Hugging Face's logo

mlc-ai
/
gemma-2b-it-q4f16_1-MLC

MLC-LLM
web-llm
Model card Files Community
gemma-2b-it-q4f16_1-MLC / logs.txt
CharlieFRuan's picture
CharlieFRuan
Initial commit
7d1c1f7 verified
raw
history blame contribute delete
240 kB
/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat gen_config /models/gemma-2b-it --quantization q4f16_1 --conv-template gemma_instruction --output /tmp/tmp8p1wh14f --context-window-size 8192 --prefill-chunk-size 1024
[2024-02-21 21:09:03] INFO auto_config.py:115: Found model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:09:03] INFO auto_config.py:153: Found model type: gemma. Use `--model-type` to override.
[2024-02-21 21:09:03] INFO gemma_model.py:55: context_window_size not found in config.json. Falling back to max_position_embeddings (8192)
[2024-02-21 21:09:03] INFO gemma_model.py:70: prefill_chunk_size defaults to context_window_size (8192)
[2024-02-21 21:09:03] INFO config.py:106: Overriding context_window_size from 8192 to 8192
[2024-02-21 21:09:03] INFO config.py:106: Overriding prefill_chunk_size from 8192 to 1024
[2024-02-21 21:09:03] INFO config.py:106: Overriding max_batch_size from 1 to 80
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting bos_token_id: 2
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting eos_token_id: 1
[2024-02-21 21:09:03] INFO gen_config.py:121: [generation_config.json] Setting pad_token_id: 0
[2024-02-21 21:09:03] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer.model. Copying to /tmp/tmp8p1wh14f/tokenizer.model
[2024-02-21 21:09:03] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer.json. Copying to /tmp/tmp8p1wh14f/tokenizer.json
[2024-02-21 21:09:03] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/vocab.json
[2024-02-21 21:09:03] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/merges.txt
[2024-02-21 21:09:03] INFO gen_config.py:135: Not found tokenizer config: /models/gemma-2b-it/added_tokens.json
[2024-02-21 21:09:03] INFO gen_config.py:133: Found tokenizer config: /models/gemma-2b-it/tokenizer_config.json. Copying to /tmp/tmp8p1wh14f/tokenizer_config.json
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting temperature: 0.7
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting presence_penalty: 0.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting frequency_penalty: 0.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting repetition_penalty: 1.0
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting top_p: 0.95
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting mean_gen_len: 128
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting max_gen_len: 512
[2024-02-21 21:09:03] INFO gen_config.py:74: [System default] Setting shift_fill_factor: 0.3
[2024-02-21 21:09:03] INFO gen_config.py:186: Dumping configuration file to: /tmp/tmp8p1wh14f/mlc-chat-config.json
/home/cfruan/.conda/envs/mlc-source-311/bin/python -m mlc_chat convert_weight /models/gemma-2b-it --quantization q4f16_1 --source-format auto --output /tmp/tmp8p1wh14f
[2024-02-21 21:09:05] INFO auto_config.py:115: Found model configuration: /models/gemma-2b-it/config.json
[2024-02-21 21:09:06] INFO auto_device.py:76: Found device: cuda:0
[2024-02-21 21:09:06] INFO auto_device.py:76: Found device: cuda:1
[2024-02-21 21:09:07] INFO auto_device.py:85: Not found device: rocm:0
[2024-02-21 21:09:08] INFO auto_device.py:85: Not found device: metal:0
[2024-02-21 21:09:19] INFO auto_device.py:76: Found device: vulkan:0
[2024-02-21 21:09:19] INFO auto_device.py:76: Found device: vulkan:1
[2024-02-21 21:09:19] INFO auto_device.py:76: Found device: vulkan:2
[2024-02-21 21:09:20] INFO auto_device.py:85: Not found device: opencl:0
[2024-02-21 21:09:20] INFO auto_device.py:33: Using device: cuda:0
[2024-02-21 21:09:20] INFO auto_weight.py:70: Finding weights in: /models/gemma-2b-it
[2024-02-21 21:09:20] INFO auto_weight.py:136: Not found Huggingface PyTorch
[2024-02-21 21:09:20] INFO auto_weight.py:143: Found source weight format: huggingface-safetensor. Source configuration: /models/gemma-2b-it/model.safetensors.index.json
[2024-02-21 21:09:20] INFO auto_weight.py:106: Using source weight configuration: /models/gemma-2b-it/model.safetensors.index.json. Use `--source` to override.
