Views
No views yet
Service: Private
Node: StormPeak
GPU: 2 x RTX 4090 (24 GiB)
CPU: 62 vCPU
RAM: 400 GiB
0.6.01base_model: /cpool/DeepSeek-R1-Distill-Qwen-32B
2
3load_in_8bit: false
4load_in_4bit: true
5strict: false
6
7datasets:
8 - path: Guilherme34/uncensor
9 type: chat_template
10 chat_template: llama3
11 field_messages: messages
12 message_field_role: role
13 message_field_content: content
14 roles:
15 system:
16 - system
17 user:
18 - user
19 assistant:
20 - assistant
21dataset_prepared_path: last_run_prepared
22val_set_size: 0.0
23output_dir: ./outputs/out/DeepSeek-R1-Distill-Qwen-32B-Uncensored
24save_safetensors: true
25
26sequence_len: 4096
27sample_packing: false
28pad_to_sequence_len: true
29
30adapter: qlora
31lora_model_dir:
32lora_r: 32
33lora_alpha: 16
34lora_dropout: 0.05
35lora_target_linear: true
36lora_fan_in_fan_out:
37
38gradient_accumulation_steps: 4
39micro_batch_size: 1
40num_epochs: 4
41optimizer: adamw_torch
42lr_scheduler: cosine
43learning_rate: 0.0002
44
45train_on_inputs: false
46group_by_length: false
47bf16: true
48tf32: true
49
50gradient_checkpointing: true
51gradient_checkpointing_kwargs:
52 use_reentrant: true
53logging_steps: 1
54flash_attention: true
55
56warmup_steps: 10
57evals_per_epoch: 1
58eval_table_size: 20
59eval_max_new_tokens: 128
60saves_per_epoch: 1
61save_total_limit: 20
62debug:
63deepspeed:
64weight_decay: 0.0
65fsdp:
66 - full_shard
67 - auto_wrap
68fsdp_config:
69 fsdp_limit_all_gathers: true
70 fsdp_sync_module_states: true
71 fsdp_offload_params: true
72 fsdp_use_orig_params: false
73 fsdp_cpu_ram_efficient_loading: true
74 fsdp_auto_wrap_policy: TRANSFORMER_BASED_WRAP
75 fsdp_transformer_layer_cls_to_wrap: Qwen2DecoderLayer
76 fsdp_state_dict_type: FULL_STATE_DICT
77 fsdp_sharding_strategy: FULL_SHARD
78special_tokens:
791{'loss': 1.0609, 'grad_norm': 0.10617450624704361, 'learning_rate': 2e-05, 'epoch': 0.01}
2{'loss': 0.8002, 'grad_norm': 0.08922120183706284, 'learning_rate': 4e-05, 'epoch': 0.02}
3{'loss': 1.0642, 'grad_norm': 0.09796449542045593, 'learning_rate': 6e-05, 'epoch': 0.03}
4{'loss': 1.3314, 'grad_norm': 0.07504308968782425, 'learning_rate': 8e-05, 'epoch': 0.03}
5{'loss': 0.9096, 'grad_norm': 0.13153880834579468, 'learning_rate': 0.0001, 'epoch': 0.04}
6{'loss': 1.3066, 'grad_norm': 0.12239871919155121, 'learning_rate': 0.00012, 'epoch': 0.05}
7{'loss': 0.9084, 'grad_norm': 0.16333891451358795, 'learning_rate': 0.00014, 'epoch': 0.06}
8{'loss': 0.9529, 'grad_norm': 0.1972486823797226, 'learning_rate': 0.00016, 'epoch': 0.07}
9{'loss': 0.7854, 'grad_norm': 0.20466002821922302, 'learning_rate': 0.00018, 'epoch': 0.08}
10{'loss': 0.9573, 'grad_norm': 0.159206360578537, 'learning_rate': 0.0002, 'epoch': 0.09}
11{'loss': 0.9198, 'grad_norm': 0.1436036378145218, 'learning_rate': 0.0001999976474595967, 'epoch': 0.09}
12{'loss': 0.7141, 'grad_norm': 0.09368328005075455, 'learning_rate': 0.00019999058994907564, 'epoch': 0.1}
13{'loss': 0.8308, 'grad_norm': 0.15052762627601624, 'learning_rate': 0.00019997882780049847, 'epoch': 0.11}
14{'loss': 0.9606, 'grad_norm': 0.1979999989271164, 'learning_rate': 0.0001999623615672837, 'epoch': 0.12}
15{'loss': 1.0576, 'grad_norm': 0.09997200220823288, 'learning_rate': 0.00019994119202418098, 'epoch': 0.13}
16{'loss': 0.7494, 'grad_norm': 0.1111062690615654, 'learning_rate': 0.00019991532016723439, 'epoch': 0.14}
17{'loss': 1.1465, 'grad_norm': 0.06569597870111465, 'learning_rate': 0.00019988474721373568, 'epoch': 0.15}
18{'loss': 0.6043, 'grad_norm': 0.0768122747540474, 'learning_rate': 0.00019984947460216707, 'epoch': 0.15}
19{'loss': 0.7305, 'grad_norm': 0.08672061562538147, 'learning_rate': 0.00019980950399213344, 'epoch': 0.16}
20{'loss': 0.6337, 'grad_norm': 0.0832589790225029, 'learning_rate': 0.00019976483726428422, 'epoch': 0.17}
21{'loss': 0.6276, 'grad_norm': 0.10938091576099396, 'learning_rate': 0.0001997154765202251, 'epoch': 0.18}
22{'loss': 0.724, 'grad_norm': 0.0857069194316864, 'learning_rate': 0.00019966142408241901, 'epoch': 0.19}
23{'loss': 0.7827, 'grad_norm': 0.09225357323884964, 'learning_rate': 0.00019960268249407675, 'epoch': 0.2}
24{'loss': 0.7738, 'grad_norm': 0.12936490774154663, 'learning_rate': 0.00019953925451903756, 'epoch': 0.21}
25{'loss': 1.349, 'grad_norm': 0.07518186420202255, 'learning_rate': 0.0001994711431416389, 'epoch': 0.21}
26{'loss': 1.1649, 'grad_norm': 0.10044313967227936, 'learning_rate': 0.00019939835156657616, 'epoch': 0.22}
27{'loss': 0.6649, 'grad_norm': 0.08518682420253754, 'learning_rate': 0.00019932088321875172, 'epoch': 0.23}
28{'loss': 0.6019, 'grad_norm': 0.1104423925280571, 'learning_rate': 0.00019923874174311394, 'epoch': 0.24}
29{'loss': 1.0116, 'grad_norm': 0.10217441618442535, 'learning_rate': 0.0001991519310044857, 'epoch': 0.25}
30{'loss': 0.8906, 'grad_norm': 0.09339523315429688, 'learning_rate': 0.00019906045508738228, 'epoch': 0.26}
31{'loss': 0.6326, 'grad_norm': 0.09020253270864487, 'learning_rate': 0.0001989643182958196, 'epoch': 0.26}
32{'loss': 0.6621, 'grad_norm': 0.12317769229412079, 'learning_rate': 0.00019886352515311134, 'epoch': 0.27}
33{'loss': 0.9014, 'grad_norm': 0.0980222076177597, 'learning_rate': 0.0001987580804016563, 'epoch': 0.28}
34{'loss': 0.8123, 'grad_norm': 0.0993993878364563, 'learning_rate': 0.00019864798900271532, 'epoch': 0.29}
35{'loss': 0.629, 'grad_norm': 0.09411144256591797, 'learning_rate': 0.0001985332561361776, 'epoch': 0.3}
36{'loss': 0.5643, 'grad_norm': 0.08556198328733444, 'learning_rate': 0.00019841388720031727, 'epoch': 0.31}
37{'loss': 0.6573, 'grad_norm': 0.10584603995084763, 'learning_rate': 0.00019828988781153917, 'epoch': 0.32}
38{'loss': 0.6593, 'grad_norm': 0.12134706228971481, 'learning_rate': 0.00019816126380411476, 'epoch': 0.32}
39{'loss': 0.6899, 'grad_norm': 0.09265974164009094, 'learning_rate': 0.00019802802122990758, 'epoch': 0.33}
40{'loss': 0.7139, 'grad_norm': 0.12015959620475769, 'learning_rate': 0.00019789016635808837, 'epoch': 0.34}
41{'loss': 0.8659, 'grad_norm': 0.10590967535972595, 'learning_rate': 0.00019774770567484022, 'epoch': 0.35}
42{'loss': 0.6225, 'grad_norm': 0.0821319967508316, 'learning_rate': 0.00019760064588305345, 'epoch': 0.36}
43{'loss': 0.6633, 'grad_norm': 0.08947279304265976, 'learning_rate': 0.00019744899390201006, 'epoch': 0.37}
44{'loss': 1.0491, 'grad_norm': 0.09095878899097443, 'learning_rate': 0.0001972927568670583, 'epoch': 0.38}
45{'loss': 0.7607, 'grad_norm': 0.11080043762922287, 'learning_rate': 0.00019713194212927696, 'epoch': 0.38}
46{'loss': 0.6905, 'grad_norm': 0.1101192831993103, 'learning_rate': 0.00019696655725512933, 'epoch': 0.39}
