# Hoe verminder ik het energieverbruik van hyperparameterzoektochten?

> Modellen afstemmen met minder rekenkracht: slimmer zoeken dan volledige grids, slechte trials vroeg stoppen, kleine pilots, goede standaarden en een budget.

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

## In het kort

Vervang grote grid searches door willekeurig of adaptief zoeken, stop slechte trials (proefruns) vroeg, draai eerst pilots op kleine data of kleine modellen, en begin met gepubliceerde standaardwaarden voor uw architectuur. Houd het energieverbruik van elke trial bij, niet alleen van de winnaar, en stel vooraf een rekenbudget vast. Afstemruns kosten vaak meer dan de uiteindelijke trainingsrun, en worden zelden gerapporteerd.

## Steps

1. Stel een rekenbudget voor de zoektocht vast voordat u begint.
2. Begin met gepubliceerde standaardhyperparameters voor uw modelfamilie.
3. Gebruik willekeurig of adaptief zoeken in plaats van een volledig grid.
4. Stop trials vroeg als ze duidelijk slechter zijn dan de beste tot nu toe.
5. Doe een pilot op een deel van de data of een kleiner model voordat u opschaalt.
6. Leg voor elke trial het energieverbruik en de uitstoot vast naast de nauwkeurigheid.

**Stem slimmer af, niet breder.** Een volledig grid over veel hyperparameters vermenigvuldigt de trainingskosten met
het aantal combinaties, en de meeste van die runs zijn al vroeg duidelijk slechter.

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

Het artikel van Strubell, Ganesh en McCallum uit 2019 bracht de kosten van het ontwikkelen van taalmodellen in kaart,
inclusief de experimenten eromheen, niet alleen één laatste trainingsrun. Schwartz en collega's betoogden in "Green
AI" dat onderzoekers de rekenkosten van hun resultaten moeten rapporteren, inclusief de experimenten die nodig waren
om ze te bereiken, zodat efficiëntie naast nauwkeurigheid gewaardeerd wordt.

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

- **Slechte trials vroeg stoppen.** Methoden in de stijl van successive halving geven elke trial een klein budget en
  zetten alleen de veelbelovende voort. De meeste afstembibliotheken ondersteunen dit.
- **Willekeurig of adaptief zoeken.** In plaats van elke combinatie te draaien, kiest u instellingen willekeurig of
  laat u een adaptieve methode eerdere resultaten gebruiken om de volgende trial te kiezen.
- **Kleine pilots.** Sluit ideeën uit op een deel van de data of een kleiner model.
- **Eerst de standaardwaarden.** Goed geteste standaardwaarden voor veelgebruikte architecturen liggen vaak dicht bij
  het optimum.
- **Houd elke trial bij.** De documentatie van CodeCarbon laat zien hoe u elke configuratie bijhoudt en
  nauwkeurigheid afzet tegen uitstoot.

## Veelgemaakte fouten {#common-mistakes}

- **Alleen de beste run rapporteren.** Neem alle trials op in uw totale rekenverbruik; zie
  [hoe u het energieverbruik van uw onderzoek rapporteert](/nl/hoe/hoe-rapporteer-ik-het-energieverbruik-van-mijn-ai-onderzoek/).
- **Vanaf dag één afstemmen op de volledige dataset.**
- **Geen budget.** Zonder budget groeien zoektochten tot ze het hele cluster vullen. Zie
  [hoe u een rekenbudget vaststelt](/nl/hoe/hoe-stel-ik-een-rekenbudget-op-voor-een-onderzoeksproject/).

Lees voor meer de [gids voor onderzoekers](/nl/gidsen/groene-ai-voor-onderzoekers/).

## Bronnen

- [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)