[2024-02-21 21:09:20] INFO auto_weight.py:110: Using source weight format: huggingface-safetensor. Use `--source-format` to override.
[2024-02-21 21:09:20] INFO auto_config.py:153: Found model type: gemma. Use `--model-type` to override.
[2024-02-21 21:09:20] INFO gemma_model.py:55: context_window_size not found in config.json. Falling back to max_position_embeddings (8192)
[2024-02-21 21:09:20] INFO gemma_model.py:70: prefill_chunk_size defaults to context_window_size (8192)
Weight conversion with arguments:
--config /models/gemma-2b-it/config.json
--quantization GroupQuantize(name='q4f16_1', kind='group-quant', group_size=32, quantize_dtype='int4', storage_dtype='uint32', model_dtype='float16', linear_weight_layout='NK', quantize_embedding=True, quantize_final_fc=True, num_elem_per_storage=8, num_storage_per_group=4, max_int_value=7)
--model-type gemma
--device cuda:0
--source /models/gemma-2b-it/model.safetensors.index.json
--source-format huggingface-safetensor
--output /tmp/tmp8p1wh14f
0%| | 0/110 [00:00<?, ?it/s] [2024-02-21 21:09:22] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00001-of-00002.safetensors
0%| | 0/110 [00:00<?, ?it/s] [2024-02-21 21:09:38] INFO group_quantization.py:232: Compiling quantize function for key: ((256000, 2048), float16, cuda, axis=1, output_transpose=False)
0%| | 0/110 [00:15<?, ?it/s] [2024-02-21 21:09:39] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.embed_tokens.q_weight", shape: (256000, 256), dtype: uint32
0%| | 0/110 [00:17<?, ?it/s] [2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.embed_tokens.q_scale", shape: (256000, 64), dtype: float16
0%| | 0/110 [00:17<?, ?it/s] 1%|██▎ | 1/110 [00:17<32:03, 17.65s/it] [2024-02-21 21:09:40] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.input_layernorm.weight", shape: (2048,), dtype: float16
1%|██▎ | 1/110 [00:17<32:03, 17.65s/it] [2024-02-21 21:09:40] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 16384), float16, cuda, axis=1, output_transpose=False)
1%|██▎ | 1/110 [00:17<32:03, 17.65s/it] [2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
1%|██▎ | 1/110 [00:18<32:03, 17.65s/it] [2024-02-21 21:09:40] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
1%|██▎ | 1/110 [00:18<32:03, 17.65s/it] 3%|██████▊ | 3/110 [00:18<08:34, 4.81s/it] [2024-02-21 21:09:41] INFO group_quantization.py:232: Compiling quantize function for key: ((32768, 2048), float16, cuda, axis=1, output_transpose=False)
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it] [2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it] [2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
3%|██████▊ | 3/110 [00:19<08:34, 4.81s/it] 4%|█████████ | 4/110 [00:19<06:28, 3.67s/it] [2024-02-21 21:09:42] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.0.post_attention_layernorm.weight", shape: (2048,), dtype: float16
4%|█████████ | 4/110 [00:19<06:28, 3.67s/it] [2024-02-21 21:09:42] INFO group_quantization.py:232: Compiling quantize function for key: ((2560, 2048), float16, cuda, axis=1, output_transpose=False)
4%|█████████ | 4/110 [00:19<06:28, 3.67s/it] [2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
4%|█████████ | 4/110 [00:20<06:28, 3.67s/it] [2024-02-21 21:09:42] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
4%|█████████ | 4/110 [00:20<06:28, 3.67s/it] 5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it] [2024-02-21 21:09:42] INFO group_quantization.py:232: Compiling quantize function for key: ((2048, 2048), float16, cuda, axis=1, output_transpose=False)
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it] [2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it] [2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.0.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
5%|█████████████▋ | 6/110 [00:20<03:24, 1.97s/it] 6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it] [2024-02-21 21:09:43] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.input_layernorm.weight", shape: (2048,), dtype: float16
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it] [2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it] [2024-02-21 21:09:43] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
6%|███████████████▉ | 7/110 [00:20<02:41, 1.57s/it] 8%|████████████████████▍ | 9/110 [00:20<01:34, 1.06it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
8%|████████████████████▍ | 9/110 [00:22<01:34, 1.06it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