47{'loss': 0.7658, 'grad_norm': 0.10834185779094696, 'learning_rate': 0.00019679661002610743, 'epoch': 0.4}
48{'loss': 0.6548, 'grad_norm': 0.09499570727348328, 'learning_rate': 0.00019662210843836574, 'epoch': 0.41}
49{'loss': 0.6481, 'grad_norm': 0.10409791767597198, 'learning_rate': 0.0001964430607023449, 'epoch': 0.42}
50{'loss': 0.9427, 'grad_norm': 0.14213934540748596, 'learning_rate': 0.00019625947524238563, 'epoch': 0.43}
51{'loss': 0.6032, 'grad_norm': 0.1068490594625473, 'learning_rate': 0.00019607136069633212, 'epoch': 0.44}
52{'loss': 0.6374, 'grad_norm': 0.09627290815114975, 'learning_rate': 0.0001958787259151258, 'epoch': 0.44}
53{'loss': 0.6044, 'grad_norm': 0.11231101304292679, 'learning_rate': 0.00019568157996238884, 'epoch': 0.45}
54{'loss': 0.938, 'grad_norm': 0.08818076550960541, 'learning_rate': 0.0001954799321139975, 'epoch': 0.46}
55{'loss': 0.6002, 'grad_norm': 0.09192392230033875, 'learning_rate': 0.00019527379185764612, 'epoch': 0.47}
56{'loss': 1.0875, 'grad_norm': 0.13584138453006744, 'learning_rate': 0.00019506316889240027, 'epoch': 0.48}
57{'loss': 0.5469, 'grad_norm': 0.1015191301703453, 'learning_rate': 0.00019484807312824067, 'epoch': 0.49}
58{'loss': 0.6786, 'grad_norm': 0.13013221323490143, 'learning_rate': 0.0001946285146855968, 'epoch': 0.5}
59{'loss': 0.685, 'grad_norm': 0.11627920717000961, 'learning_rate': 0.0001944045038948709, 'epoch': 0.5}
60{'loss': 0.6231, 'grad_norm': 0.12050677835941315, 'learning_rate': 0.00019417605129595157, 'epoch': 0.51}
61{'loss': 0.6177, 'grad_norm': 0.1218978613615036, 'learning_rate': 0.0001939431676377183, 'epoch': 0.52}
62{'loss': 0.5893, 'grad_norm': 0.10386243462562561, 'learning_rate': 0.0001937058638775353, 'epoch': 0.53}
63{'loss': 1.1945, 'grad_norm': 0.08668994158506393, 'learning_rate': 0.00019346415118073632, 'epoch': 0.54}
64{'loss': 0.6633, 'grad_norm': 0.1240827739238739, 'learning_rate': 0.00019321804092009906, 'epoch': 0.55}
65{'loss': 0.629, 'grad_norm': 0.11331409960985184, 'learning_rate': 0.00019296754467531014, 'epoch': 0.56}
66{'loss': 0.6328, 'grad_norm': 0.14046786725521088, 'learning_rate': 0.00019271267423242024, 'epoch': 0.56}
67{'loss': 0.7198, 'grad_norm': 0.12209989875555038, 'learning_rate': 0.00019245344158328972, 'epoch': 0.57}
68{'loss': 0.5967, 'grad_norm': 0.11325013637542725, 'learning_rate': 0.0001921898589250242, 'epoch': 0.58}
69{'loss': 0.6475, 'grad_norm': 0.10685242712497711, 'learning_rate': 0.0001919219386594007, 'epoch': 0.59}
70{'loss': 0.6646, 'grad_norm': 0.12094041705131531, 'learning_rate': 0.00019164969339228422, 'epoch': 0.6}
71{'loss': 0.7256, 'grad_norm': 0.12835665047168732, 'learning_rate': 0.00019137313593303463, 'epoch': 0.61}
72{'loss': 1.2889, 'grad_norm': 0.09861553460359573, 'learning_rate': 0.00019109227929390378, 'epoch': 0.62}
73{'loss': 0.6072, 'grad_norm': 0.1085813045501709, 'learning_rate': 0.00019080713668942356, 'epoch': 0.62}
74{'loss': 0.6251, 'grad_norm': 0.11427804082632065, 'learning_rate': 0.00019051772153578389, 'epoch': 0.63}
75{'loss': 0.6276, 'grad_norm': 0.13322962820529938, 'learning_rate': 0.00019022404745020163, 'epoch': 0.64}
76{'loss': 0.6471, 'grad_norm': 0.10408783704042435, 'learning_rate': 0.00018992612825027976, 'epoch': 0.65}
77{'loss': 0.7443, 'grad_norm': 0.13549701869487762, 'learning_rate': 0.0001896239779533575, 'epoch': 0.66}
78{'loss': 0.6207, 'grad_norm': 0.10901051014661789, 'learning_rate': 0.00018931761077585035, 'epoch': 0.67}
79{'loss': 0.6064, 'grad_norm': 0.12259478867053986, 'learning_rate': 0.00018900704113258165, 'epoch': 0.68}
80{'loss': 0.5889, 'grad_norm': 0.11373128741979599, 'learning_rate': 0.00018869228363610404, 'epoch': 0.68}
81{'loss': 0.6436, 'grad_norm': 0.12991991639137268, 'learning_rate': 0.00018837335309601213, 'epoch': 0.69}
82{'loss': 1.1581, 'grad_norm': 0.10556752979755402, 'learning_rate': 0.00018805026451824546, 'epoch': 0.7}
83{'loss': 1.0829, 'grad_norm': 0.09846064448356628, 'learning_rate': 0.00018772303310438275, 'epoch': 0.71}
84{'loss': 1.0479, 'grad_norm': 0.11470722407102585, 'learning_rate': 0.00018739167425092644, 'epoch': 0.72}
85{'loss': 0.5753, 'grad_norm': 0.13047707080841064, 'learning_rate': 0.00018705620354857833, 'epoch': 0.73}
86{'loss': 0.5662, 'grad_norm': 0.11538581550121307, 'learning_rate': 0.00018671663678150607, 'epoch': 0.74}
87{'loss': 0.599, 'grad_norm': 0.10746373981237411, 'learning_rate': 0.0001863729899266004, 'epoch': 0.74}
88{'loss': 0.9395, 'grad_norm': 0.11938890069723129, 'learning_rate': 0.0001860252791527236, 'epoch': 0.75}
89{'loss': 1.1635, 'grad_norm': 0.09598677605390549, 'learning_rate': 0.00018567352081994852, 'epoch': 0.76}
90{'loss': 1.0348, 'grad_norm': 0.09986315667629242, 'learning_rate': 0.00018531773147878895, 'epoch': 0.77}
91{'loss': 0.6233, 'grad_norm': 0.10799750685691833, 'learning_rate': 0.0001849579278694209, 'epoch': 0.78}
92{'loss': 0.5853, 'grad_norm': 0.11003697663545609, 'learning_rate': 0.00018459412692089494, 'epoch': 0.79}
93{'loss': 0.5653, 'grad_norm': 0.10201738029718399, 'learning_rate': 0.0001842263457503397, 'epoch': 0.79}
94{'loss': 0.7434, 'grad_norm': 0.12902310490608215, 'learning_rate': 0.00018385460166215638, 'epoch': 0.8}
95{'loss': 0.6264, 'grad_norm': 0.1216060072183609, 'learning_rate': 0.00018347891214720477, 'epoch': 0.81}
96{'loss': 1.0943, 'grad_norm': 0.10260992497205734, 'learning_rate': 0.00018309929488198012, 'epoch': 0.82}
97{'loss': 0.6031, 'grad_norm': 0.11333200335502625, 'learning_rate': 0.00018271576772778154, 'epoch': 0.83}
98{'loss': 1.0912, 'grad_norm': 0.10730260610580444, 'learning_rate': 0.00018232834872987147, 'epoch': 0.84}
99{'loss': 0.7166, 'grad_norm': 0.12327554821968079, 'learning_rate': 0.00018193705611662696, 'epoch': 0.85}
100{'loss': 0.6869, 'grad_norm': 0.16586735844612122, 'learning_rate': 0.0001815419082986815, 'epoch': 0.85}
101{'loss': 0.9929, 'grad_norm': 0.10598164051771164, 'learning_rate': 0.00018114292386805936, 'epoch': 0.86}
102{'loss': 1.0678, 'grad_norm': 0.09722983837127686, 'learning_rate': 0.00018074012159730032, 'epoch': 0.87}
103{'loss': 0.8761, 'grad_norm': 0.0981651172041893, 'learning_rate': 0.00018033352043857675, 'epoch': 0.88}
104{'loss': 1.0277, 'grad_norm': 0.1134006604552269, 'learning_rate': 0.00017992313952280172, 'epoch': 0.89}
105{'loss': 1.1271, 'grad_norm': 0.11528769880533218, 'learning_rate': 0.00017950899815872892, 'epoch': 0.9}
106{'loss': 1.0239, 'grad_norm': 0.15807704627513885, 'learning_rate': 0.00017909111583204422, 'epoch': 0.91}
