forked from AGI-Edgerunners/LLM-Adapters
-
Notifications
You must be signed in to change notification settings - Fork 0
/
math_running_commands
201 lines (187 loc) · 4.94 KB
/
math_running_commands
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
# LLaMA-7B-LORA
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'yahma/llama-7b-hf' \
--data_path 'math_10k.json' \
--output_dir './trained_models/llama-7b-lora/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name lora \
--load_8bit \
--eval_step 10 \
--save_step 10
# LLaMA-7B-AdapterH
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'yahma/llama-7b-hf' \
--data_path 'math_10k.json' \
--output_dir './trained_models/llama-7b-adapterh/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--load_8bit \
--eval_step 10 \
--save_step 10
# LLaMA-7B-AdapterP
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'yahma/llama-7b-hf' \
--data_path 'math_10k.json' \
--output_dir './trained_models/llama-7b-adapterp/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_adapterp \
--load_8bit \
--eval_step 10 \
--save_step 10
# LLaMA-7B-Parallel
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'yahma/llama-7b-hf' \
--data_path 'math_10k.json' \
--output_dir './trained_models/llama-7b-parallel/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_parallel_adapter \
--load_8bit \
--eval_step 10 \
--save_step 10
#For LLaMA-13B models, we use `--use_gradient_checkpointing` to save memory
# BLOOMZ-7B-LORA
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'bigscience/bloomz-7b1' \
--data_path 'math_10k.json' \
--output_dir './trained_models/bloomz-7b-lora/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name lora \
--load_8bit \
--eval_step 10 \
--save_step 10
# BLOOMZ-7B-AdapterH
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'bigscience/bloomz-7b1' \
--data_path 'math_10k.json' \
--output_dir './trained_models/bloomz-7b-adapterh/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--load_8bit \
--eval_step 10 \
--save_step 10
# BLOOMZ-7B-AdapterP
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'bigscience/bloomz-7b1' \
--data_path 'math_10k.json' \
--output_dir './trained_models/bloomz-7b-adapterp/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_adapterp \
--load_8bit \
--eval_step 10 \
--save_step 10
# BLOOMZ-7B-Parallel
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'bigscience/bloomz-7b1' \
--data_path 'math_10k.json' \
--output_dir './trained_models/bloomz-7b-parallel/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_parallel_adapter \
--load_8bit \
--eval_step 10 \
--save_step 10
# GPT-6B-LORA
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'EleutherAI/gpt-j-6b' \
--data_path 'math_10k.json' \
--output_dir './trained_models/gpt-j-6b-lora/' \
--batch_size 16 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name lora \
--load_8bit \
--eval_step 10 \
--save_step 10
# GPT-6B-AdapterH
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'EleutherAI/gpt-j-6b' \
--data_path 'math_10k.json' \
--output_dir './trained_models/gpt-j-6b-adapterh/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--load_8bit \
--eval_step 10 \
--save_step 10
# GPT-6B-AdapterP
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'EleutherAI/gpt-j-6b' \
--data_path 'math_10k.json' \
--output_dir './trained_models/gpt-j-6b-adapterp/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_adapterp \
--load_8bit \
--eval_step 10 \
--save_step 10
# GPT-6B-Parallel
CUDA_VISIBLE_DEVICES=0 python finetune.py \
--base_model 'EleutherAI/gpt-j-6b' \
--data_path 'math_10k.json' \
--output_dir './trained_models/gpt-j-6b-parallel/' \
--batch_size 128 \
--micro_batch_size 4 \
--num_epochs 3 \
--learning_rate 3e-4 \
--cutoff_len 256 \
--val_set_size 120 \
--adapter_name bottleneck \
--use_parallel_adapter \
--load_8bit \
--eval_step 10 \
--save_step 10