Python REPL session killed after `tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")`
#10
by
pons-atrial
- opened
Any suggestions about how to interpret the warnings and the errors, and to resolve the issue are appreciated.
>>> tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")
.gitattributes: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.60k/1.60k [00:00<00:00, 9.66MB/s]
README.md: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5.52k/5.52k [00:00<00:00, 36.3MB/s]
(…)oint_1100000/descriptor/descriptor.pbtxt: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 499/499 [00:00<00:00, 1.29MB/s]
(…)nts/checkpoint_1100000/metadata/metadata: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 43.9k/43.9k [00:00<00:00, 76.5MB/s]
checkpoint: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 814M/814M [00:02<00:00, 304MB/s]
Fetching 5 files: 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5/5 [00:07<00:00, 1.50s/it]
Constructing model weights.
Constructed model weights in 3.18 seconds.
Restoring checkpoint from /home/sagemaker-user/.cache/huggingface/hub/models--google--timesfm-1.0-200m/snapshots/6e882b9d59c38c0e06a8d5c5632acffa446b7274/checkpoints.
WARNING:absl:No registered CheckpointArgs found for handler type: <class 'paxml.checkpoints.FlaxCheckpointHandler'>
WARNING:absl:Configured `CheckpointManager` using deprecated legacy API. Please follow the instructions at https://orbax.readthedocs.io/en/latest/api_refactor.html to migrate by May 1st, 2024.
WARNING:absl:train_state_unpadded_shape_dtype_struct is not provided. We assume `train_state` is unpadded.
ERROR:absl:For checkpoint version > 1.0, we require users to provide
`train_state_unpadded_shape_dtype_struct` during checkpoint
saving/restoring, to avoid potential silent bugs when loading
checkpoints to incompatible unpadded shapes of TrainState.
Restored checkpoint in 3.54 seconds.
Jitting decoding.
Killed
(tfm_env) sagemaker-user@studio$
Jitting can take a while. The warnings / errors should not be blocking.