107{'loss': 0.7818, 'grad_norm': 0.16159194707870483, 'learning_rate': 0.0001786695122044487, 'epoch': 0.91}
108{'loss': 1.0227, 'grad_norm': 0.11592184752225876, 'learning_rate': 0.0001782442071127338, 'epoch': 0.92}
109{'loss': 1.0292, 'grad_norm': 0.15580905973911285, 'learning_rate': 0.0001778152205678477, 'epoch': 0.93}
110{'loss': 0.7282, 'grad_norm': 0.1733143925666809, 'learning_rate': 0.00017738257275395404, 'epoch': 0.94}
111{'loss': 0.6528, 'grad_norm': 0.13020546734333038, 'learning_rate': 0.00017694628402748202, 'epoch': 0.95}
112{'loss': 0.6689, 'grad_norm': 0.12256832420825958, 'learning_rate': 0.0001765063749161688, 'epoch': 0.96}
113{'loss': 0.6712, 'grad_norm': 0.13194310665130615, 'learning_rate': 0.00017606286611809353, 'epoch': 0.97}
114{'loss': 0.7668, 'grad_norm': 0.12272733449935913, 'learning_rate': 0.00017561577850070355, 'epoch': 0.97}
115{'loss': 0.5466, 'grad_norm': 0.10930750519037247, 'learning_rate': 0.00017516513309983253, 'epoch': 0.98}
116{'loss': 0.6853, 'grad_norm': 0.14313393831253052, 'learning_rate': 0.00017471095111871074, 'epoch': 0.99}
117{'loss': 0.6175, 'grad_norm': 0.11835158616304398, 'learning_rate': 0.0001742532539269674, 'epoch': 1.0}
118{'loss': 0.4912, 'grad_norm': 0.12867018580436707, 'learning_rate': 0.00017379206305962526, 'epoch': 1.01}
119{'loss': 0.4865, 'grad_norm': 0.12265478074550629, 'learning_rate': 0.00017332740021608722, 'epoch': 1.02}
120{'loss': 0.5407, 'grad_norm': 0.12497735023498535, 'learning_rate': 0.00017285928725911562, 'epoch': 1.03}
121{'loss': 0.5391, 'grad_norm': 0.15299785137176514, 'learning_rate': 0.00017238774621380337, 'epoch': 1.03}
122{'loss': 1.1214, 'grad_norm': 0.13409839570522308, 'learning_rate': 0.00017191279926653761, 'epoch': 1.04}
123{'loss': 0.9628, 'grad_norm': 0.1429445594549179, 'learning_rate': 0.00017143446876395602, 'epoch': 1.05}
124{'loss': 0.9409, 'grad_norm': 0.12664200365543365, 'learning_rate': 0.00017095277721189528, 'epoch': 1.06}
125{'loss': 0.6203, 'grad_norm': 0.17288966476917267, 'learning_rate': 0.00017046774727433222, 'epoch': 1.07}
126{'loss': 0.5074, 'grad_norm': 0.14868439733982086, 'learning_rate': 0.00016997940177231722, 'epoch': 1.08}
127{'loss': 1.0314, 'grad_norm': 0.11606048047542572, 'learning_rate': 0.00016948776368290084, 'epoch': 1.09}
128{'loss': 0.4376, 'grad_norm': 0.15571007132530212, 'learning_rate': 0.00016899285613805246, 'epoch': 1.09}
129{'loss': 0.4872, 'grad_norm': 0.16392119228839874, 'learning_rate': 0.00016849470242357196, 'epoch': 1.1}
130{'loss': 0.4809, 'grad_norm': 0.15567384660243988, 'learning_rate': 0.00016799332597799413, 'epoch': 1.11}
131{'loss': 0.8579, 'grad_norm': 0.15922518074512482, 'learning_rate': 0.00016748875039148593, 'epoch': 1.12}
132{'loss': 0.9431, 'grad_norm': 0.14013421535491943, 'learning_rate': 0.0001669809994047364, 'epoch': 1.13}
133{'loss': 0.5517, 'grad_norm': 0.1704006940126419, 'learning_rate': 0.0001664700969078398, 'epoch': 1.14}
134{'loss': 0.9121, 'grad_norm': 0.13392962515354156, 'learning_rate': 0.00016595606693917142, 'epoch': 1.15}
135{'loss': 0.4912, 'grad_norm': 0.1552940011024475, 'learning_rate': 0.00016543893368425666, 'epoch': 1.15}
136{'loss': 0.4675, 'grad_norm': 0.18563082814216614, 'learning_rate': 0.00016491872147463306, 'epoch': 1.16}
137{'loss': 1.3404, 'grad_norm': 0.15236620604991913, 'learning_rate': 0.00016439545478670543, 'epoch': 1.17}
138{'loss': 0.4409, 'grad_norm': 0.174940288066864, 'learning_rate': 0.00016386915824059427, 'epoch': 1.18}
139{'loss': 0.4154, 'grad_norm': 0.15595194697380066, 'learning_rate': 0.00016333985659897735, 'epoch': 1.19}
140{'loss': 0.5345, 'grad_norm': 0.228506937623024, 'learning_rate': 0.00016280757476592466, 'epoch': 1.2}
141{'loss': 0.4737, 'grad_norm': 0.190291628241539, 'learning_rate': 0.0001622723377857265, 'epoch': 1.21}
142{'loss': 1.0343, 'grad_norm': 0.16119037568569183, 'learning_rate': 0.00016173417084171536, 'epoch': 1.21}
143{'loss': 0.4301, 'grad_norm': 0.1885722428560257, 'learning_rate': 0.00016119309925508078, 'epoch': 1.22}
144{'loss': 0.4663, 'grad_norm': 0.2301076203584671, 'learning_rate': 0.0001606491484836782, 'epoch': 1.23}
145{'loss': 0.5471, 'grad_norm': 0.22810214757919312, 'learning_rate': 0.00016010234412083086, 'epoch': 1.24}
146{'loss': 0.5562, 'grad_norm': 0.2208271473646164, 'learning_rate': 0.00015955271189412598, 'epoch': 1.25}
147{'loss': 0.4473, 'grad_norm': 0.21081416308879852, 'learning_rate': 0.00015900027766420393, 'epoch': 1.26}
148{'loss': 0.5266, 'grad_norm': 0.21207793056964874, 'learning_rate': 0.00015844506742354164, 'epoch': 1.26}
149{'loss': 0.7908, 'grad_norm': 0.16276563704013824, 'learning_rate': 0.00015788710729522953, 'epoch': 1.27}
150{'loss': 0.8843, 'grad_norm': 0.22083953022956848, 'learning_rate': 0.00015732642353174259, 'epoch': 1.28}
151{'loss': 0.4006, 'grad_norm': 0.17566369473934174, 'learning_rate': 0.0001567630425137049, 'epoch': 1.29}
152{'loss': 0.4822, 'grad_norm': 0.20828555524349213, 'learning_rate': 0.00015619699074864864, 'epoch': 1.3}
153{'loss': 0.5371, 'grad_norm': 0.24228675663471222, 'learning_rate': 0.00015562829486976673, 'epoch': 1.31}
154{'loss': 0.5768, 'grad_norm': 0.20822276175022125, 'learning_rate': 0.00015505698163465986, 'epoch': 1.32}
155{'loss': 0.4823, 'grad_norm': 0.24567489326000214, 'learning_rate': 0.00015448307792407734, 'epoch': 1.32}
156{'loss': 0.4762, 'grad_norm': 0.197309672832489, 'learning_rate': 0.00015390661074065256, 'epoch': 1.33}
157{'loss': 0.9415, 'grad_norm': 0.197679802775383, 'learning_rate': 0.00015332760720763232, 'epoch': 1.34}
158{'loss': 0.597, 'grad_norm': 0.25542306900024414, 'learning_rate': 0.00015274609456760073, 'epoch': 1.35}
159{'loss': 0.6134, 'grad_norm': 0.2353532910346985, 'learning_rate': 0.00015216210018119733, 'epoch': 1.36}
160{'loss': 0.404, 'grad_norm': 0.2198248952627182, 'learning_rate': 0.00015157565152583002, 'epoch': 1.37}
161{'loss': 0.7029, 'grad_norm': 0.23019669950008392, 'learning_rate': 0.0001509867761943818, 'epoch': 1.38}
162{'loss': 0.4926, 'grad_norm': 0.23030109703540802, 'learning_rate': 0.00015039550189391298, 'epoch': 1.38}
163{'loss': 0.7314, 'grad_norm': 0.22199463844299316, 'learning_rate': 0.0001498018564443571, 'epoch': 1.39}
164{'loss': 0.6278, 'grad_norm': 0.2894566059112549, 'learning_rate': 0.0001492058677772123, 'epoch': 1.4}
165{'loss': 0.5154, 'grad_norm': 0.23239579796791077, 'learning_rate': 0.000148607563934227, 'epoch': 1.41}
166{'loss': 0.3844, 'grad_norm': 0.1754232496023178, 'learning_rate': 0.00014800697306608044, 'epoch': 1.42}