8%|████████████████████▍ | 9/110 [00:22<01:34, 1.06it/s] 9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.1.post_attention_layernorm.weight", shape: (2048,), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.1.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.input_layernorm.weight", shape: (2048,), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] [2024-02-21 21:09:44] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
9%|██████████████████████▋ | 10/110 [00:22<01:38, 1.02it/s] 14%|█████████████████████████████████▉ | 15/110 [00:22<00:38, 2.47it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
14%|█████████████████████████████████▉ | 15/110 [00:23<00:38, 2.47it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
14%|█████████████████████████████████▉ | 15/110 [00:23<00:38, 2.47it/s] 15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.10.post_attention_layernorm.weight", shape: (2048,), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.10.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:45] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.input_layernorm.weight", shape: (2048,), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] [2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
15%|████████████████████████████████████▏ | 16/110 [00:23<00:46, 2.02it/s] 19%|███████████████████████████████████████████████▌ | 21/110 [00:23<00:24, 3.69it/s] [2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
19%|███████████████████████████████████████████████▌ | 21/110 [00:24<00:24, 3.69it/s] [2024-02-21 21:09:46] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
19%|███████████████████████████████████████████████▌ | 21/110 [00:24<00:24, 3.69it/s] 20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:46] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.11.post_attention_layernorm.weight", shape: (2048,), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.11.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.input_layernorm.weight", shape: (2048,), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] [2024-02-21 21:09:47] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
20%|█████████████████████████████████████████████████▊ | 22/110 [00:24<00:30, 2.85it/s] 25%|█████████████████████████████████████████████████████████████ | 27/110 [00:24<00:17, 4.76it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
25%|█████████████████████████████████████████████████████████████ | 27/110 [00:25<00:17, 4.76it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
25%|█████████████████████████████████████████████████████████████ | 27/110 [00:25<00:17, 4.76it/s] 25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.12.post_attention_layernorm.weight", shape: (2048,), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.12.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.input_layernorm.weight", shape: (2048,), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:25<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:26<00:23, 3.46it/s] [2024-02-21 21:09:48] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
25%|███████████████████████████████████████████████████████████████▍ | 28/110 [00:26<00:23, 3.46it/s] 30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
30%|██████████████████████████████████████████████████████████████████████████▋ | 33/110 [00:26<00:14, 5.41it/s] 31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:26<00:20, 3.68it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.13.post_attention_layernorm.weight", shape: (2048,), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:26<00:20, 3.68it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.13.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
31%|████████████████████████████████████████████████████████████████████████████▉ | 34/110 [00:27<00:20, 3.68it/s] 34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.input_layernorm.weight", shape: (2048,), dtype: float16
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s] [2024-02-21 21:09:49] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
34%|███████████████████████████████████████████████████████████████████████████████████▊ | 37/110 [00:27<00:14, 5.10it/s] 35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:27<00:12, 5.60it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.14.post_attention_layernorm.weight", shape: (2048,), dtype: float16
35%|████████████████████████████████████████████████████████████████████████████████████████▎ | 39/110 [00:28<00:12, 5.60it/s] 37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
