संक्षेप में
अपनी ट्रेनिंग स्क्रिप्ट में CodeCarbon जैसा उत्सर्जन ट्रैकर जोड़ें, जो आपके CPU, GPU और मेमोरी से ऊर्जा का अनुमान लगाता है और स्थानीय ग्रिड के आधार पर उसे कार्बन में बदलता है। हर रन गिनें, ट्यूनिंग और नाकाम रन भी, हार्डवेयर, जगह और अवधि दर्ज करें, और नतीजा मॉडल के साथ प्रकाशित करें। अगर आपके पास लॉग नहीं हैं, तो Green Algorithms जैसा कैलकुलेटर बाद में अनुमान लगा सकता है।
चरण
- ट्रेनिंग स्क्रिप्ट में उत्सर्जन ट्रैकर जोड़ें और उसे finally block में रोकें ताकि वह हमेशा बंद हो।
- हर रन को एक प्रोजेक्ट या प्रयोग का नाम दें ताकि कॉन्फ़िगरेशन की तुलना हो सके।
- हार्डवेयर, रन का समय, जगह और इस्तेमाल की गई ग्रिड कार्बन तीव्रता दर्ज करें।
- अंतिम रन के साथ-साथ ट्यूनिंग, नाकाम और बीच में छोड़े गए रन भी गिनें।
- नतीजों की तालिका में सटीकता के बगल में ऊर्जा और उत्सर्जन रखें।
- यह आँकड़ा model card या पेपर में प्रकाशित करें।
ट्रेनिंग के दौरान मापें, बाद में नहीं। हर रन के साथ लॉग किए गए ट्रेनिंग आँकड़ों से आप कॉन्फ़िगरेशन की तुलना सटीकता के साथ-साथ ऊर्जा पर भी कर सकते हैं, और खरीदारों व सहकर्मियों को भरोसे लायक आँकड़ा दे सकते हैं।
फ़ुटप्रिंट किन बातों पर निर्भर करता है?
Lacoste और उनके साथियों ने 2019 में मुख्य कारक बताए: सर्वर कहाँ है और कौन-सा बिजली ग्रिड इस्तेमाल करता है, ट्रेनिंग कितनी लंबी है, और हार्डवेयर का ब्रांड और मॉडल। कार्बन = ऊर्जा × उस ग्रिड की कार्बन तीव्रता, जहाँ और जब काम चला।
मुझे कौन-से टूल इस्तेमाल करने चाहिए?
- CodeCarbon, एक ओपन-सोर्स Python पैकेज, प्रोसेसर, GPU और मेमोरी की बिजली से ऊर्जा का अनुमान लगाता है और स्थानीय ग्रिड डेटा से उसे बदलता है। इसके ट्यूटोरियल दिखाते हैं कि हर कॉन्फ़िगरेशन को कैसे ट्रैक करें और सटीकता की तुलना उत्सर्जन से कैसे करें, और इसमें उन क्लस्टरों के लिए भी मार्गदर्शन है जिनके compute nodes पर इंटरनेट नहीं होता।
- Green Algorithms, Lannelongue, Grealey और Inouye का एक कैलकुलेटर, हार्डवेयर, रन के समय, मेमोरी और जगह से फ़ुटप्रिंट का अनुमान लगाता है, जो उन कामों के लिए ठीक है जिन्हें आपने लॉग नहीं किया।
- Lacoste और साथियों का Machine Learning CO2 Impact calculator हार्डवेयर, घंटों, प्रदाता और क्षेत्र से इसी तरह का अनुमान लगाता है।
मैं इसे कैसे प्रकाशित करूँ?
Hugging Face के model cards में co2_eq_emissions फ़ील्ड होता है, जिसमें ग्राम में उत्सर्जन, आँकड़े का स्रोत, ट्रेनिंग का
प्रकार (pre-training या fine-tuning), जगह और इस्तेमाल हुआ हार्डवेयर लिखा जाता है। हर रिलीज़ किए गए मॉडल के लिए इसे भरें।
आम गलतियाँ
- सिर्फ़ अंतिम रन की रिपोर्ट करना। Hyperparameter searches और नाकाम रन अक्सर कुल का सबसे बड़ा हिस्सा होते हैं।
- एक राष्ट्रीय सालाना औसत इस्तेमाल करना जब घंटेवार क्षेत्रीय डेटा उपलब्ध हो। देखें ग्रिड कार्बन तीव्रता का डेटा खोजना।
- बिना तरीके के एक आँकड़ा देना। टूल, उसका वर्ज़न और सीमा (boundary) बताएँ।
पूरा तरीका AI की ऊर्जा कैसे मापें में है।
स्रोत
- 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)
संबंधित
मैं अपने AI शोध की ऊर्जा खपत कैसे रिपोर्ट करूँ?
पेपर में कंप्यूट और ऊर्जा के बारे में क्या लिखें: हार्डवेयर, सभी रन के GPU-घंटे, ऊर्जा, जगह, कार्बन, इन्फ़रेंस की लागत और इस्तेमाल किया गया दायरा।
मैं अपने कंप्यूटर या GPU पर AI की ऊर्जा खपत कैसे मापूँ?
स्थानीय AI की ऊर्जा हार्डवेयर काउंटर, GPU टेलीमेट्री या प्लग-इन मीटर से मापें, पूरे काम के दौरान रीडिंग लें, और idle बेसलाइन घटाएँ।
मैं किसी मॉडल को ट्रेन करने में लगने वाली ऊर्जा कैसे कम करूँ?
ट्रेनिंग की ऊर्जा घटाने के मुख्य तरीके: पहले से ट्रेन मॉडल से शुरू करें, सही आकार चुनें, मिक्स्ड प्रिसिशन अपनाएँ, जल्दी रोकें, स्वच्छ जगह और समय चुनें, मापें।
AI की ऊर्जा और कार्बन कैसे मापें
AI के काम की ऊर्जा और कार्बन को मापने या अनुमान लगाने की व्यावहारिक गाइड: टूल, सिस्टम सीमाएँ, प्रति-कार्य पैमाने और अनिश्चितता का ईमानदार हिसाब।