greenai.guide

Home › Come faccio a…? › Come misuro l'impronta di carbonio dell'addestramento di un modello?

Come faccio a…?

Come misuro l'impronta di carbonio dell'addestramento di un modello?

Aggiornato · 2 min di lettura

In breve

Avvolga lo script di addestramento in uno strumento di monitoraggio delle emissioni come CodeCarbon, che stima l'energia di CPU, GPU e memoria e la converte in carbonio usando la rete locale. Conti ogni esecuzione, comprese messa a punto e fallimenti, registri hardware, località e durata, e pubblichi il risultato insieme al modello. Se non ha log, un calcolatore come Green Algorithms può stimarla a posteriori.

Passaggi

  1. Aggiunga allo script di addestramento uno strumento di monitoraggio delle emissioni e lo arresti in un blocco finally, così che si chiuda sempre.
  2. Dia a ogni esecuzione un nome di progetto o di esperimento, così da poter confrontare le configurazioni.
  3. Registri hardware, durata, località e intensità di carbonio della rete utilizzata.
  4. Conti le esecuzioni di messa a punto, quelle fallite e quelle abbandonate, oltre a quella finale.
  5. Metta energia ed emissioni accanto all'accuratezza nella tabella dei risultati.
  6. Pubblichi il dato nella scheda del modello (model card) o nell'articolo.

Misuri durante l'addestramento, non dopo. I dati di addestramento registrati esecuzione per esecuzione Le permettono di confrontare le configurazioni sia per energia sia per accuratezza, e danno ad acquirenti e colleghi un numero di cui fidarsi.

Che cosa determina l'impronta?

Nel 2019 Lacoste e colleghi hanno individuato i fattori principali: la località del server e la rete elettrica che usa, la durata dell'addestramento, e la marca e il modello dell'hardware. Il carbonio è l'energia moltiplicata per l'intensità di carbonio della rete nel luogo e nel momento in cui è stato eseguito il lavoro.

Quali strumenti devo usare?

  • CodeCarbon, un pacchetto Python open source, stima l'energia a partire dalla potenza di processore, GPU e memoria e la converte con i dati della rete locale. I suoi tutorial mostrano come monitorare ogni configurazione e confrontare l'accuratezza con le emissioni, e offre indicazioni per i cluster i cui nodi di calcolo non hanno accesso a internet.
  • Green Algorithms, un calcolatore di Lannelongue, Grealey e Inouye, stima l'impronta a partire da hardware, durata, memoria e località: è adatto ai lavori che non ha registrato.
  • Il Machine Learning CO2 Impact calculator di Lacoste e colleghi fa una stima simile a partire da hardware, ore, fornitore e regione.

Come lo pubblico?

Le schede dei modelli di Hugging Face hanno un campo co2_eq_emissions per le emissioni in grammi, la fonte del dato, il tipo di addestramento (pre-addestramento o fine-tuning), la località e l'hardware usato. Lo compili per ogni modello che rilascia.

Errori comuni

  • Riportare solo l'esecuzione finale. Le ricerche degli iperparametri e le esecuzioni fallite sono spesso la maggior parte del totale.
  • Usare un'unica media annuale nazionale quando esistono dati regionali orari. Veda trovare l'intensità di carbonio della rete.
  • Dare un solo numero senza metodo. Indichi strumento, versione e perimetro.

Il metodo completo è in come misurare l'energia dell'IA.

Fonti

  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)

Si unisca a noi

Aiuti a ridurre l'impatto dell'IA sul pianeta

Riceva per email nuove guide, bandi di finanziamento e schede delle directory, circa una volta al mese. Oppure aggiunga il suo prodotto, corso, dottorato o ricerca alle directory.

Nessun tracciamento. Disiscrizione con un clic. Altri modi per partecipare · Privacy