Stage 1 step 1: prepare.py, real corpus numbers (SAP-samples/abap-cheat-sheets)
Co-Authored-By: Claude Sonnet 5.5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_014aUaQeLnwbb1zTpN7kHeat
This commit is contained in:
98
train/data/report.md
Normal file
98
train/data/report.md
Normal file
@@ -0,0 +1,98 @@
|
||||
# Stage 1 data report
|
||||
|
||||
Corpus: `/Users/erhankeseli/projects/abap-llm/corpus/corpus.jsonl` (source abap-cheat-sheets, Apache-2.0, see corpus/out/ATTRIBUTION.md).
|
||||
Tokenizer: `/Users/erhankeseli/models/Qwen3.8-27B-4bit`. Seed 20261003. max_seq_length 16384.
|
||||
Split by family (release versions and parts of one document stay together): 180 families.
|
||||
|
||||
| | docs | tokens |
|
||||
|---|---|---|
|
||||
| corpus | 370 | 2806501 (estimate chars/4: 2636112, ratio 1.065) |
|
||||
| removed (> 16384) | 45 | 840136 |
|
||||
| train | 309 | 1886475 |
|
||||
| valid (= test file) | 16 | 79890 |
|
||||
|
||||
Iterations for 2 epochs (batch 1): 618.
|
||||
|
||||
## Token distribution per document (real tokenizer)
|
||||
|
||||
| set | min | p50 | p90 | p99 | max |
|
||||
|---|---|---|---|---|---|
|
||||
| all | 49 | 5195 | 16923 | 21483 | 31552 |
|
||||
| kept | 49 | 4027 | 14998 | 16217 | 16273 |
|
||||
| train | 49 | 4403 | 14998 | 16217 | 16273 |
|
||||
| valid | 130 | 3392 | 16027 | 16129 | 16129 |
|
||||
|
||||
| tokens per document up to | docs |
|
||||
|---|---|
|
||||
| 512 | 48 |
|
||||
| 1024 | 25 |
|
||||
| 2048 | 40 |
|
||||
| 4096 | 51 |
|
||||
| 8192 | 53 |
|
||||
| 16384 | 108 |
|
||||
| more | 45 |
|
||||
|
||||
## By object type (kept documents)
|
||||
|
||||
| types | docs | tokens |
|
||||
|---|---|---|
|
||||
| DOC | 106 | 1012152 |
|
||||
| CLAS | 147 | 827969 |
|
||||
| PROG | 13 | 55365 |
|
||||
| mixed(4) | 6 | 28405 |
|
||||
| DDLS | 27 | 20614 |
|
||||
| mixed(3) | 2 | 6667 |
|
||||
| DDLX | 6 | 5003 |
|
||||
| CLAS+DDLS | 1 | 4563 |
|
||||
| FUGR | 2 | 2026 |
|
||||
| INTF | 7 | 1792 |
|
||||
| BDEF | 6 | 1564 |
|
||||
| DCLS | 2 | 245 |
|
||||
|
||||
## Removed documents
|
||||
|
||||
- ZCL_DEMO_ABAP_OBJECTS (CLAS): 17042 tokens
|
||||
- ZCL_DEMO_ABAP_STRUCTURES (CLAS): 16628 tokens
|
||||
- 32_Performance_Notes__P03 (DOC): 16742 tokens
|
||||
- ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS): 19117 tokens
|
||||
- ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS): 18883 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG__V755 (CLAS): 19801 tokens
|
||||
- 23_Date_and_Time (DOC): 20347 tokens
|
||||
- ZCL_DEMO_ABAP_INTERNAL_TABLES__V757 (CLAS): 17477 tokens
|
||||
- 07_String_Processing__P02 (DOC): 17916 tokens
|
||||
- ZCL_DEMO_ABAP_CONSTRUCTOR_EXPR (CLAS): 17368 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG__V758 (CLAS): 31552 tokens
|
||||
- ZCL_DEMO_ABAP_STRING_PROC__V757 (CLAS): 19499 tokens
|
||||
- 04_ABAP_Object_Orientation__P06 (DOC): 16694 tokens
|
||||
- ZCL_DEMO_ABAP_DTYPE_DOBJ__V758 (CLAS): 18368 tokens
|
||||
- 06_Dynamic_Programming__P07 (DOC): 23994 tokens
|
||||
- 28_Regular_Expressions (DOC): 17900 tokens
|
||||
- 06_Dynamic_Programming__P06 (DOC): 16923 tokens
|
||||
- ZCL_DEMO_ABAP_NUMERIC_OP__V816 (CLAS): 19769 tokens
|
||||
- 05_Constructor_Expressions__P01 (DOC): 17349 tokens
|
||||
- ZCL_DEMO_ABAP_DTYPE_DOBJ__V755 (CLAS): 17237 tokens
|
||||
- ZCL_DEMO_ABAP_DTYPE_DOBJ__V756 (CLAS): 18069 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS): 17923 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS): 16924 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS): 16770 tokens
|
||||
- 14_ABAP_Unit_Tests__P03 (DOC): 18549 tokens
|
||||
- ZCL_DEMO_ABAP_STRING_PROC__V758 (CLAS): 22096 tokens
|
||||
- 22_Released_ABAP_Classes__P01 (DOC): 19022 tokens
|
||||
- 21_XML_JSON__P01 (DOC): 16625 tokens
|
||||