37%|████████████████████████████████████████████████████████████████████████████████████████████▊ | 41/110 [00:28<00:16, 4.14it/s] 38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.14.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.input_layernorm.weight", shape: (2048,), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] [2024-02-21 21:09:50] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
38%|███████████████████████████████████████████████████████████████████████████████████████████████ | 42/110 [00:28<00:14, 4.54it/s] 41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:28<00:10, 5.96it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:29<00:10, 5.96it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
41%|█████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 45/110 [00:29<00:10, 5.96it/s] 42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.15.post_attention_layernorm.weight", shape: (2048,), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.15.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:51] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.input_layernorm.weight", shape: (2048,), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:52] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] [2024-02-21 21:09:52] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
42%|████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 46/110 [00:29<00:17, 3.56it/s] 46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:29<00:09, 6.31it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.16.post_attention_layernorm.weight", shape: (2048,), dtype: float16
46%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 51/110 [00:30<00:09, 6.31it/s] 48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.16.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:30<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:31<00:13, 4.32it/s] [2024-02-21 21:09:53] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
48%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 53/110 [00:31<00:13, 4.32it/s] 51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.input_layernorm.weight", shape: (2048,), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] [2024-02-21 21:09:54] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
51%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 56/110 [00:31<00:13, 3.86it/s] 55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:31<00:09, 5.34it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:32<00:09, 5.34it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
55%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 60/110 [00:32<00:09, 5.34it/s] 55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.2.post_attention_layernorm.weight", shape: (2048,), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.2.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.input_layernorm.weight", shape: (2048,), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] [2024-02-21 21:09:55] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
55%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 61/110 [00:32<00:12, 3.88it/s] 60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:32<00:07, 6.06it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:33<00:07, 6.06it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
60%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 66/110 [00:33<00:07, 6.06it/s] 61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.3.post_attention_layernorm.weight", shape: (2048,), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.3.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
61%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 67/110 [00:33<00:10, 4.11it/s] 64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:33<00:06, 5.74it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.input_layernorm.weight", shape: (2048,), dtype: float16
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:33<00:06, 5.74it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:34<00:06, 5.74it/s] [2024-02-21 21:09:56] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
64%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 70/110 [00:34<00:06, 5.74it/s] 65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.4.post_attention_layernorm.weight", shape: (2048,), dtype: float16
