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: 256704512.0
cola_params: 3172260
compile: False
config_file: config/train_open_small.py
d_embd: -1
d_head: 64
d_model: 512
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: 114688
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: 49152
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: 250413056.0
non_emb_params: 3008420
num_active_experts: 2
num_active_ffn_experts: 2
num_blocks: 4
num_experts: 4
num_ffn_experts: 1
opt_name: AdamW
out_dir: /chkpt/btt_norm_moe_para_e4_k2_ffe1k2_all_but_last_l3-dm512-de-1-h-1-dh64-ttr1-000044
rank_frac: 0.2
spec_penalty_weight: 0.0
split_qkv: True
struct: btt_norm_moe_para
timestamp: 2024-05-19_000044
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_e4_k2_ffe1k2_all_but_last_l3-dm512-de-1-h-1-dh64-ttr1-000044
warmup_iters: 2000
weight_decay: 0.0
I 2500 | L 1.2924 | P 3.605e+00 | Lt 1.3184 | Pt 3.699e+00 | H 5.1926 | ETA 2.42h
I 5000 | L 1.2290 | P 3.385e+00 | Lt 1.2452 | Pt 3.440e+00 | H 10.3292 | ETA 2.38h
I 7500 | L 1.2046 | P 3.304e+00 | Lt 1.2254 | Pt 3.373e+00 | H 13.3854 | ETA 2.31h
I 10000 | L 1.1892 | P 3.254e+00 | Lt 1.2073 | Pt 3.313e+00 | H 16.0311 | ETA 2.24h
I 12500 | L 1.1788 | P 3.221e+00 | Lt 1.1986 | Pt 3.285e+00 | H 18.4991 | ETA 2.18h
I 15000 | L 1.1721 | P 3.200e+00 | Lt 1.1941 | Pt 3.270e+00 | H 20.6656 | ETA 2.11h
I 17500 | L 1.1661 | P 3.181e+00 | Lt 1.1870 | Pt 3.247e+00 | H 23.1512 | ETA 2.05h
I 20000 | L 1.1619 | P 3.167e+00 | Lt 1.1835 | Pt 3.236e+00 | H 25.3880 | ETA 1.98h
I 22500 | L 1.1603 | P 3.162e+00 | Lt 1.1784 | Pt 3.220e+00 | H 27.4368 | ETA 1.92h
I 25000 | L 1.1522 | P 3.137e+00 | Lt 1.1767 | Pt 3.214e+00 | H 29.8479 | ETA 1.85h
I 27500 | L 1.1508 | P 3.133e+00 | Lt 1.1684 | Pt 3.188e+00 | H 31.7695 | ETA 1.80h
I 30000 | L 1.1497 | P 3.129e+00 | Lt 1.1709 | Pt 3.196e+00 | H 33.9797 | ETA 1.74h
I 32500 | L 1.1476 | P 3.123e+00 | Lt 1.1649 | Pt 3.177e+00 | H 36.7954 | ETA 1.67h
I 35000 | L 1.1458 | P 3.117e+00 | Lt 1.1652 | Pt 3.178e+00 | H 39.0504 | ETA 1.61h
I 37500 | L 1.1419 | P 3.105e+00 | Lt 1.1614 | Pt 3.166e+00 | H 41.7908 | ETA 1.55h
I 40000 | L 1.1415 | P 3.104e+00 | Lt 1.1626 | Pt 3.170e+00 | H 44.0376 | ETA 1.49h
I 42500 | L 1.1433 | P 3.110e+00 | Lt 1.1605 | Pt 3.163e+00 | H 46.1034 | ETA 1.42h
I 45000 | L 1.1402 | P 3.100e+00 | Lt 1.1554 | Pt 3.147e+00 | H 48.8041 | ETA 1.36h
I 47500 | L 1.1359 | P 3.087e+00 | Lt 1.1625 | Pt 3.169e+00 | H 50.5626 | ETA 1.30h
I 50000 | L 1.1373 | P 3.091e+00 | Lt 1.1581 | Pt 3.155e+00 | H 53.5163 | ETA 1.24h
I 52500 | L 1.1375 | P 3.092e+00 | Lt 1.1558 | Pt 3.148e+00 | H 55.4892 | ETA 1.18h
I 55000 | L 1.1327 | P 3.077e+00 | Lt 1.1557 | Pt 3.148e+00 | H 58.2554 | ETA 1.11h
I 57500 | L 1.1369 | P 3.090e+00 | Lt 1.1514 | Pt 3.134e+00 | H 60.5380 | ETA 1.05h
I 60000 | L 1.1319 | P 3.074e+00 | Lt 1.1515 | Pt 3.135e+00 | H 63.1577 | ETA 0.99h
I 62500 | L 1.1337 | P 3.080e+00 | Lt 1.1508 | Pt 3.133e+00 | H 65.1080 | ETA 0.93h
I 65000 | L 1.1319 | P 3.074e+00 | Lt 1.1542 | Pt 3.143e+00 | H 67.5755 | ETA 0.87h
I 67500 | L 1.1315 | P 3.073e+00 | Lt 1.1501 | Pt 3.130e+00 | H 69.9083 | ETA 0.80h
I 70000 | L 1.1259 | P 3.056e+00 | Lt 1.1480 | Pt 3.124e+00 | H 72.6286 | ETA 0.74h
I 72500 | L 1.1295 | P 3.067e+00 | Lt 1.1474 | Pt 3.122e+00 | H 75.8983 | ETA 0.68h
I 75000 | L 1.1306 | P 3.070e+00 | Lt 1.1454 | Pt 3.116e+00 | H 78.7159 | ETA 0.62h
I 77500 | L 1.1281 | P 3.063e+00 | Lt 1.1464 | Pt 3.119e+00 | H 81.7900 | ETA 0.56h
I 80000 | L 1.1257 | P 3.056e+00 | Lt 1.1468 | Pt 3.120e+00 | H 82.3769 | ETA 0.50h
I 82500 | L 1.1247 | P 3.053e+00 | Lt 1.1450 | Pt 3.115e+00 | H 85.7655 | ETA 0.43h
I 85000 | L 1.1305 | P 3.070e+00 | Lt 1.1460 | Pt 3.118e+00 | H 87.5367 | ETA 0.37h
I 87500 | L 1.1220 | P 3.044e+00 | Lt 1.1442 | Pt 3.112e+00 | H 90.5442 | ETA 0.31h
I 90000 | L 1.1252 | P 3.054e+00 | Lt 1.1473 | Pt 3.122e+00 | H 94.6406 | ETA 0.25h
I 92500 | L 1.1259 | P 3.056e+00 | Lt 1.1423 | Pt 3.106e+00 | H 96.2464 | ETA 0.19h
I 95000 | L 1.1256 | P 3.055e+00 | Lt 1.1437 | Pt 3.111e+00 | H 99.3611 | ETA 0.12h
I 97500 | L 1.1212 | P 3.042e+00 | Lt 1.1408 | Pt 3.102e+00 | H 101.6005 | ETA 0.06h
I 100000 | L 1.1232 | P 3.048e+00 | Lt 1.1476 | Pt 3.123e+00 | H 104.3539 | ETA 0.00h
I 100001 | L 1.1232 | P 3.048e+00 | Lt 1.1476 | Pt 3.123e+00
Finished training!