- 29_Numeric_Operations__P01 (DOC): 17805 tokens
|
||||
- 03_ABAP_SQL__P01 (DOC): 17305 tokens
|
||||
- ZCL_DEMO_ABAP_DTYPE_DOBJ__V757 (CLAS): 18308 tokens
|
||||
- 14_ABAP_Unit_Tests__P04 (DOC): 17633 tokens
|
||||
- 24_Builtin_Functions (DOC): 16851 tokens
|
||||
- ZCL_DEMO_ABAP_NUMERIC_OP (CLAS): 19740 tokens
|
||||
- ZCL_DEMO_ABAP_INTERNAL_TABLES__V758 (CLAS): 17355 tokens
|
||||
- ZCL_DEMO_ABAP_BUILTIN_FUNC (CLAS): 20446 tokens
|
||||
- ZCL_DEMO_ABAP_STRING_PROC (CLAS): 20311 tokens
|
||||
- ZCL_DEMO_ABAP_UNIT_TEST__V758 (CLAS): 16394 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG__V757 (CLAS): 21483 tokens
|
||||
- ZCL_DEMO_ABAP_DATE_TIME (CLAS): 18634 tokens
|
||||
- ZCL_DEMO_ABAP_XML_JSON (CLAS): 16825 tokens
|
||||
- ZCL_DEMO_ABAP_SQL (CLAS): 18283 tokens
|
||||
- ZCL_DEMO_ABAP_INTERNAL_TABLES__V755 (CLAS): 17309 tokens
|
||||
- ZCL_DEMO_ABAP_DYNAMIC_PROG__V756 (CLAS): 20979 tokens
|
||||
- 16_Data_Types_and_Objects__P02 (DOC): 17891 tokens
|
||||
370
train/data/stats.json
Normal file
370
train/data/stats.json
Normal file
@@ -0,0 +1,370 @@
|
||||
{
|
||||
"corpus": "/Users/erhankeseli/projects/abap-llm/corpus/corpus.jsonl",
|
||||
"seed": 20261003,
|
||||
"max_len": 16384,
|
||||
"estimate_tokens": 2636112,
|
||||
"real_tokens": 2806501,
|
||||
"ratio_real_to_estimate": 1.065,
|
||||
"all": {
|
||||
"docs": 370,
|
||||
"tokens": 2806501,
|
||||
"min": 49,
|
||||
"p50": 5195,
|
||||
"p90": 16923,
|
||||
"p99": 21483,
|
||||
"max": 31552
|
||||
},
|
||||
"kept": {
|
||||
"docs": 325,
|
||||
"tokens": 1966365,
|
||||
"min": 49,
|
||||
"p50": 4027,
|
||||
"p90": 14998,
|
||||
"p99": 16217,
|
||||
"max": 16273
|
||||
},
|
||||
"train": {
|
||||
"docs": 309,
|
||||
"tokens": 1886475,
|
||||
"min": 49,
|
||||
"p50": 4403,
|
||||
"p90": 14998,
|
||||
"p99": 16217,
|
||||
"max": 16273
|
||||
},
|
||||
"valid": {
|
||||
"docs": 16,
|
||||
"tokens": 79890,
|
||||
"min": 130,
|
||||
"p50": 3392,
|
||||
"p90": 16027,
|
||||
"p99": 16129,
|
||||
"max": 16129
|
||||
},
|
||||
"removed": [
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_OBJECTS (CLAS)"
|
||||
],
|
||||
"tokens": 17042
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRUCTURES (CLAS)"
|
||||
],
|
||||
"tokens": 16628
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"32_Performance_Notes__P03 (DOC)"
|
||||
],
|
||||
"tokens": 16742
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS)"
|
||||
],
|
||||
"tokens": 19117
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES (CLAS)"
|
||||
],
|
||||
"tokens": 18883
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 19801
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"23_Date_and_Time (DOC)"
|
||||
],
|
||||
"tokens": 20347
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 17477
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"07_String_Processing__P02 (DOC)"
|
||||
],
|
||||
"tokens": 17916
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_CONSTRUCTOR_EXPR (CLAS)"
|
||||
],
|
||||
"tokens": 17368
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 31552
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 19499
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"04_ABAP_Object_Orientation__P06 (DOC)"
|
||||
],
|
||||
"tokens": 16694
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 18368
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"06_Dynamic_Programming__P07 (DOC)"
|
||||
],
|
||||
"tokens": 23994
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"28_Regular_Expressions (DOC)"
|
||||
],
|
||||
"tokens": 17900
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"06_Dynamic_Programming__P06 (DOC)"
|
||||
],
|
||||
"tokens": 16923
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_NUMERIC_OP__V816 (CLAS)"
|
||||
],
|
||||
"tokens": 19769