167{'loss': 0.7683, 'grad_norm': 0.21024148166179657, 'learning_rate': 0.00014740412343105828, 'epoch': 1.43}
168{'loss': 0.4233, 'grad_norm': 0.19907836616039276, 'learning_rate': 0.00014679904339372302, 'epoch': 1.44}
169{'loss': 0.4311, 'grad_norm': 0.23564042150974274, 'learning_rate': 0.00014619176142357935, 'epoch': 1.44}
170{'loss': 0.4856, 'grad_norm': 0.2250904142856598, 'learning_rate': 0.0001455823060937347, 'epoch': 1.45}
171{'loss': 0.4631, 'grad_norm': 0.23243001103401184, 'learning_rate': 0.00014497070607955476, 'epoch': 1.46}
172{'loss': 0.4553, 'grad_norm': 0.23028317093849182, 'learning_rate': 0.00014435699015731448, 'epoch': 1.47}
173{'loss': 0.5416, 'grad_norm': 0.22723744809627533, 'learning_rate': 0.00014374118720284388, 'epoch': 1.48}
174{'loss': 0.6555, 'grad_norm': 0.19445589184761047, 'learning_rate': 0.00014312332619016965, 'epoch': 1.49}
175{'loss': 0.514, 'grad_norm': 0.2619200348854065, 'learning_rate': 0.0001425034361901516, 'epoch': 1.5}
176{'loss': 1.0691, 'grad_norm': 0.21888214349746704, 'learning_rate': 0.00014188154636911524, 'epoch': 1.5}
177{'loss': 0.4708, 'grad_norm': 0.27063801884651184, 'learning_rate': 0.0001412576859874791, 'epoch': 1.51}
178{'loss': 0.4148, 'grad_norm': 0.2242051512002945, 'learning_rate': 0.00014063188439837832, 'epoch': 1.52}
179{'loss': 0.4079, 'grad_norm': 0.23847071826457977, 'learning_rate': 0.0001400041710462833, 'epoch': 1.53}
180{'loss': 0.4605, 'grad_norm': 0.2358533889055252, 'learning_rate': 0.0001393745754656146, 'epoch': 1.54}
181{'loss': 0.4267, 'grad_norm': 0.21623782813549042, 'learning_rate': 0.00013874312727935292, 'epoch': 1.55}
182{'loss': 0.891, 'grad_norm': 0.24794210493564606, 'learning_rate': 0.00013810985619764572, 'epoch': 1.56}
183{'loss': 0.4279, 'grad_norm': 0.23464177548885345, 'learning_rate': 0.00013747479201640914, 'epoch': 1.56}
184{'loss': 0.5339, 'grad_norm': 0.2624233365058899, 'learning_rate': 0.00013683796461592604, 'epoch': 1.57}
185{'loss': 0.4799, 'grad_norm': 0.2277112752199173, 'learning_rate': 0.00013619940395944027, 'epoch': 1.58}
186{'loss': 0.4674, 'grad_norm': 0.23767705261707306, 'learning_rate': 0.00013555914009174663, 'epoch': 1.59}
187{'loss': 0.8197, 'grad_norm': 0.25418999791145325, 'learning_rate': 0.00013491720313777756, 'epoch': 1.6}
188{'loss': 0.4751, 'grad_norm': 0.23988768458366394, 'learning_rate': 0.00013427362330118543, 'epoch': 1.61}
189{'loss': 0.5937, 'grad_norm': 0.24494890868663788, 'learning_rate': 0.0001336284308629216, 'epoch': 1.62}
190{'loss': 0.6011, 'grad_norm': 0.2371889352798462, 'learning_rate': 0.00013298165617981172, 'epoch': 1.62}
191{'loss': 0.6948, 'grad_norm': 0.2653796970844269, 'learning_rate': 0.00013233332968312715, 'epoch': 1.63}
192{'loss': 0.5216, 'grad_norm': 0.25794872641563416, 'learning_rate': 0.0001316834818771535, 'epoch': 1.64}
193{'loss': 0.5315, 'grad_norm': 0.2563187777996063, 'learning_rate': 0.00013103214333775521, 'epoch': 1.65}
194{'loss': 0.4844, 'grad_norm': 0.25503745675086975, 'learning_rate': 0.00013037934471093682, 'epoch': 1.66}
195{'loss': 0.432, 'grad_norm': 0.24019081890583038, 'learning_rate': 0.00012972511671140125, 'epoch': 1.67}
196{'loss': 0.6718, 'grad_norm': 0.2514346241950989, 'learning_rate': 0.00012906949012110456, 'epoch': 1.68}
197{'loss': 0.5857, 'grad_norm': 0.25518113374710083, 'learning_rate': 0.00012841249578780757, 'epoch': 1.68}
198{'loss': 0.5007, 'grad_norm': 0.1949378252029419, 'learning_rate': 0.00012775416462362457, 'epoch': 1.69}
199{'loss': 1.0816, 'grad_norm': 0.2098771333694458, 'learning_rate': 0.00012709452760356884, 'epoch': 1.7}
200{'loss': 0.4873, 'grad_norm': 0.22702141106128693, 'learning_rate': 0.00012643361576409516, 'epoch': 1.71}
201{'loss': 0.531, 'grad_norm': 0.2466471642255783, 'learning_rate': 0.00012577146020163968, 'epoch': 1.72}
202{'loss': 0.4665, 'grad_norm': 0.271100252866745, 'learning_rate': 0.00012510809207115666, 'epoch': 1.73}
203{'loss': 0.4377, 'grad_norm': 0.23357507586479187, 'learning_rate': 0.00012444354258465268, 'epoch': 1.74}
204{'loss': 0.7007, 'grad_norm': 0.27511459589004517, 'learning_rate': 0.00012377784300971807, 'epoch': 1.74}
205{'loss': 0.9589, 'grad_norm': 0.2679981291294098, 'learning_rate': 0.0001231110246680558, 'epoch': 1.75}
206{'loss': 0.5532, 'grad_norm': 0.30028238892555237, 'learning_rate': 0.00012244311893400763, 'epoch': 1.76}
207{'loss': 0.5076, 'grad_norm': 0.2935997545719147, 'learning_rate': 0.00012177415723307808, 'epoch': 1.77}
208{'loss': 0.4156, 'grad_norm': 0.23444046080112457, 'learning_rate': 0.00012110417104045575, 'epoch': 1.78}
209{'loss': 0.5128, 'grad_norm': 0.2363792359828949, 'learning_rate': 0.00012043319187953241, 'epoch': 1.79}
210{'loss': 0.532, 'grad_norm': 0.26668813824653625, 'learning_rate': 0.00011976125132041974, 'epoch': 1.79}
211{'loss': 0.6331, 'grad_norm': 0.2957119941711426, 'learning_rate': 0.00011908838097846404, 'epoch': 1.8}
212{'loss': 0.6589, 'grad_norm': 0.25156503915786743, 'learning_rate': 0.00011841461251275867, 'epoch': 1.81}
213{'loss': 0.4924, 'grad_norm': 0.287786602973938, 'learning_rate': 0.00011773997762465429, 'epoch': 1.82}
214{'loss': 0.5602, 'grad_norm': 0.24399590492248535, 'learning_rate': 0.0001170645080562676, 'epoch': 1.83}
215{'loss': 0.4379, 'grad_norm': 0.21881946921348572, 'learning_rate': 0.00011638823558898762, 'epoch': 1.84}
216{'loss': 0.4542, 'grad_norm': 0.238422691822052, 'learning_rate': 0.00011571119204198037, 'epoch': 1.85}
217{'loss': 0.5594, 'grad_norm': 0.22345015406608582, 'learning_rate': 0.00011503340927069189, 'epoch': 1.85}
218{'loss': 0.4606, 'grad_norm': 0.2149413377046585, 'learning_rate': 0.00011435491916534919, 'epoch': 1.86}
219{'loss': 0.468, 'grad_norm': 0.23460443317890167, 'learning_rate': 0.00011367575364946006, 'epoch': 1.87}
220{'loss': 0.4717, 'grad_norm': 0.25990983843803406, 'learning_rate': 0.00011299594467831078, 'epoch': 1.88}
221{'loss': 0.5399, 'grad_norm': 0.2715575098991394, 'learning_rate': 0.00011231552423746283, 'epoch': 1.89}
222{'loss': 0.4537, 'grad_norm': 0.22398780286312103, 'learning_rate': 0.00011163452434124773, 'epoch': 1.9}
223{'loss': 0.4228, 'grad_norm': 0.23402731120586395, 'learning_rate': 0.00011095297703126093, 'epoch': 1.91}
224{'loss': 0.5115, 'grad_norm': 0.24860350787639618, 'learning_rate': 0.00011027091437485404, 'epoch': 1.91}
225{'loss': 0.598, 'grad_norm': 0.27918487787246704, 'learning_rate': 0.00010958836846362621, 'epoch': 1.92}
226{'loss': 0.4511, 'grad_norm': 0.2415376901626587, 'learning_rate': 0.00010890537141191417, 'epoch': 1.93}
