greenai.guide

Inicio › ¿Cómo puedo…? › ¿Cómo mido la huella de carbono de entrenar un modelo?

¿Cómo puedo…?

¿Cómo mido la huella de carbono de entrenar un modelo?

Actualizado · 2 min de lectura

En resumen

Envuelva su script de entrenamiento en un medidor de emisiones como CodeCarbon, que estima la energía de su CPU, su GPU y su memoria y la convierte en carbono usando la red local. Cuente todas las ejecuciones, incluidos el ajuste y los fallos, registre el hardware, la ubicación y la duración, y publique el resultado con el modelo. Si no tiene registros, una calculadora como Green Algorithms puede estimarlo después.

Pasos

  1. Añada un medidor de emisiones al script de entrenamiento y deténgalo en un bloque finally para que siempre se cierre.
  2. Dé a cada ejecución un nombre de proyecto o experimento para poder comparar configuraciones.
  3. Registre el hardware, el tiempo de ejecución, la ubicación y la intensidad de carbono de la red usada.
  4. Cuente las ejecuciones de ajuste, las fallidas y las abandonadas además de la final.
  5. Ponga la energía y las emisiones junto a la precisión en su tabla de resultados.
  6. Publique la cifra en la tarjeta del modelo o en el artículo.

Mida mientras entrena, no después. Las cifras de entrenamiento registradas ejecución por ejecución le permiten comparar configuraciones por su energía además de por su precisión, y dan a compradores y colegas una cifra en la que pueden confiar.

¿Qué determina la huella?

Lacoste y sus colegas identificaron los factores principales en 2019: la ubicación del servidor y la red eléctrica que usa, la duración del entrenamiento y la marca y el modelo del hardware. El carbono es la energía multiplicada por la intensidad de carbono de la red en el lugar y el momento en que se ejecutó el trabajo.

¿Qué herramientas debo usar?

  • CodeCarbon, un paquete de Python de código abierto, estima la energía a partir de la potencia del procesador, la GPU y la memoria, y la convierte con datos de la red local. Sus tutoriales muestran cómo registrar cada configuración y comparar la precisión con las emisiones, y ofrece orientación para clústeres cuyos nodos de cómputo no tienen acceso a internet.
  • Green Algorithms, una calculadora de Lannelongue, Grealey e Inouye, estima la huella a partir del hardware, el tiempo de ejecución, la memoria y la ubicación, lo que resulta adecuado para trabajos que no registró.
  • La Machine Learning CO2 Impact calculator de Lacoste y sus colegas hace una estimación similar a partir del hardware, las horas, el proveedor y la región.

¿Cómo lo publico?

Las tarjetas de modelo de Hugging Face tienen un campo co2_eq_emissions para las emisiones en gramos, la fuente de la cifra, el tipo de entrenamiento (preentrenamiento o ajuste fino), la ubicación y el hardware usado. Rellénelo para cada modelo que publique.

Errores frecuentes

  • Informar solo de la ejecución final. Las búsquedas de hiperparámetros y las ejecuciones fallidas suelen ser la mayor parte del total.
  • Usar un único promedio anual nacional cuando existen datos regionales por horas. Consulte encontrar la intensidad de carbono de la red.
  • Dar una sola cifra sin método. Indique la herramienta, la versión y los límites.

El método completo está en cómo medir la energía de la IA.

Fuentes

  1. Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
  2. Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
  3. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  4. Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
  5. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad