# ¿Cómo reduzco la energía de entrenar un modelo?

> Las palancas para reducir la energía del entrenamiento: partir de un preentrenado, ajustar el tamaño, precisión mixta, parada temprana, lugar y hora limpios.

Source: https://greenai.guide/es/como/como-reduzco-la-energia-de-entrenar-un-modelo/  
Updated: 2026-11-19

## En resumen

Parta de un modelo preentrenado cuando pueda, elija la arquitectura más pequeña que pueda alcanzar su nivel, entrene con precisión mixta, pare cuando la validación deje de mejorar y ejecute en hardware eficiente, en una región y a una hora con bajas emisiones. Patterson y sus colegas hallaron que la elección del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces. Mida cada ejecución para que las compensaciones entre opciones sean visibles.

## Steps

1. Compruebe si puede hacer el ajuste fino de un modelo preentrenado en lugar de entrenar desde cero.
2. Pruebe las ideas a pequeña escala antes de lanzar una ejecución completa.
3. Entrene con precisión mixta y pare pronto cuando la validación deje de mejorar.
4. Ejecute en aceleradores eficientes en una región con bajas emisiones, y programe las ejecuciones flexibles para las horas más limpias.
5. Guarde puntos de control para que las ejecuciones puedan pausarse, reanudarse y no empezar de nuevo.
6. Registre la energía y las emisiones de cada ejecución, incluidas las fallidas.

**La energía del entrenamiento depende sobre todo de las decisiones que se toman antes de que empiece la ejecución.**
Qué entrena, con qué, dónde y cuándo importa más que cualquier ajuste durante la ejecución.

## ¿Por qué importa? {#why-does-it-matter}

El artículo de 2019 de Strubell, Ganesh y McCallum cuantificó el coste económico y ambiental de entrenar modelos de
lenguaje y propuso formas de reducirlo. Patterson y sus colegas hallaron después que la elección de la arquitectura
del modelo, el centro de datos y el procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a
1.000 veces.

## ¿Qué marca la mayor diferencia? {#what-makes-the-biggest-difference}

1. **No entrenar desde cero.** El ajuste fino de un modelo preentrenado, o de un adaptador sobre él, suele costar una
   fracción minúscula del preentrenamiento. Consulte [cómo evitar entrenar desde cero](/es/como/como-evito-entrenar-un-modelo-desde-cero/).
2. **Ajustar el tamaño.** Una arquitectura más pequeña que alcanza el nivel es mejor que una grande que lo supera.
3. **Precisión mixta.** Entrenar en media precisión con una copia maestra de precisión completa redujo casi a la mitad
   el uso de memoria en el trabajo de Micikevicius y sus colegas, lo que permite lotes mayores en el mismo hardware.
4. **Parada temprana.** Termine las ejecuciones cuando la pérdida de validación se estanque.
5. **Dónde y cuándo.** Elija aceleradores eficientes y una región con bajas emisiones, y ejecute los trabajos
   flexibles cuando la red esté más limpia: consulte [cómo programar el entrenamiento](/es/como/como-programo-el-entrenamiento-para-cuando-la-red-electrica-este-mas/).

## Errores frecuentes {#common-mistakes}

- **Contar solo la ejecución final.** El ajuste y las ejecuciones fallidas suelen costar más; consulte
  [cómo reducir la energía de las búsquedas de hiperparámetros](/es/como/como-reduzco-la-energia-de-las-busquedas-de-hiperparametros/).
- **No guardar puntos de control**, de modo que una interrupción obliga a empezar de nuevo.
- **No medir.** Ponga un medidor como CodeCarbon en el script de entrenamiento.

Para el conjunto completo de herramientas, lea [entrenamiento e inferencia eficientes](/es/buenas-practicas/entrenamiento-e-inferencia-eficientes-de-la-ia/).

## Fuentes

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Mixed Precision Training](https://arxiv.org/abs/1710.03740), Micikevicius et al. (arXiv 1710.03740) (2017)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