227{'loss': 0.6956, 'grad_norm': 0.29969534277915955, 'learning_rate': 0.00010822195535528106, 'epoch': 1.94}
228{'loss': 0.444, 'grad_norm': 0.22788582742214203, 'learning_rate': 0.00010753815244900458, 'epoch': 1.95}
229{'loss': 0.4885, 'grad_norm': 0.27178987860679626, 'learning_rate': 0.00010685399486656406, 'epoch': 1.96}
230{'loss': 0.4628, 'grad_norm': 0.2516106367111206, 'learning_rate': 0.00010616951479812658, 'epoch': 1.97}
231{'loss': 0.4074, 'grad_norm': 0.27476766705513, 'learning_rate': 0.00010548474444903247, 'epoch': 1.97}
232{'loss': 0.4478, 'grad_norm': 0.24148069322109222, 'learning_rate': 0.00010479971603828, 'epoch': 1.98}
233{'loss': 0.4399, 'grad_norm': 0.21842096745967865, 'learning_rate': 0.00010411446179700943, 'epoch': 1.99}
234{'loss': 0.4834, 'grad_norm': 0.37498506903648376, 'learning_rate': 0.00010342901396698659, 'epoch': 2.0}
235{'loss': 0.255, 'grad_norm': 0.19363939762115479, 'learning_rate': 0.00010274340479908568, 'epoch': 2.01}
236{'loss': 0.2766, 'grad_norm': 0.2148725390434265, 'learning_rate': 0.00010205766655177215, 'epoch': 2.02}
237{'loss': 0.4017, 'grad_norm': 0.2098715603351593, 'learning_rate': 0.00010137183148958463, 'epoch': 2.03}
238{'loss': 0.2509, 'grad_norm': 0.2367039918899536, 'learning_rate': 0.00010068593188161697, 'epoch': 2.03}
239{'loss': 0.3205, 'grad_norm': 0.2819689214229584, 'learning_rate': 0.0001, 'epoch': 2.04}
240{'loss': 0.2399, 'grad_norm': 0.24612751603126526, 'learning_rate': 9.931406811838308e-05, 'epoch': 2.05}
241{'loss': 0.2114, 'grad_norm': 0.26913249492645264, 'learning_rate': 9.862816851041541e-05, 'epoch': 2.06}
242{'loss': 0.3501, 'grad_norm': 0.2225734293460846, 'learning_rate': 9.79423334482279e-05, 'epoch': 2.07}
243{'loss': 0.2845, 'grad_norm': 0.29952186346054077, 'learning_rate': 9.725659520091433e-05, 'epoch': 2.08}
244{'loss': 0.3215, 'grad_norm': 0.3168615400791168, 'learning_rate': 9.657098603301346e-05, 'epoch': 2.09}
245{'loss': 0.2687, 'grad_norm': 0.2955262064933777, 'learning_rate': 9.588553820299056e-05, 'epoch': 2.09}
246{'loss': 0.4656, 'grad_norm': 0.3473421335220337, 'learning_rate': 9.520028396172003e-05, 'epoch': 2.1}
247{'loss': 0.2646, 'grad_norm': 0.3319595158100128, 'learning_rate': 9.451525555096753e-05, 'epoch': 2.11}
248{'loss': 0.2316, 'grad_norm': 0.28052112460136414, 'learning_rate': 9.383048520187344e-05, 'epoch': 2.12}
249{'loss': 0.2554, 'grad_norm': 0.31672582030296326, 'learning_rate': 9.314600513343595e-05, 'epoch': 2.13}
250{'loss': 0.5943, 'grad_norm': 0.31639257073402405, 'learning_rate': 9.246184755099545e-05, 'epoch': 2.14}
251{'loss': 0.6759, 'grad_norm': 0.32504305243492126, 'learning_rate': 9.177804464471898e-05, 'epoch': 2.15}
252{'loss': 0.6995, 'grad_norm': 0.31236812472343445, 'learning_rate': 9.109462858808586e-05, 'epoch': 2.15}
253{'loss': 0.25, 'grad_norm': 0.2664802074432373, 'learning_rate': 9.041163153637381e-05, 'epoch': 2.16}
254{'loss': 0.3131, 'grad_norm': 0.3435586392879486, 'learning_rate': 8.972908562514598e-05, 'epoch': 2.17}
255{'loss': 0.2966, 'grad_norm': 0.34814453125, 'learning_rate': 8.904702296873912e-05, 'epoch': 2.18}
256{'loss': 0.2533, 'grad_norm': 0.28498131036758423, 'learning_rate': 8.836547565875227e-05, 'epoch': 2.19}
257{'loss': 0.8398, 'grad_norm': 0.24858739972114563, 'learning_rate': 8.76844757625372e-05, 'epoch': 2.2}
258{'loss': 0.2527, 'grad_norm': 0.29406729340553284, 'learning_rate': 8.70040553216892e-05, 'epoch': 2.21}
259{'loss': 0.3872, 'grad_norm': 0.3250654637813568, 'learning_rate': 8.632424635053997e-05, 'epoch': 2.21}
260{'loss': 0.2431, 'grad_norm': 0.27981558442115784, 'learning_rate': 8.564508083465079e-05, 'epoch': 2.22}
261{'loss': 0.2392, 'grad_norm': 0.2734360694885254, 'learning_rate': 8.496659072930813e-05, 'epoch': 2.23}
262{'loss': 0.2388, 'grad_norm': 0.28624212741851807, 'learning_rate': 8.428880795801965e-05, 'epoch': 2.24}
263{'loss': 0.3461, 'grad_norm': 0.3781333863735199, 'learning_rate': 8.36117644110124e-05, 'epoch': 2.25}
264{'loss': 0.2242, 'grad_norm': 0.2944338023662567, 'learning_rate': 8.293549194373243e-05, 'epoch': 2.26}
265{'loss': 0.2555, 'grad_norm': 0.3108060359954834, 'learning_rate': 8.226002237534572e-05, 'epoch': 2.26}
266{'loss': 0.4434, 'grad_norm': 0.4619787335395813, 'learning_rate': 8.158538748724139e-05, 'epoch': 2.27}
267{'loss': 0.2889, 'grad_norm': 0.40326377749443054, 'learning_rate': 8.091161902153595e-05, 'epoch': 2.28}
268{'loss': 0.5651, 'grad_norm': 0.2909954786300659, 'learning_rate': 8.023874867958027e-05, 'epoch': 2.29}
269{'loss': 0.3184, 'grad_norm': 0.3555508852005005, 'learning_rate': 7.95668081204676e-05, 'epoch': 2.3}
270{'loss': 0.2694, 'grad_norm': 0.3254183530807495, 'learning_rate': 7.889582895954427e-05, 'epoch': 2.31}
271{'loss': 0.2277, 'grad_norm': 0.3343075215816498, 'learning_rate': 7.822584276692191e-05, 'epoch': 2.32}
272{'loss': 0.2935, 'grad_norm': 0.34715527296066284, 'learning_rate': 7.755688106599241e-05, 'epoch': 2.32}
273{'loss': 0.3397, 'grad_norm': 0.3642890751361847, 'learning_rate': 7.688897533194424e-05, 'epoch': 2.33}
274{'loss': 0.2385, 'grad_norm': 0.39590999484062195, 'learning_rate': 7.622215699028196e-05, 'epoch': 2.34}
275{'loss': 0.2629, 'grad_norm': 0.29188475012779236, 'learning_rate': 7.555645741534736e-05, 'epoch': 2.35}
276{'loss': 0.579, 'grad_norm': 0.5034640431404114, 'learning_rate': 7.489190792884338e-05, 'epoch': 2.36}
277{'loss': 0.4862, 'grad_norm': 0.419330894947052, 'learning_rate': 7.422853979836034e-05, 'epoch': 2.37}
278{'loss': 0.229, 'grad_norm': 0.2967374622821808, 'learning_rate': 7.356638423590485e-05, 'epoch': 2.38}
279{'loss': 0.2645, 'grad_norm': 0.3208567202091217, 'learning_rate': 7.290547239643117e-05, 'epoch': 2.38}
280{'loss': 0.2623, 'grad_norm': 0.286146879196167, 'learning_rate': 7.224583537637544e-05, 'epoch': 2.39}
281{'loss': 0.7091, 'grad_norm': 0.4479420781135559, 'learning_rate': 7.158750421219244e-05, 'epoch': 2.4}
282{'loss': 0.239, 'grad_norm': 0.3299665153026581, 'learning_rate': 7.093050987889547e-05, 'epoch': 2.41}
283{'loss': 0.2449, 'grad_norm': 0.3034355640411377, 'learning_rate': 7.027488328859876e-05, 'epoch': 2.42}
284{'loss': 0.264, 'grad_norm': 0.2865277826786041, 'learning_rate': 6.96206552890632e-05, 'epoch': 2.43}
285{'loss': 0.2591, 'grad_norm': 0.33174970746040344, 'learning_rate': 6.896785666224481e-05, 'epoch': 2.44}
286{'loss': 0.2271, 'grad_norm': 0.47158727049827576, 'learning_rate': 6.831651812284652e-05, 'epoch': 2.44}
287{'loss': 0.2939, 'grad_norm': 0.3159971535205841, 'learning_rate': 6.766667031687286e-05, 'epoch': 2.45}