65%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 72/110 [00:34<00:06, 6.06it/s] 67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.4.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.input_layernorm.weight", shape: (2048,), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:34<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:35<00:08, 4.49it/s] [2024-02-21 21:09:57] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
67%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 74/110 [00:35<00:08, 4.49it/s] 71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:35<00:05, 6.38it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.5.post_attention_layernorm.weight", shape: (2048,), dtype: float16
71%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 78/110 [00:36<00:05, 6.38it/s] 73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.5.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
73%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 80/110 [00:36<00:07, 4.13it/s] 75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s] [2024-02-21 21:09:58] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.input_layernorm.weight", shape: (2048,), dtype: float16
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s] [2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s] [2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
75%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | 82/110 [00:36<00:05, 5.13it/s] 76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:36<00:04, 5.55it/s] [2024-02-21 21:09:59] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.6.post_attention_layernorm.weight", shape: (2048,), dtype: float16
76%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 84/110 [00:37<00:04, 5.55it/s] 78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.6.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.input_layernorm.weight", shape: (2048,), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] [2024-02-21 21:10:00] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
78%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 86/110 [00:37<00:06, 3.79it/s] 82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:37<00:03, 5.57it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:38<00:03, 5.57it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
82%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▋ | 90/110 [00:38<00:03, 5.57it/s] 83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.7.post_attention_layernorm.weight", shape: (2048,), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.7.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.input_layernorm.weight", shape: (2048,), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:38<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:39<00:05, 3.61it/s] [2024-02-21 21:10:01] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
83%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 91/110 [00:39<00:05, 3.61it/s] 87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:39<00:02, 6.02it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.8.post_attention_layernorm.weight", shape: (2048,), dtype: float16
87%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | 96/110 [00:40<00:02, 6.02it/s] 89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:40<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.8.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.input_layernorm.weight", shape: (2048,), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] [2024-02-21 21:10:03] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
89%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▊ | 98/110 [00:41<00:04, 2.96it/s] 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.mlp.gate_up_proj.q_weight", shape: (32768, 256), dtype: uint32
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.mlp.gate_up_proj.q_scale", shape: (32768, 64), dtype: float16
93%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | 102/110 [00:41<00:01, 4.24it/s] 94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.9.post_attention_layernorm.weight", shape: (2048,), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.self_attn.qkv_proj.q_weight", shape: (2560, 256), dtype: uint32
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.self_attn.qkv_proj.q_scale", shape: (2560, 64), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.self_attn.o_proj.q_weight", shape: (2048, 256), dtype: uint32
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.9.self_attn.o_proj.q_scale", shape: (2048, 64), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:04] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00001-of-00002.safetensors
