Kurz gesagt
Lassen Sie Ihr Trainingsskript mit einem Emissions-Tracker wie CodeCarbon laufen, der die Energie von CPU, GPU und Arbeitsspeicher schätzt und sie anhand des lokalen Stromnetzes in CO₂ umrechnet. Zählen Sie jeden Lauf mit, einschließlich Abstimmung und Fehlschlägen, erfassen Sie Hardware, Standort und Dauer, und veröffentlichen Sie das Ergebnis zusammen mit dem Modell. Wenn Sie keine Protokolle haben, kann ein Rechner wie Green Algorithms den Wert nachträglich schätzen.
Schritte
- Fügen Sie dem Trainingsskript einen Emissions-Tracker hinzu und beenden Sie ihn in einem finally-Block, damit er immer geschlossen wird.
- Geben Sie jedem Lauf einen Projekt- oder Experimentnamen, damit sich Konfigurationen vergleichen lassen.
- Erfassen Sie Hardware, Laufzeit, Standort und die verwendete CO₂-Intensität des Netzes.
- Zählen Sie Abstimmungsläufe, fehlgeschlagene und abgebrochene Läufe ebenso mit wie den finalen.
- Stellen Sie Energie und Emissionen in Ihrer Ergebnistabelle neben die Genauigkeit.
- Veröffentlichen Sie den Wert in der Model Card oder im Paper.
Messen Sie während des Trainings, nicht danach. Trainingswerte, die Lauf für Lauf protokolliert werden, erlauben es, Konfigurationen nach Energie wie nach Genauigkeit zu vergleichen, und geben Einkäufern und Kollegen eine Zahl, der sie vertrauen können.
Was bestimmt den Fußabdruck?
Lacoste und Kollegen haben 2019 die Hauptfaktoren benannt: den Standort des Servers und das Stromnetz, das er nutzt, die Dauer des Trainings sowie Hersteller und Modell der Hardware. CO₂ ist Energie multipliziert mit der CO₂-Intensität des Netzes, wo und wann der Job lief.
Welche Werkzeuge sollte ich nutzen?
- CodeCarbon, ein Open-Source-Python-Paket, schätzt die Energie aus der Leistungsaufnahme von Prozessor, GPU und Arbeitsspeicher und rechnet sie mit lokalen Netzdaten um. Seine Tutorials zeigen, wie man jede Konfiguration erfasst und Genauigkeit gegen Emissionen vergleicht, und es gibt Anleitungen für Cluster, deren Rechenknoten keinen Internetzugang haben.
- Green Algorithms, ein Rechner von Lannelongue, Grealey und Inouye, schätzt einen Fußabdruck aus Hardware, Laufzeit, Arbeitsspeicher und Standort, was sich für Jobs eignet, die Sie nicht protokolliert haben.
- Der Machine Learning CO2 Impact calculator von Lacoste und Kollegen macht eine ähnliche Schätzung aus Hardware, Stunden, Anbieter und Region.
Wie veröffentliche ich das?
Model Cards bei Hugging Face haben ein Feld co2_eq_emissions für die Emissionen in Gramm, die Quelle des Werts, die
Art des Trainings (Pre-Training oder Fine-Tuning), den Standort und die verwendete Hardware. Füllen Sie es für jedes
Modell aus, das Sie veröffentlichen.
Häufige Fehler
- Nur den finalen Lauf angeben. Hyperparametersuchen und fehlgeschlagene Läufe machen oft den größten Teil der Gesamtmenge aus.
- Einen nationalen Jahresdurchschnitt verwenden, wenn es stündliche regionale Daten gibt. Siehe Daten zur CO₂-Intensität des Netzes finden.
- Eine Zahl ohne Methode angeben. Nennen Sie Werkzeug, Version und Systemgrenze.
Die vollständige Methode finden Sie unter wie Sie KI-Energie messen.
Quellen
- Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Verwandte Themen
Wie berichte ich den Energieverbrauch meiner KI-Forschung?
Was zu Rechenaufwand und Energie in eine Veröffentlichung gehört: Hardware, GPU-Stunden aller Läufe, Energie, Standort, CO2, Inferenzkosten und Systemgrenze.
Wie messe ich den Energieverbrauch von KI auf meinem eigenen Computer oder meiner GPU?
Lokalen KI-Energieverbrauch messen: mit Hardwarezählern, GPU-Telemetrie oder Steckdosen-Messgerät, über den ganzen Job, abzüglich des Leerlaufwerts.
Wie senke ich den Energieverbrauch beim Training eines Modells?
Die wichtigsten Hebel gegen Trainingsenergie: vortrainiert starten, Größe anpassen, gemischte Genauigkeit, früh stoppen, saubere Orte und Zeiten, messen.
So messen Sie den Energieverbrauch und CO2-Fußabdruck von KI
Ein Praxisleitfaden zum Messen oder Schätzen von Energie und CO2 bei KI-Arbeit: Werkzeuge, Systemgrenzen, Kennzahlen pro Aufgabe und ehrliche Unsicherheit.