288{'loss': 0.2688, 'grad_norm': 0.33401429653167725, 'learning_rate': 6.701834382018832e-05, 'epoch': 2.46}
289{'loss': 0.221, 'grad_norm': 0.30884698033332825, 'learning_rate': 6.637156913707839e-05, 'epoch': 2.47}
290{'loss': 0.2341, 'grad_norm': 0.3034002184867859, 'learning_rate': 6.572637669881458e-05, 'epoch': 2.48}
291{'loss': 0.5931, 'grad_norm': 0.45387423038482666, 'learning_rate': 6.508279686222243e-05, 'epoch': 2.49}
292{'loss': 0.235, 'grad_norm': 0.31251057982444763, 'learning_rate': 6.444085990825338e-05, 'epoch': 2.5}
293{'loss': 0.2365, 'grad_norm': 0.2936059236526489, 'learning_rate': 6.380059604055974e-05, 'epoch': 2.5}
294{'loss': 0.4366, 'grad_norm': 0.5007711052894592, 'learning_rate': 6.316203538407397e-05, 'epoch': 2.51}
295{'loss': 0.2563, 'grad_norm': 0.33560439944267273, 'learning_rate': 6.252520798359092e-05, 'epoch': 2.52}
296{'loss': 0.2346, 'grad_norm': 0.3034367859363556, 'learning_rate': 6.18901438023543e-05, 'epoch': 2.53}
297{'loss': 0.2659, 'grad_norm': 0.3213258385658264, 'learning_rate': 6.125687272064713e-05, 'epoch': 2.54}
298{'loss': 0.22, 'grad_norm': 0.2833086848258972, 'learning_rate': 6.0625424534385425e-05, 'epoch': 2.55}
299{'loss': 0.3529, 'grad_norm': 0.37906017899513245, 'learning_rate': 5.9995828953716695e-05, 'epoch': 2.56}
300{'loss': 0.2607, 'grad_norm': 0.30926746129989624, 'learning_rate': 5.936811560162169e-05, 'epoch': 2.56}
301{'loss': 0.2328, 'grad_norm': 0.2918412387371063, 'learning_rate': 5.87423140125209e-05, 'epoch': 2.57}
302{'loss': 0.2032, 'grad_norm': 0.28964853286743164, 'learning_rate': 5.811845363088477e-05, 'epoch': 2.58}
303{'loss': 0.2818, 'grad_norm': 0.3795534372329712, 'learning_rate': 5.749656380984844e-05, 'epoch': 2.59}
304{'loss': 0.2479, 'grad_norm': 0.36522042751312256, 'learning_rate': 5.687667380983037e-05, 'epoch': 2.6}
305{'loss': 0.2325, 'grad_norm': 0.28648072481155396, 'learning_rate': 5.625881279715615e-05, 'epoch': 2.61}
306{'loss': 0.6223, 'grad_norm': 0.3319568634033203, 'learning_rate': 5.5643009842685554e-05, 'epoch': 2.62}
307{'loss': 0.2626, 'grad_norm': 0.31825199723243713, 'learning_rate': 5.502929392044528e-05, 'epoch': 2.62}
308{'loss': 0.1985, 'grad_norm': 0.31757840514183044, 'learning_rate': 5.4417693906265365e-05, 'epoch': 2.63}
309{'loss': 0.2996, 'grad_norm': 0.3652052581310272, 'learning_rate': 5.380823857642069e-05, 'epoch': 2.64}
310{'loss': 0.3504, 'grad_norm': 0.46834203600883484, 'learning_rate': 5.3200956606277006e-05, 'epoch': 2.65}
311{'loss': 0.2344, 'grad_norm': 0.3154442310333252, 'learning_rate': 5.259587656894174e-05, 'epoch': 2.66}
312{'loss': 0.2938, 'grad_norm': 0.3850618898868561, 'learning_rate': 5.199302693391959e-05, 'epoch': 2.67}
313{'loss': 0.3775, 'grad_norm': 0.5739899277687073, 'learning_rate': 5.139243606577302e-05, 'epoch': 2.68}
314{'loss': 0.2708, 'grad_norm': 0.39588040113449097, 'learning_rate': 5.0794132222787707e-05, 'epoch': 2.68}
315{'loss': 0.2513, 'grad_norm': 0.3245130777359009, 'learning_rate': 5.019814355564292e-05, 'epoch': 2.69}
316{'loss': 0.3577, 'grad_norm': 0.34261611104011536, 'learning_rate': 4.960449810608705e-05, 'epoch': 2.7}
317{'loss': 0.2306, 'grad_norm': 0.32460838556289673, 'learning_rate': 4.90132238056182e-05, 'epoch': 2.71}
318{'loss': 0.7211, 'grad_norm': 0.38145536184310913, 'learning_rate': 4.8424348474170014e-05, 'epoch': 2.72}
319{'loss': 0.2318, 'grad_norm': 0.3700217306613922, 'learning_rate': 4.783789981880267e-05, 'epoch': 2.73}
320{'loss': 0.1733, 'grad_norm': 0.27968108654022217, 'learning_rate': 4.725390543239929e-05, 'epoch': 2.74}
321{'loss': 0.3995, 'grad_norm': 0.3555721342563629, 'learning_rate': 4.667239279236768e-05, 'epoch': 2.74}
322{'loss': 0.2746, 'grad_norm': 0.37104782462120056, 'learning_rate': 4.609338925934743e-05, 'epoch': 2.75}
323{'loss': 0.4816, 'grad_norm': 0.38219180703163147, 'learning_rate': 4.551692207592265e-05, 'epoch': 2.76}
324{'loss': 0.2259, 'grad_norm': 0.3220447599887848, 'learning_rate': 4.494301836534016e-05, 'epoch': 2.77}
325{'loss': 0.2903, 'grad_norm': 0.4126596748828888, 'learning_rate': 4.4371705130233275e-05, 'epoch': 2.78}
326{'loss': 0.1877, 'grad_norm': 0.3305305242538452, 'learning_rate': 4.380300925135138e-05, 'epoch': 2.79}
327{'loss': 0.6341, 'grad_norm': 0.3647128641605377, 'learning_rate': 4.3236957486295115e-05, 'epoch': 2.79}
328{'loss': 0.5346, 'grad_norm': 0.4659888744354248, 'learning_rate': 4.267357646825746e-05, 'epoch': 2.8}
329{'loss': 0.2331, 'grad_norm': 0.37838730216026306, 'learning_rate': 4.211289270477047e-05, 'epoch': 2.81}
330{'loss': 0.259, 'grad_norm': 0.3572704792022705, 'learning_rate': 4.1554932576458415e-05, 'epoch': 2.82}
331{'loss': 0.485, 'grad_norm': 0.4293743371963501, 'learning_rate': 4.0999722335796075e-05, 'epoch': 2.83}
332{'loss': 0.24, 'grad_norm': 0.36608031392097473, 'learning_rate': 4.044728810587406e-05, 'epoch': 2.84}
333{'loss': 0.2183, 'grad_norm': 0.36508500576019287, 'learning_rate': 3.989765587916914e-05, 'epoch': 2.85}
334{'loss': 0.2941, 'grad_norm': 0.3653337359428406, 'learning_rate': 3.935085151632185e-05, 'epoch': 2.85}
335{'loss': 0.1972, 'grad_norm': 0.33566993474960327, 'learning_rate': 3.8806900744919205e-05, 'epoch': 2.86}
336{'loss': 0.3246, 'grad_norm': 0.4166345000267029, 'learning_rate': 3.826582915828468e-05, 'epoch': 2.87}
337{'loss': 0.2262, 'grad_norm': 0.33019134402275085, 'learning_rate': 3.7727662214273495e-05, 'epoch': 2.88}
338{'loss': 0.1684, 'grad_norm': 0.2849208116531372, 'learning_rate': 3.719242523407539e-05, 'epoch': 2.89}
339{'loss': 0.5395, 'grad_norm': 0.48358550667762756, 'learning_rate': 3.666014340102268e-05, 'epoch': 2.9}
340{'loss': 0.4852, 'grad_norm': 0.40972188115119934, 'learning_rate': 3.613084175940578e-05, 'epoch': 2.91}
341{'loss': 0.5135, 'grad_norm': 0.34858328104019165, 'learning_rate': 3.5604545213294616e-05, 'epoch': 2.91}
342{'loss': 0.4108, 'grad_norm': 0.3521900773048401, 'learning_rate': 3.508127852536698e-05, 'epoch': 2.92}
343{'loss': 0.3179, 'grad_norm': 0.3895696997642517, 'learning_rate': 3.456106631574336e-05, 'epoch': 2.93}
344{'loss': 0.2433, 'grad_norm': 0.3148210942745209, 'learning_rate': 3.4043933060828605e-05, 'epoch': 2.94}
345{'loss': 0.4979, 'grad_norm': 0.34274551272392273, 'learning_rate': 3.352990309216022e-05, 'epoch': 2.95}
346{'loss': 0.2549, 'grad_norm': 0.40572017431259155, 'learning_rate': 3.3019000595263574e-05, 'epoch': 2.96}
347{'loss': 0.2092, 'grad_norm': 0.3175290524959564, 'learning_rate': 3.251124960851408e-05, 'epoch': 2.97}
348{'loss': 0.2827, 'grad_norm': 0.39352893829345703, 'learning_rate': 3.200667402200586e-05, 'epoch': 2.97}