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:41<00:01, 3.59it/s] [2024-02-21 21:10:05] INFO huggingface_loader.py:182: Loading HF parameters from: /models/gemma-2b-it/model-00002-of-00002.safetensors
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:42<00:01, 3.59it/s] [2024-02-21 21:10:05] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.input_layernorm.weight", shape: (2048,), dtype: float16
94%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 103/110 [00:42<00:01, 3.59it/s] 97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:42<00:00, 3.65it/s] [2024-02-21 21:10:06] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.mlp.down_proj.q_weight", shape: (2048, 2048), dtype: uint32
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:43<00:00, 3.65it/s] [2024-02-21 21:10:06] INFO huggingface_loader.py:164: [Quantized] Parameter: "model.layers.17.mlp.down_proj.q_scale", shape: (2048, 512), dtype: float16
97%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ | 107/110 [00:43<00:00, 3.65it/s] 98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s] [2024-02-21 21:10:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.layers.17.post_attention_layernorm.weight", shape: (2048,), dtype: float16
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s] [2024-02-21 21:10:06] INFO huggingface_loader.py:172: [Not quantized] Parameter: "model.norm.weight", shape: (2048,), dtype: float16
98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 108/110 [00:43<00:00, 2.70it/s] 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 110/110 [00:43<00:00, 2.50it/s]
[2024-02-21 21:10:06] INFO huggingface_loader.py:194: Unloading HF weight file: /models/gemma-2b-it/model-00002-of-00002.safetensors
[2024-02-21 21:10:06] INFO stats.py:76: Time usage: HF loading: 12.610 sec; Pre-quantization mapping: 25.853 sec; Quantization: 3.268 sec
[2024-02-21 21:10:06] INFO stats.py:90: RAM usage: Peak RAM: 9.211 GB. Total bytes loaded from disk: 9.336 GB
[2024-02-21 21:10:06] INFO convert_weight.py:132: Parameter size after quantization: 1.313 GB
[2024-02-21 21:10:06] INFO convert_weight.py:137: Total parameters: 2,506,172,416
[2024-02-21 21:10:06] INFO convert_weight.py:138: Bits per parameter: 4.500
Start storing to cache /tmp/tmp8p1wh14f
[0001/0183] saving model.embed_tokens.q_weight [0002/0183] saving model.embed_tokens.q_scale [0003/0183] saving model.layers.0.input_layernorm.weight [0004/0183] saving model.layers.0.mlp.down_proj.q_weight [0005/0183] saving model.layers.0.mlp.down_proj.q_scale [0006/0183] saving model.layers.0.mlp.gate_up_proj.q_weight [0007/0183] saving model.layers.0.mlp.gate_up_proj.q_scale [0008/0183] saving model.layers.0.post_attention_layernorm.weight [0009/0183] saving model.layers.0.self_attn.qkv_proj.q_weight [0010/0183] saving model.layers.0.self_attn.qkv_proj.q_scale [0011/0183] saving model.layers.0.self_attn.o_proj.q_weight [0012/0183] saving model.layers.0.self_attn.o_proj.q_scale [0013/0183] saving model.layers.1.input_layernorm.weight [0014/0183] saving model.layers.1.mlp.down_proj.q_weight [0015/0183] saving model.layers.1.mlp.down_proj.q_scale [0016/0183] saving model.layers.1.mlp.gate_up_proj.q_weight [0017/0183] saving model.layers.1.mlp.gate_up_proj.q_scale [0018/0183] saving model.layers.1.post_attention_layernorm.weight [0019/0183] saving model.layers.1.self_attn.qkv_proj.q_weight [0020/0183] saving model.layers.1.self_attn.qkv_proj.q_scale [0021/0183] saving model.layers.1.self_attn.o_proj.q_weight [0022/0183] saving model.layers.1.self_attn.o_proj.q_scale [0023/0183] saving model.layers.10.input_layernorm.weight [0024/0183] saving model.layers.10.mlp.down_proj.q_weight [0025/0183] saving model.layers.10.mlp.down_proj.q_scale [0026/0183] saving model.layers.10.mlp.gate_up_proj.q_weight [0027/0183] saving model.layers.10.mlp.gate_up_proj.q_scale [0028/0183] saving model.layers.10.post_attention_layernorm.weight [0029/0183] saving model.layers.10.self_attn.qkv_proj.q_weight [0030/0183] saving model.layers.10.self_attn.qkv_proj.q_scale [0031/0183] saving model.layers.10.self_attn.o_proj.q_weight [0032/0183] saving model.layers.10.self_attn.o_proj.q_scale [0033/0183] saving model.layers.11.input_layernorm.weight [0034/0183] saving model.layers.11.mlp.down_proj.q_weight [0035/0183] saving model.layers.11.mlp.down_proj.q_scale [0036/0183] saving model.layers.11.mlp.gate_up_proj.q_weight [0037/0183] saving