| 49 | |
| 50 | |
| 51 | def get_args(): |
| 52 | parser = argparse.ArgumentParser() |
| 53 | parser.add_argument("--model_path", type=str, default="bigcode/large-model") |
| 54 | parser.add_argument("--dataset_name", type=str, default="HuggingFaceH4/CodeAlpaca_20K") |
| 55 | parser.add_argument("--subset", type=str) |
| 56 | parser.add_argument("--split", type=str) |
| 57 | parser.add_argument("--size_valid_set", type=int, default=10000) |
| 58 | parser.add_argument("--streaming", action="store_true") |
| 59 | parser.add_argument("--shuffle_buffer", type=int, default=5000) |
| 60 | |
| 61 | parser.add_argument("--input_column_name", type=str, default="prompt") |
| 62 | parser.add_argument("--output_column_name", type=str, default="completion") |
| 63 | |
| 64 | parser.add_argument("--seq_length", type=int, default=2048) |
| 65 | parser.add_argument("--max_steps", type=int, default=10000) |
| 66 | parser.add_argument("--batch_size", type=int, default=1) |
| 67 | parser.add_argument("--gradient_accumulation_steps", type=int, default=16) |
| 68 | parser.add_argument("--eos_token_id", type=int, default=49152) |
| 69 | |
| 70 | parser.add_argument("--lora_r", type=int, default=16) |
| 71 | parser.add_argument("--lora_alpha", type=int, default=32) |
| 72 | parser.add_argument("--lora_dropout", type=float, default=0.05) |
| 73 | |
| 74 | parser.add_argument("--learning_rate", type=float, default=5e-6) |
| 75 | parser.add_argument("--lr_scheduler_type", type=str, default="cosine") |
| 76 | parser.add_argument("--num_warmup_steps", type=int, default=100) |
| 77 | parser.add_argument("--weight_decay", type=float, default=0.05) |
| 78 | |
| 79 | parser.add_argument("--local_rank", type=int, default=0) |
| 80 | parser.add_argument("--no_fp16", action="store_false") |
| 81 | parser.add_argument("--bf16", action="store_true", default=True) |
| 82 | parser.add_argument("--no_gradient_checkpointing", action="store_false", default=False) |
| 83 | parser.add_argument("--seed", type=int, default=0) |
| 84 | parser.add_argument("--num_workers", type=int, default=None) |
| 85 | parser.add_argument("--output_dir", type=str, default="./checkpoints") |
| 86 | parser.add_argument("--log_freq", default=100, type=int) |
| 87 | parser.add_argument("--eval_freq", default=100, type=int) |
| 88 | parser.add_argument("--save_freq", default=1000, type=int) |
| 89 | |
| 90 | return parser.parse_args() |
| 91 | |
| 92 | |
| 93 | def chars_token_ratio(dataset, tokenizer, input_column_name="prompt", output_column_name="completion", nb_examples=400): |