349{'loss': 0.2258, 'grad_norm': 0.37667280435562134, 'learning_rate': 3.1505297576428075e-05, 'epoch': 2.98}
350{'loss': 0.2499, 'grad_norm': 0.3290167450904846, 'learning_rate': 3.100714386194757e-05, 'epoch': 2.99}
351{'loss': 0.2217, 'grad_norm': 0.31929585337638855, 'learning_rate': 3.0512236317099175e-05, 'epoch': 3.0}
352{'loss': 0.1592, 'grad_norm': 0.25231093168258667, 'learning_rate': 3.0020598227682795e-05, 'epoch': 3.01}
353{'loss': 0.1587, 'grad_norm': 0.2783128321170807, 'learning_rate': 2.953225272566782e-05, 'epoch': 3.02}
354{'loss': 0.138, 'grad_norm': 0.2709429860115051, 'learning_rate': 2.904722278810471e-05, 'epoch': 3.03}
355{'loss': 0.1398, 'grad_norm': 0.2641993463039398, 'learning_rate': 2.8565531236043997e-05, 'epoch': 3.03}
356{'loss': 0.1863, 'grad_norm': 0.29233217239379883, 'learning_rate': 2.8087200733462425e-05, 'epoch': 3.04}
357{'loss': 0.229, 'grad_norm': 0.3354048728942871, 'learning_rate': 2.7612253786196664e-05, 'epoch': 3.05}
358{'loss': 0.0967, 'grad_norm': 0.23641164600849152, 'learning_rate': 2.7140712740884376e-05, 'epoch': 3.06}
359{'loss': 0.1503, 'grad_norm': 0.31092557311058044, 'learning_rate': 2.667259978391281e-05, 'epoch': 3.07}
360{'loss': 0.158, 'grad_norm': 0.3478125035762787, 'learning_rate': 2.6207936940374767e-05, 'epoch': 3.08}
361{'loss': 0.2012, 'grad_norm': 0.43139657378196716, 'learning_rate': 2.5746746073032625e-05, 'epoch': 3.09}
362{'loss': 0.1198, 'grad_norm': 0.2283385694026947, 'learning_rate': 2.5289048881289256e-05, 'epoch': 3.09}
363{'loss': 0.1571, 'grad_norm': 0.29495614767074585, 'learning_rate': 2.4834866900167475e-05, 'epoch': 3.1}
364{'loss': 0.117, 'grad_norm': 0.28707411885261536, 'learning_rate': 2.4384221499296466e-05, 'epoch': 3.11}
365{'loss': 0.1061, 'grad_norm': 0.2678401470184326, 'learning_rate': 2.393713388190648e-05, 'epoch': 3.12}
366{'loss': 0.3351, 'grad_norm': 0.28327521681785583, 'learning_rate': 2.3493625083831217e-05, 'epoch': 3.13}
367{'loss': 0.1307, 'grad_norm': 0.2834165692329407, 'learning_rate': 2.3053715972518e-05, 'epoch': 3.14}
368{'loss': 0.4119, 'grad_norm': 0.4773244559764862, 'learning_rate': 2.2617427246045973e-05, 'epoch': 3.15}
369{'loss': 0.3174, 'grad_norm': 0.5910007357597351, 'learning_rate': 2.218477943215229e-05, 'epoch': 3.15}
370{'loss': 0.2194, 'grad_norm': 0.3223881125450134, 'learning_rate': 2.1755792887266234e-05, 'epoch': 3.16}
371{'loss': 0.2329, 'grad_norm': 0.44032856822013855, 'learning_rate': 2.133048779555129e-05, 'epoch': 3.17}
372{'loss': 0.1986, 'grad_norm': 0.4083745777606964, 'learning_rate': 2.0908884167955824e-05, 'epoch': 3.18}
373{'loss': 0.149, 'grad_norm': 0.3356578052043915, 'learning_rate': 2.0491001841271074e-05, 'epoch': 3.19}
374{'loss': 0.1208, 'grad_norm': 0.3564605414867401, 'learning_rate': 2.0076860477198313e-05, 'epoch': 3.2}
375{'loss': 0.1442, 'grad_norm': 0.32371172308921814, 'learning_rate': 1.9666479561423244e-05, 'epoch': 3.21}
376{'loss': 0.1011, 'grad_norm': 0.334807813167572, 'learning_rate': 1.9259878402699705e-05, 'epoch': 3.21}
377{'loss': 0.109, 'grad_norm': 0.3495379388332367, 'learning_rate': 1.8857076131940642e-05, 'epoch': 3.22}
378{'loss': 0.151, 'grad_norm': 0.3352341055870056, 'learning_rate': 1.8458091701318504e-05, 'epoch': 3.23}
379{'loss': 0.1292, 'grad_norm': 0.34603044390678406, 'learning_rate': 1.806294388337305e-05, 'epoch': 3.24}
380{'loss': 0.1322, 'grad_norm': 0.3652786314487457, 'learning_rate': 1.7671651270128532e-05, 'epoch': 3.25}
381{'loss': 0.1175, 'grad_norm': 0.32136398553848267, 'learning_rate': 1.7284232272218504e-05, 'epoch': 3.26}
382{'loss': 0.3736, 'grad_norm': 0.35561975836753845, 'learning_rate': 1.69007051180199e-05, 'epoch': 3.26}
383{'loss': 0.1571, 'grad_norm': 0.4261399209499359, 'learning_rate': 1.652108785279526e-05, 'epoch': 3.27}
384{'loss': 0.0893, 'grad_norm': 0.35193243622779846, 'learning_rate': 1.6145398337843652e-05, 'epoch': 3.28}
385{'loss': 0.1053, 'grad_norm': 0.330085426568985, 'learning_rate': 1.577365424966034e-05, 'epoch': 3.29}
386{'loss': 0.1738, 'grad_norm': 0.5352822542190552, 'learning_rate': 1.540587307910508e-05, 'epoch': 3.3}
387{'loss': 0.3253, 'grad_norm': 0.35743480920791626, 'learning_rate': 1.504207213057912e-05, 'epoch': 3.31}
388{'loss': 0.7715, 'grad_norm': 0.3298165500164032, 'learning_rate': 1.4682268521211073e-05, 'epoch': 3.32}
389{'loss': 0.1023, 'grad_norm': 0.2609596848487854, 'learning_rate': 1.43264791800515e-05, 'epoch': 3.32}
390{'loss': 0.0662, 'grad_norm': 0.2767914831638336, 'learning_rate': 1.3974720847276412e-05, 'epoch': 3.33}
391{'loss': 0.1275, 'grad_norm': 0.28199678659439087, 'learning_rate': 1.3627010073399604e-05, 'epoch': 3.34}
392{'loss': 0.1238, 'grad_norm': 0.3435691297054291, 'learning_rate': 1.328336321849396e-05, 'epoch': 3.35}
393{'loss': 0.1578, 'grad_norm': 0.527239203453064, 'learning_rate': 1.2943796451421686e-05, 'epoch': 3.36}
394{'loss': 0.1266, 'grad_norm': 0.3848626911640167, 'learning_rate': 1.2608325749073591e-05, 'epoch': 3.37}
395{'loss': 0.1236, 'grad_norm': 0.33509427309036255, 'learning_rate': 1.227696689561727e-05, 'epoch': 3.38}
396{'loss': 0.0847, 'grad_norm': 0.30514073371887207, 'learning_rate': 1.1949735481754565e-05, 'epoch': 3.38}
397{'loss': 0.1121, 'grad_norm': 0.29753297567367554, 'learning_rate': 1.1626646903987904e-05, 'epoch': 3.39}
398{'loss': 0.1401, 'grad_norm': 0.482013076543808, 'learning_rate': 1.130771636389596e-05, 'epoch': 3.4}
399{'loss': 0.124, 'grad_norm': 0.5458863973617554, 'learning_rate': 1.0992958867418357e-05, 'epoch': 3.41}
400{'loss': 0.1159, 'grad_norm': 0.32971060276031494, 'learning_rate': 1.0682389224149647e-05, 'epoch': 3.42}
401{'loss': 0.1294, 'grad_norm': 0.3122265040874481, 'learning_rate': 1.037602204664252e-05, 'epoch': 3.43}
402{'loss': 0.1197, 'grad_norm': 0.3240589201450348, 'learning_rate': 1.0073871749720221e-05, 'epoch': 3.44}
403{'loss': 0.0953, 'grad_norm': 0.25612542033195496, 'learning_rate': 9.775952549798406e-06, 'epoch': 3.44}
404{'loss': 0.292, 'grad_norm': 0.3129337430000305, 'learning_rate': 9.482278464216121e-06, 'epoch': 3.45}
405{'loss': 0.2617, 'grad_norm': 0.3538060188293457, 'learning_rate': 9.192863310576472e-06, 'epoch': 3.46}
406{'loss': 0.3621, 'grad_norm': 0.39724695682525635, 'learning_rate': 8.907720706096224e-06, 'epoch': 3.47}
407{'loss': 0.077, 'grad_norm': 0.26678666472435, 'learning_rate': 8.626864066965402e-06, 'epoch': 3.48}
408{'loss': 0.1251, 'grad_norm': 0.3215920925140381, 'learning_rate': 8.350306607715774e-06, 'epoch': 3.49}
409{'loss': 0.1276, 'grad_norm': 0.3566943407058716, 'learning_rate': 8.07806134059933e-06, 'epoch': 3.5}
