# Hyperparameter search की ऊर्जा मैं कैसे घटाऊँ?

> कम कंप्यूट में मॉडल ट्यून कैसे करें: पूरे grid की जगह समझदारी भरी search, कमज़ोर trials को जल्दी रोकना, छोटे pilot, अच्छे डिफ़ॉल्ट और एक बजट।

Source: https://greenai.guide/hi/कैसे/hyperparameter-search-की-ऊर्जा-मैं-कैसे-घटाऊँ/  
Updated: 2026-11-19

## संक्षेप में

बड़ी grid search की जगह random या adaptive search इस्तेमाल करें, कमज़ोर trials को जल्दी रोकें, पहले छोटे डेटा या छोटे मॉडलों पर pilot चलाएँ, और अपने आर्किटेक्चर के लिए प्रकाशित डिफ़ॉल्ट से शुरू करें। सिर्फ़ विजेता की नहीं, हर trial की ऊर्जा ट्रैक करें, और शुरू करने से पहले कंप्यूट बजट तय करें। ट्यूनिंग रन अक्सर अंतिम ट्रेनिंग रन से ज़्यादा महँगे पड़ते हैं, और उनकी रिपोर्ट शायद ही कभी की जाती है।

## Steps

1. शुरू करने से पहले search के लिए कंप्यूट बजट तय करें।
2. अपने मॉडल परिवार के लिए प्रकाशित डिफ़ॉल्ट hyperparameters से शुरू करें।
3. पूरे grid की जगह random या adaptive search इस्तेमाल करें।
4. जब trials अब तक के सबसे अच्छे से साफ़ तौर पर खराब हों, तो उन्हें जल्दी रोक दें।
5. बड़े पैमाने पर जाने से पहले डेटा के एक हिस्से या छोटे मॉडल पर pilot चलाएँ।
6. हर trial के लिए सटीकता के साथ ऊर्जा और उत्सर्जन दर्ज करें।

**ज़्यादा फैलाकर नहीं, समझदारी से ट्यून करें।** कई hyperparameters पर पूरा grid ट्रेनिंग की लागत को combinations की
संख्या से गुणा कर देता है, और इनमें से ज़्यादातर रन शुरुआत में ही साफ़ तौर पर खराब होते हैं।

## यह क्यों मायने रखता है? {#why-does-it-matter}

Strubell, Ganesh और McCallum के 2019 के पेपर ने भाषा मॉडल विकसित करने की लागत का आकलन किया, जिसमें उनके आसपास के
प्रयोग भी शामिल थे, सिर्फ़ एक अंतिम ट्रेनिंग रन नहीं। Schwartz और उनके सहयोगियों के "Green AI" ने तर्क दिया कि
शोधकर्ताओं को अपने नतीजों की कंप्यूटेशनल लागत बतानी चाहिए, जिसमें वहाँ तक पहुँचने के लिए किए गए प्रयोग भी शामिल
हों, ताकि सटीकता के साथ दक्षता को भी महत्व मिले।

## सबसे बड़ा फ़र्क किससे पड़ता है? {#what-makes-the-biggest-difference}

- **कमज़ोर trials को जल्दी रोकना।** Successive-halving जैसे तरीके हर trial को छोटा बजट देते हैं और सिर्फ़ उम्मीद भरे
  trials को आगे बढ़ाते हैं। ज़्यादातर ट्यूनिंग लाइब्रेरी इसका समर्थन करती हैं।
- **Random या adaptive search।** हर combination चलाने के बजाय सेटिंग्स को random रूप से चुनें, या किसी adaptive तरीके
  को पहले के नतीजों के आधार पर अगला trial चुनने दें।
- **छोटे pilot।** डेटा के एक हिस्से या छोटे मॉडल पर विचारों को ख़ारिज करें।
- **पहले डिफ़ॉल्ट।** आम आर्किटेक्चर के लिए अच्छी तरह परखे गए डिफ़ॉल्ट अक्सर सबसे अच्छे के करीब होते हैं।
- **हर trial को ट्रैक करें।** CodeCarbon के दस्तावेज़ दिखाते हैं कि हर configuration को कैसे ट्रैक करें और सटीकता की
  तुलना उत्सर्जन से कैसे करें।

## आम गलतियाँ {#common-mistakes}

- **सिर्फ़ सबसे अच्छे रन की रिपोर्ट करना।** अपने कुल कंप्यूट में सभी trials शामिल करें; देखें
  [अपने शोध की ऊर्जा खपत की रिपोर्ट कैसे करें](/hi/कैसे/मैं-अपने-ai-शोध-की-ऊर्जा-खपत-कैसे-रिपोर्ट-करूँ/)।
- **पहले दिन से पूरे डेटासेट पर ट्यूनिंग करना।**
- **कोई बजट न होना।** बजट के बिना searches पूरे cluster को भरने तक फैल जाती हैं। देखें
  [कंप्यूट बजट कैसे तय करें](/hi/कैसे/मैं-किसी-रिसर्च-प्रोजेक्ट-के-लिए-कंप्यूट-बजट-कैसे-तय-करूँ/)।

और जानकारी के लिए पढ़ें [शोधकर्ताओं के लिए गाइड](/hi/गाइड/शोधकर्ताओं-के-लिए-ग्रीन-ai/)।

## स्रोत

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [Comparing model efficiency with carbon tracking](https://docs.codecarbon.io/latest/tutorials/comparing-model-efficiency/), CodeCarbon documentation (2025)