model.layers.11.mlp.gate_up_proj.q_scale [0038/0183] saving model.layers.11.post_attention_layernorm.weight [0039/0183] saving model.layers.11.self_attn.qkv_proj.q_weight [0040/0183] saving model.layers.11.self_attn.qkv_proj.q_scale [0041/0183] saving model.layers.11.self_attn.o_proj.q_weight [0042/0183] saving model.layers.11.self_attn.o_proj.q_scale [0043/0183] saving model.layers.12.input_layernorm.weight [0044/0183] saving model.layers.12.mlp.down_proj.q_weight [0045/0183] saving model.layers.12.mlp.down_proj.q_scale [0046/0183] saving model.layers.12.mlp.gate_up_proj.q_weight [0047/0183] saving model.layers.12.mlp.gate_up_proj.q_scale [0048/0183] saving model.layers.12.post_attention_layernorm.weight [0049/0183] saving model.layers.12.self_attn.qkv_proj.q_weight [0050/0183] saving model.layers.12.self_attn.qkv_proj.q_scale [0051/0183] saving model.layers.12.self_attn.o_proj.q_weight [0052/0183] saving model.layers.12.self_attn.o_proj.q_scale [0053/0183] saving model.layers.13.input_layernorm.weight [0054/0183] saving model.layers.13.mlp.down_proj.q_weight [0055/0183] saving model.layers.13.mlp.down_proj.q_scale [0056/0183] saving model.layers.13.mlp.gate_up_proj.q_weight [0057/0183] saving model.layers.13.mlp.gate_up_proj.q_scale [0058/0183] saving model.layers.13.post_attention_layernorm.weight [0059/0183] saving model.layers.13.self_attn.qkv_proj.q_weight [0060/0183] saving model.layers.13.self_attn.qkv_proj.q_scale [0061/0183] saving model.layers.13.self_attn.o_proj.q_weight [0062/0183] saving model.layers.13.self_attn.o_proj.q_scale [0063/0183] saving model.layers.14.input_layernorm.weight [0064/0183] saving model.layers.14.mlp.down_proj.q_weight [0065/0183] saving model.layers.14.mlp.down_proj.q_scale [0066/0183] saving model.layers.14.mlp.gate_up_proj.q_weight [0067/0183] saving model.layers.14.mlp.gate_up_proj.q_scale [0068/0183] saving model.layers.14.post_attention_layernorm.weight [0069/0183] saving model.layers.14.self_attn.qkv_proj.q_weight [0070/0183] saving model.layers.14.self_attn.qkv_proj.q_scale [0071/0183] saving model.layers.14.self_attn.o_proj.q_weight [0072/0183] saving model.layers.14.self_attn.o_proj.q_scale [0073/0183] saving model.layers.15.input_layernorm.weight [0074/0183] saving model.layers.15.mlp.down_proj.q_weight [0075/0183] saving model.layers.15.mlp.down_proj.q_scale [0076/0183] saving model.layers.15.mlp.gate_up_proj.q_weight [0077/0183] saving model.layers.15.mlp.gate_up_proj.q_scale [0078/0183] saving model.layers.15.post_attention_layernorm.weight [0079/0183] saving model.layers.15.self_attn.qkv_proj.q_weight [0080/0183] saving model.layers.15.self_attn.qkv_proj.q_scale [0081/0183] saving model.layers.15.self_attn.o_proj.q_weight [0082/0183] saving model.layers.15.self_attn.o_proj.q_scale [0083/0183] saving model.layers.16.input_layernorm.weight [0084/0183] saving model.layers.16.mlp.down_proj.q_weight [0085/0183] saving model.layers.16.mlp.down_proj.q_scale [0086/0183] saving model.layers.16.mlp.gate_up_proj.q_weight [0087/0183] saving model.layers.16.mlp.gate_up_proj.q_scale [0088/0183] saving model.layers.16.post_attention_layernorm.weight [0089/0183] saving model.layers.16.self_attn.qkv_proj.q_weight [0090/0183] saving model.layers.16.self_attn.qkv_proj.q_scale [0091/0183] saving model.layers.16.self_attn.o_proj.q_weight [0092/0183] saving model.layers.16.self_attn.o_proj.q_scale [0093/0183] saving model.layers.17.mlp.gate_up_proj.q_weight [0094/0183] saving model.layers.17.mlp.gate_up_proj.q_scale [0095/0183] saving model.layers.17.self_attn.qkv_proj.q_weight [0096/0183] saving model.layers.17.self_attn.qkv_proj.q_scale [0097/0183] saving model.layers.17.self_attn.o_proj.q_weight [0098/0183] saving model.layers.17.self_attn.o_proj.q_scale [0099/0183] saving model.layers.2.input_layernorm.weight [0100/0183] saving model.layers.2.mlp.down_proj.q_weight [0101/0183] saving model.layers.2.mlp.down_proj.q_scale [0102/0183] saving model.layers.2.mlp.gate_up_proj.q_weight [0103/0183] saving model.layers.2.mlp.gate_up_proj.q_scale [0104/0183] saving model.layers.2.post_attention_layernorm.weight [0105/0183] saving model.layers.2.self_attn.qkv_proj.q_weight [0106/0183] saving model.layers.2.self_attn.qkv_proj.q_scale [0107/0183] saving model.layers.2.self_attn.o_proj.q_weight [0108/0183] saving model.layers.2.self_attn.o_proj.q_scale [0109/0183] saving model.layers.3.input_layernorm.weight [0110/0183] saving model.layers.3.mlp.down_proj.q_weight [0111/0183] saving