chkpt/btt_norm_moe_para_e16_k2_ffe1k2_all_but_last_l3-dm256-de-1-h-1-dh64-ttr1-235837
rank_frac: 0.2
spec_penalty_weight: 0.0
split_qkv: True
struct: btt_norm_moe_para
timestamp: 2024-05-18_235837
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: btt_norm_moe_para_e16_k2_ffe1k2_all_but_last_l3-dm256-de-1-h-1-dh64-ttr1-235837
warmup_iters: 2000
weight_decay: 0.0
I 2500 | L 1.2980 | P 3.625e+00 | Lt 1.3205 | Pt 3.707e+00 | H 4.0530 | ETA 2.43h
I 5000 | L 1.2260 | P 3.375e+00 | Lt 1.2512 | Pt 3.461e+00 | H 8.1185 | ETA 2.43h
I 7500 | L 1.2056 | P 3.308e+00 | Lt 1.2256 | Pt 3.374e+00 | H 10.8294 | ETA 2.35h
I 10000 | L 1.1872 | P 3.248e+00 | Lt 1.2066 | Pt 3.311e+00 | H 12.9689 | ETA 2.30h
I 12500 | L 1.1752 | P 3.210e+00 | Lt 1.1977 | Pt 3.282e+00 | H 14.6636 | ETA 2.23h
I 15000 | L 1.1674 | P 3.185e+00 | Lt 1.1873 | Pt 3.248e+00 | H 16.4092 | ETA 2.16h
I 17500 | L 1.1637 | P 3.173e+00 | Lt 1.1866 | Pt 3.246e+00 | H 17.9457 | ETA 2.10h
I 20000 | L 1.1561 | P 3.149e+00 | Lt 1.1808 | Pt 3.227e+00 | H 19.4927 | ETA 2.04h
I 22500 | L 1.1546 | P 3.144e+00 | Lt 1.1725 | Pt 3.201e+00 | H 20.7903 | ETA 1.97h
I 25000 | L 1.1500 | P 3.130e+00 | Lt 1.1692 | Pt 3.190e+00 | H 22.2289 | ETA 1.91h
I 27500 | L 1.1477 | P 3.123e+00 | Lt 1.1676 | Pt 3.185e+00 | H 23.9261 | ETA 1.84h
I 30000 | L 1.1427 | P 3.107e+00 | Lt 1.1636 | Pt 3.173e+00 | H 25.4427 | ETA 1.78h
I 32500 | L 1.1421 | P 3.106e+00 | Lt 1.1577 | Pt 3.154e+00 | H 26.7673 | ETA 1.72h
I 35000 | L 1.1400 | P 3.099e+00 | Lt 1.1599 | Pt 3.161e+00 | H 28.4915 | ETA 1.65h
I 37500 | L 1.1388 | P 3.096e+00 | Lt 1.1577 | Pt 3.154e+00 | H 30.0641 | ETA 1.59h
I 40000 | L 1.1329 | P 3.077e+00 | Lt 1.1537 | Pt 3.142e+00 | H 31.6762 | ETA 1.53h
I 42500 | L 1.1325 | P 3.076e+00 | Lt 1.1532 | Pt 3.140e+00 | H 33.1811 | ETA 1.46h
I 45000 | L 1.1282 | P 3.063e+00 | Lt 1.1457 | Pt 3.117e+00 | H 34.7817 | ETA 1.40h
I 47500 | L 1.1289 | P 3.065e+00 | Lt 1.1479 | Pt 3.124e+00 | H 36.1285 | ETA 1.34h
I 50000 | L 1.1289 | P 3.065e+00 | Lt 1.1515 | Pt 3.135e+00 | H 37.3639 | ETA 1.27h
I 52500 | L 1.1255 | P 3.055e+00 | Lt 1.1487 | Pt 3.126e+00 | H 39.4364 | ETA 1.21h
I 55000 | L 1.1265 | P 3.058e+00 | Lt 1.1501 | Pt 3.130e+00 | H 40.3958 | ETA 1.14h
I 57500 | L 1.1258 | P 3.056e+00 | Lt 1.1474 | Pt 3.122e+00 | H 41.7930 | ETA 1.08h
I 60000 | L 1.1228 | P 3.047e+00 | Lt 1.1475 | Pt 3.122e+00 | H 43.0278 | ETA 1.01h
I 62500 | L 1.1259 | P 3.056e+00 | Lt 1.1432 | Pt 3.109e+00 | H 44.3074 | ETA 0.95h
I 65000 | L 1.1220 | P 3.044e+00 | Lt 1.1423 | Pt 3.106e+00 | H 46.4256 | ETA 0.89h
I 67500 | L 1.1210 | P 3.041e+00 | Lt 1.1414 | Pt 3.104e+00 | H 47.5634 | ETA 0.82h
I 70000 | L 1.1209 | P 3.041e+00 | Lt 1.1380 | Pt 3.093e+00 | H 49.2911 | ETA 0.76h
I 72500 | L 1.1235 | P 3.049e+00 | Lt 1.1433 | Pt 3.110e+00 | H 50.1908 | ETA 0.70h
I 75000 | L 1.1186 | P 3.034e+00 | Lt 1.1393 | Pt 3.097e+00 | H 51.7946 | ETA 0.63h
I 77500 | L 1.1195 | P 3.037e+00 | Lt 1.1349 | Pt 3.083e+00 | H 53.0771 | ETA 0.57h
I 80000 | L 1.1164 | P 3.028e+00 | Lt 1.1401 | Pt 3.100e+00 | H 54.8538 | ETA 0.51h
I 82500 | L 1.1152 | P 3.024e+00 | Lt 1.1377 | Pt 3.092e+00 | H 56.4305 | ETA 0.44h
I 85000 | L 1.1146 | P 3.022e+00 | Lt 1.1400 | Pt 3.099e+00 | H 57.4954 | ETA 0.38h
I 87500 | L 1.1187 | P 3.034e+00 | Lt 1.1377 | Pt 3.092e+00 | H 59.3501 | ETA 0.32h
I 90000 | L 1.1167 | P 3.028e+00 | Lt 1.1349 | Pt 3.084e+00 | H 60.5837 | ETA 0.25h
I 92500 | L 1.1119 | P 3.014e+00 | Lt 1.1339 | Pt 3.081e+00 | H 61.6483 | ETA 0.19h
I 95000 | L 1.1154 | P 3.025e+00 | Lt 1.1352 | Pt 3.085e+00 | H 64.1343 | ETA 0.13h
I 97500 | L 1.1145 | P 3.022e+00 | Lt 1.1334 | Pt 3.079e+00 | H 64.8970 | ETA 0.06h
I 100000 | L 1.1109 | P 3.011e+00 | Lt 1.1347 | Pt 3.083e+00 | H 66.4603 | ETA 0.00h
I 100001 | L 1.1109 | P 3.011e+00 | Lt 1.1347 | Pt 3.083e+00
Finished training!