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"05_Constructor_Expressions__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17349
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 17237
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V756 (CLAS)"
|
||||
],
|
||||
"tokens": 18069
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 17923
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 16924
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG (CLAS)"
|
||||
],
|
||||
"tokens": 16770
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"14_ABAP_Unit_Tests__P03 (DOC)"
|
||||
],
|
||||
"tokens": 18549
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 22096
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"22_Released_ABAP_Classes__P01 (DOC)"
|
||||
],
|
||||
"tokens": 19022
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"21_XML_JSON__P01 (DOC)"
|
||||
],
|
||||
"tokens": 16625
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"29_Numeric_Operations__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17805
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"03_ABAP_SQL__P01 (DOC)"
|
||||
],
|
||||
"tokens": 17305
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DTYPE_DOBJ__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 18308
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"14_ABAP_Unit_Tests__P04 (DOC)"
|
||||
],
|
||||
"tokens": 17633
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"24_Builtin_Functions (DOC)"
|
||||
],
|
||||
"tokens": 16851
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_NUMERIC_OP (CLAS)"
|
||||
],
|
||||
"tokens": 19740
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 17355
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_BUILTIN_FUNC (CLAS)"
|
||||
],
|
||||
"tokens": 20446
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_STRING_PROC (CLAS)"
|
||||
],
|
||||
"tokens": 20311
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_UNIT_TEST__V758 (CLAS)"
|
||||
],
|
||||
"tokens": 16394
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V757 (CLAS)"
|
||||
],
|
||||
"tokens": 21483
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DATE_TIME (CLAS)"
|
||||
],
|
||||
"tokens": 18634
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_XML_JSON (CLAS)"
|
||||
],
|
||||
"tokens": 16825
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_SQL (CLAS)"
|
||||
],
|
||||
"tokens": 18283
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_INTERNAL_TABLES__V755 (CLAS)"
|
||||
],
|
||||
"tokens": 17309
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"ZCL_DEMO_ABAP_DYNAMIC_PROG__V756 (CLAS)"
|
||||
],
|
||||
"tokens": 20979
|
||||
},
|
||||
{
|
||||
"objects": [
|
||||
"16_Data_Types_and_Objects__P02 (DOC)"
|
||||
],
|
||||
"tokens": 17891
|
||||
}
|
||||
],
|
||||
"by_type": {
|
||||
"CLAS": {
|
||||
"docs": 147,
|
||||
"tokens": 827969
|
||||
},
|
||||
"mixed(4)": {
|
||||
"docs": 6,
|
||||
"tokens": 28405
|
||||
},
|
||||
"DOC": {
|
||||
"docs": 106,
|
||||
"tokens": 1012152
|
||||
},
|
||||
"INTF": {
|
||||
"docs": 7,
|
||||
"tokens": 1792
|
||||
},
|
||||
"BDEF": {
|
||||
"docs": 6,
|
||||
"tokens": 1564
|
||||
},
|
||||
"DDLS": {
|
||||
"docs": 27,
|
||||
"tokens": 20614
|
||||
},
|
||||
"mixed(3)": {
|
||||
"docs": 2,
|
||||
"tokens": 6667
|
||||
},
|
||||
"PROG": {
|
||||
"docs": 13,
|
||||
"tokens": 55365
|
||||
},
|
||||
"DDLX": {
|
||||
"docs": 6,
|
||||
"tokens": 5003
|
||||
},
|
||||
"CLAS+DDLS": {
|
||||
"docs": 1,
|
||||
"tokens": 4563
|
||||
},
|
||||
"DCLS": {
|
||||
"docs": 2,
|
||||
"tokens": 245
|
||||
},
|
||||
"FUGR": {
|
||||
"docs": 2,
|
||||
"tokens": 2026
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"abap-cheat-sheets"
|
||||
],
|
||||
"iterations_2_epochs": 618
|
||||
}
|
||||
Reference in New Issue
Block a user