410{'loss': 0.2404, 'grad_norm': 0.4169897139072418, 'learning_rate': 7.810141074975818e-06, 'epoch': 3.5}
411{'loss': 0.0995, 'grad_norm': 0.328621506690979, 'learning_rate': 7.546558416710292e-06, 'epoch': 3.51}
412{'loss': 0.1966, 'grad_norm': 0.565329372882843, 'learning_rate': 7.287325767579756e-06, 'epoch': 3.52}
413{'loss': 0.1539, 'grad_norm': 0.4235149621963501, 'learning_rate': 7.032455324689902e-06, 'epoch': 3.53}
414{'loss': 0.1375, 'grad_norm': 0.3190467357635498, 'learning_rate': 6.781959079900957e-06, 'epoch': 3.54}
415{'loss': 0.2572, 'grad_norm': 0.3970963656902313, 'learning_rate': 6.535848819263679e-06, 'epoch': 3.55}
416{'loss': 0.1785, 'grad_norm': 0.40918058156967163, 'learning_rate': 6.2941361224647e-06, 'epoch': 3.56}
417{'loss': 0.1356, 'grad_norm': 0.37111562490463257, 'learning_rate': 6.056832362281728e-06, 'epoch': 3.56}
418{'loss': 0.0943, 'grad_norm': 0.30336591601371765, 'learning_rate': 5.823948704048443e-06, 'epoch': 3.57}
419{'loss': 0.1167, 'grad_norm': 0.3331542909145355, 'learning_rate': 5.5954961051291384e-06, 'epoch': 3.58}
420{'loss': 0.1454, 'grad_norm': 0.3731980323791504, 'learning_rate': 5.371485314403202e-06, 'epoch': 3.59}
421{'loss': 0.1992, 'grad_norm': 0.4047635793685913, 'learning_rate': 5.151926871759349e-06, 'epoch': 3.6}
422{'loss': 0.1276, 'grad_norm': 0.5668995380401611, 'learning_rate': 4.936831107599749e-06, 'epoch': 3.61}
423{'loss': 0.2935, 'grad_norm': 0.5091368556022644, 'learning_rate': 4.7262081423538716e-06, 'epoch': 3.62}
424{'loss': 0.1079, 'grad_norm': 0.3514919877052307, 'learning_rate': 4.5200678860024885e-06, 'epoch': 3.62}
425{'loss': 0.0967, 'grad_norm': 0.3287922739982605, 'learning_rate': 4.3184200376111815e-06, 'epoch': 3.63}
426{'loss': 0.119, 'grad_norm': 0.3324579894542694, 'learning_rate': 4.121274084874194e-06, 'epoch': 3.64}
427{'loss': 0.1104, 'grad_norm': 0.32925722002983093, 'learning_rate': 3.928639303667891e-06, 'epoch': 3.65}
428{'loss': 0.1065, 'grad_norm': 0.33713653683662415, 'learning_rate': 3.7405247576144054e-06, 'epoch': 3.66}
429{'loss': 0.1196, 'grad_norm': 0.3364379405975342, 'learning_rate': 3.556939297655115e-06, 'epoch': 3.67}
430{'loss': 0.1096, 'grad_norm': 0.3627510368824005, 'learning_rate': 3.3778915616342943e-06, 'epoch': 3.68}
431{'loss': 0.1043, 'grad_norm': 0.32618480920791626, 'learning_rate': 3.203389973892579e-06, 'epoch': 3.68}
432{'loss': 0.1114, 'grad_norm': 0.33231377601623535, 'learning_rate': 3.0334427448706847e-06, 'epoch': 3.69}
433{'loss': 0.1108, 'grad_norm': 0.37258434295654297, 'learning_rate': 2.868057870723073e-06, 'epoch': 3.7}
434{'loss': 0.1411, 'grad_norm': 0.33310258388519287, 'learning_rate': 2.707243132941717e-06, 'epoch': 3.71}
435{'loss': 0.0968, 'grad_norm': 0.3012758493423462, 'learning_rate': 2.5510060979899607e-06, 'epoch': 3.72}
436{'loss': 0.3345, 'grad_norm': 0.4315149188041687, 'learning_rate': 2.3993541169465837e-06, 'epoch': 3.73}
437{'loss': 0.1063, 'grad_norm': 0.3669329285621643, 'learning_rate': 2.2522943251597873e-06, 'epoch': 3.74}
438{'loss': 0.1441, 'grad_norm': 0.32640382647514343, 'learning_rate': 2.1098336419116625e-06, 'epoch': 3.74}
439{'loss': 0.1259, 'grad_norm': 0.39195308089256287, 'learning_rate': 1.971978770092431e-06, 'epoch': 3.75}
440{'loss': 0.2368, 'grad_norm': 0.46261560916900635, 'learning_rate': 1.838736195885238e-06, 'epoch': 3.76}
441{'loss': 0.0773, 'grad_norm': 0.2374536246061325, 'learning_rate': 1.710112188460844e-06, 'epoch': 3.77}
442{'loss': 0.1559, 'grad_norm': 0.36584457755088806, 'learning_rate': 1.5861127996827597e-06, 'epoch': 3.78}
443{'loss': 0.1334, 'grad_norm': 0.3893975615501404, 'learning_rate': 1.4667438638224062e-06, 'epoch': 3.79}
444{'loss': 0.1421, 'grad_norm': 0.604230523109436, 'learning_rate': 1.3520109972846917e-06, 'epoch': 3.79}
445{'loss': 0.1263, 'grad_norm': 0.30988043546676636, 'learning_rate': 1.2419195983436881e-06, 'epoch': 3.8}
446{'loss': 0.456, 'grad_norm': 0.43840423226356506, 'learning_rate': 1.1364748468886687e-06, 'epoch': 3.81}
447{'loss': 0.3257, 'grad_norm': 0.43162277340888977, 'learning_rate': 1.0356817041804246e-06, 'epoch': 3.82}
448{'loss': 0.0927, 'grad_norm': 0.3156612515449524, 'learning_rate': 9.395449126177291e-07, 'epoch': 3.83}
449{'loss': 0.0979, 'grad_norm': 0.369768351316452, 'learning_rate': 8.480689955143395e-07, 'epoch': 3.84}
450{'loss': 0.1624, 'grad_norm': 0.36806395649909973, 'learning_rate': 7.612582568860549e-07, 'epoch': 3.85}
451{'loss': 0.1467, 'grad_norm': 0.32407721877098083, 'learning_rate': 6.791167812483012e-07, 'epoch': 3.85}
452{'loss': 0.2306, 'grad_norm': 0.38585758209228516, 'learning_rate': 6.016484334238515e-07, 'epoch': 3.86}
453{'loss': 0.1309, 'grad_norm': 0.33580198884010315, 'learning_rate': 5.288568583610931e-07, 'epoch': 3.87}
454{'loss': 0.1175, 'grad_norm': 0.2997514605522156, 'learning_rate': 4.607454809624434e-07, 'epoch': 3.88}
455{'loss': 0.1274, 'grad_norm': 0.3412640392780304, 'learning_rate': 3.9731750592325587e-07, 'epoch': 3.89}
456{'loss': 0.1227, 'grad_norm': 0.2880537509918213, 'learning_rate': 3.385759175809966e-07, 'epoch': 3.9}
457{'loss': 0.1557, 'grad_norm': 0.4961593747138977, 'learning_rate': 2.845234797748897e-07, 'epoch': 3.91}
458{'loss': 0.118, 'grad_norm': 0.3552994728088379, 'learning_rate': 2.3516273571577708e-07, 'epoch': 3.91}
459{'loss': 0.1375, 'grad_norm': 0.3282444477081299, 'learning_rate': 1.9049600786658073e-07, 'epoch': 3.92}
460{'loss': 0.2402, 'grad_norm': 0.3986610770225525, 'learning_rate': 1.505253978329235e-07, 'epoch': 3.93}
461{'loss': 0.1186, 'grad_norm': 0.3198491632938385, 'learning_rate': 1.1525278626431934e-07, 'epoch': 3.94}
462{'loss': 0.2249, 'grad_norm': 0.3509187698364258, 'learning_rate': 8.467983276563284e-08, 'epoch': 3.95}
463{'loss': 0.1109, 'grad_norm': 0.3045540452003479, 'learning_rate': 5.880797581904185e-08, 'epoch': 3.96}
464{'loss': 0.22, 'grad_norm': 0.39755794405937195, 'learning_rate': 3.763843271631373e-08, 'epoch': 3.97}
465{'loss': 0.1666, 'grad_norm': 0.43977466225624084, 'learning_rate': 2.1172199501573455e-08, 'epoch': 3.97}
466{'loss': 0.1582, 'grad_norm': 0.44676533341407776, 'learning_rate': 9.410050924374415e-09, 'epoch': 3.98}
467{'loss': 0.1578, 'grad_norm': 0.437174528837204, 'learning_rate': 2.3525404033275523e-09, 'epoch': 3.99}
468{'loss': 0.1431, 'grad_norm': 0.41418156027793884, 'learning_rate': 0.0, 'epoch': 4.0}
469{'train_runtime': 18145.2542, 'train_samples_per_second': 0.206, 'train_steps_per_second': 0.026, 'train_loss': 0.46563715059469396, 'epoch': 4.0}