# Hoe verminder ik het energieverbruik van het trainen van een model?

> De belangrijkste knoppen om trainingsenergie te verlagen: begin voorgetraind, kies de juiste omvang, gemengde precisie, stop vroeg, kies schone plek en tijd, meet.

Source: https://greenai.guide/nl/hoe/hoe-verminder-ik-het-energieverbruik-van-het-trainen-van-een-model/  
Updated: 2026-11-19

## In het kort

Begin waar mogelijk met een voorgetraind model, kies de kleinste architectuur die aan uw eis zou kunnen voldoen, train met gemengde precisie, stop zodra de validatie niet meer verbetert, en draai op efficiënte hardware in een regio en op een tijdstip met weinig CO2. Patterson en collega's ontdekten dat de keuze van model, datacenter en processor de CO2-voetafdruk van training tot ongeveer 100 à 1.000 keer kan verkleinen. Meet elke run, zodat de afwegingen zichtbaar worden.

## Steps

1. Ga na of u een voorgetraind model kunt fine-tunen in plaats van vanaf nul te trainen.
2. Test ideeën op kleine schaal voordat u een volledige run start.
3. Train met gemengde precisie en stop vroeg zodra de validatie niet meer verbetert.
4. Draai op efficiënte accelerators in een regio met weinig CO2, en plan flexibele runs in schonere uren.
5. Sla checkpoints op, zodat runs kunnen pauzeren en hervatten en u niet opnieuw hoeft te beginnen.
6. Houd energie en emissies bij voor elke run, ook de mislukte.

**Trainingsenergie wordt vooral bepaald door beslissingen die u neemt voordat de run begint.** Wat u traint, waarop,
waar en wanneer, weegt zwaarder dan welke aanpassing tijdens de run ook.

## Waarom is het belangrijk? {#why-does-it-matter}

Het artikel van Strubell, Ganesh en McCallum uit 2019 bracht de financiële en milieukosten van het trainen van
taalmodellen in kaart en stelde manieren voor om die te verlagen. Patterson en collega's ontdekten later dat de
keuze van modelarchitectuur, datacenter en processor de CO2-voetafdruk van training tot ongeveer 100 à 1.000 keer
kan verkleinen.

## Wat maakt het grootste verschil? {#what-makes-the-biggest-difference}

1. **Niet vanaf nul trainen.** Een voorgetraind model fine-tunen, of er een adapter op trainen, kost meestal een
   fractie van de pre-training. Zie [hoe u trainen vanaf nul vermijdt](/nl/hoe/hoe-voorkom-ik-dat-ik-een-model-vanaf-nul-train/).
2. **De juiste omvang.** Een kleinere architectuur die aan de eis voldoet, is beter dan een grote die er ruim
   overheen gaat.
3. **Gemengde precisie.** Trainen in halve precisie met een hoofdkopie in volledige precisie halveerde in het werk
   van Micikevicius en collega's bijna het geheugengebruik, zodat grotere batches op dezelfde hardware pasten.
4. **Vroeg stoppen.** Beëindig runs zodra het validatieverlies niet meer daalt.
5. **Waar en wanneer.** Kies efficiënte accelerators en een regio met weinig CO2, en draai flexibele taken wanneer
   het stroomnet schoner is: zie [hoe u training plant](/nl/hoe/hoe-plan-ik-ai-training-op-momenten-dat-het-stroomnet-groener-is/).

## Veelgemaakte fouten {#common-mistakes}

- **Alleen de laatste run tellen.** Afstemmingsruns en mislukte runs kosten vaak meer; zie
  [hoe u het energieverbruik van hyperparameterzoektochten verlaagt](/nl/hoe/hoe-verminder-ik-het-energieverbruik-van-hyperparameterzoektochten/).
- **Geen checkpoints opslaan**, zodat een onderbreking betekent dat u opnieuw moet beginnen.
- **Niet meten.** Zet een tracker zoals CodeCarbon in het trainingsscript.

Voor de volledige gereedschapskist, lees [efficiënt trainen en inferentie](/nl/goede-praktijk/efficiente-training-en-inferentie-van-ai/).

## Bronnen

- [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)