model.layers.3.mlp.down_proj.q_scale [0112/0183] saving model.layers.3.mlp.gate_up_proj.q_weight [0113/0183] saving model.layers.3.mlp.gate_up_proj.q_scale [0114/0183] saving model.layers.3.post_attention_layernorm.weight [0115/0183] saving model.layers.3.self_attn.qkv_proj.q_weight [0116/0183] saving model.layers.3.self_attn.qkv_proj.q_scale [0117/0183] saving model.layers.3.self_attn.o_proj.q_weight [0118/0183] saving model.layers.3.self_attn.o_proj.q_scale [0119/0183] saving model.layers.4.input_layernorm.weight [0120/0183] saving model.layers.4.mlp.down_proj.q_weight [0121/0183] saving model.layers.4.mlp.down_proj.q_scale [0122/0183] saving model.layers.4.mlp.gate_up_proj.q_weight [0123/0183] saving model.layers.4.mlp.gate_up_proj.q_scale [0124/0183] saving model.layers.4.post_attention_layernorm.weight [0125/0183] saving model.layers.4.self_attn.qkv_proj.q_weight [0126/0183] saving model.layers.4.self_attn.qkv_proj.q_scale [0127/0183] saving model.layers.4.self_attn.o_proj.q_weight [0128/0183] saving model.layers.4.self_attn.o_proj.q_scale [0129/0183] saving model.layers.5.input_layernorm.weight[2024-02-21 21:10:15] INFO convert_weight.py:154: Saved to directory: /tmp/tmp8p1wh14f
[0130/0183] saving model.layers.5.mlp.down_proj.q_weight [0131/0183] saving model.layers.5.mlp.down_proj.q_scale [0132/0183] saving model.layers.5.mlp.gate_up_proj.q_weight [0133/0183] saving model.layers.5.mlp.gate_up_proj.q_scale [0134/0183] saving model.layers.5.post_attention_layernorm.weight [0135/0183] saving model.layers.5.self_attn.qkv_proj.q_weight [0136/0183] saving model.layers.5.self_attn.qkv_proj.q_scale [0137/0183] saving model.layers.5.self_attn.o_proj.q_weight [0138/0183] saving model.layers.5.self_attn.o_proj.q_scale [0139/0183] saving model.layers.6.input_layernorm.weight [0140/0183] saving model.layers.6.mlp.down_proj.q_weight [0141/0183] saving model.layers.6.mlp.down_proj.q_scale [0142/0183] saving model.layers.6.mlp.gate_up_proj.q_weight [0143/0183] saving model.layers.6.mlp.gate_up_proj.q_scale [0144/0183] saving model.layers.6.post_attention_layernorm.weight [0145/0183] saving model.layers.6.self_attn.qkv_proj.q_weight [0146/0183] saving model.layers.6.self_attn.qkv_proj.q_scale [0147/0183] saving model.layers.6.self_attn.o_proj.q_weight [0148/0183] saving model.layers.6.self_attn.o_proj.q_scale [0149/0183] saving model.layers.7.input_layernorm.weight [0150/0183] saving model.layers.7.mlp.down_proj.q_weight [0151/0183] saving model.layers.7.mlp.down_proj.q_scale [0152/0183] saving model.layers.7.mlp.gate_up_proj.q_weight [0153/0183] saving model.layers.7.mlp.gate_up_proj.q_scale [0154/0183] saving model.layers.7.post_attention_layernorm.weight [0155/0183] saving model.layers.7.self_attn.qkv_proj.q_weight [0156/0183] saving model.layers.7.self_attn.qkv_proj.q_scale [0157/0183] saving model.layers.7.self_attn.o_proj.q_weight [0158/0183] saving model.layers.7.self_attn.o_proj.q_scale [0159/0183] saving model.layers.8.input_layernorm.weight [0160/0183] saving model.layers.8.mlp.down_proj.q_weight [0161/0183] saving model.layers.8.mlp.down_proj.q_scale [0162/0183] saving model.layers.8.mlp.gate_up_proj.q_weight [0163/0183] saving model.layers.8.mlp.gate_up_proj.q_scale [0164/0183] saving model.layers.8.post_attention_layernorm.weight [0165/0183] saving model.layers.8.self_attn.qkv_proj.q_weight [0166/0183] saving model.layers.8.self_attn.qkv_proj.q_scale [0167/0183] saving model.layers.8.self_attn.o_proj.q_weight [0168/0183] saving model.layers.8.self_attn.o_proj.q_scale [0169/0183] saving model.layers.9.input_layernorm.weight [0170/0183] saving model.layers.9.mlp.down_proj.q_weight [0171/0183] saving model.layers.9.mlp.down_proj.q_scale [0172/0183] saving model.layers.9.mlp.gate_up_proj.q_weight [0173/0183] saving model.layers.9.mlp.gate_up_proj.q_scale [0174/0183] saving model.layers.9.post_attention_layernorm.weight [0175/0183] saving model.layers.9.self_attn.qkv_proj.q_weight [0176/0183] saving model.layers.9.self_attn.qkv_proj.q_scale [0177/0183] saving model.layers.9.self_attn.o_proj.q_weight [0178/0183] saving model.layers.9.self_attn.o_proj.q_scale [0179/0183] saving model.layers.17.input_layernorm.weight [0180/0183] saving model.layers.17.mlp.down_proj.q_weight [0181/0183] saving model.layers.17.mlp.down_proj.q_scale [0182/0183] saving model.layers.17.post_attention_layernorm.weight [0183/0183] saving model.norm.weight
All finished, 38 total shards committed, record saved to /tmp/tmp8p1wh14f/ndarray-cache.json