W skrócie
Skrypt trenujący należy objąć narzędziem do śledzenia emisji, takim jak CodeCarbon, które szacuje energię zużytą przez CPU, GPU i pamięć i przelicza ją na emisje według lokalnej sieci. Trzeba liczyć każdy przebieg, w tym strojenie i nieudane próby, zapisywać sprzęt, lokalizację i czas trwania, a wynik publikować razem z modelem. Jeśli brak logów, kalkulator taki jak Green Algorithms pozwala oszacować ślad po fakcie.
Kroki
- Dodać narzędzie do śledzenia emisji do skryptu trenującego i zatrzymywać je w bloku finally, aby zawsze się zamykało.
- Nadać każdemu przebiegowi nazwę projektu lub eksperymentu, aby można było porównywać konfiguracje.
- Zapisywać sprzęt, czas działania, lokalizację i użytą emisyjność sieci.
- Liczyć przebiegi strojenia, nieudane i porzucone, a nie tylko końcowy.
- Umieszczać energię i emisje obok dokładności w tabeli wyników.
- Publikować tę wartość w karcie modelu lub w artykule.
Należy mierzyć w trakcie trenowania, a nie po nim. Dane zapisywane przebieg po przebiegu pozwalają porównywać konfiguracje pod względem energii, a nie tylko dokładności. Dają też kupującym i współpracownikom liczbę, której mogą ufać.
Od czego zależy ślad?
Lacoste i współpracownicy wskazali w 2019 roku główne czynniki: lokalizację serwera i sieć energetyczną, z której korzysta, czas trenowania oraz producenta i model sprzętu. Emisje to energia pomnożona przez emisyjność sieci w miejscu i czasie, w którym działało zadanie.
Jakich narzędzi użyć?
- CodeCarbon, otwartoźródłowy pakiet Pythona, szacuje energię na podstawie mocy procesora, GPU i pamięci i przelicza ją według danych lokalnej sieci. Jego samouczki pokazują, jak śledzić każdą konfigurację i porównywać dokładność z emisjami. Zawiera też wskazówki dla klastrów, których węzły obliczeniowe nie mają dostępu do internetu.
- Green Algorithms, kalkulator autorstwa Lannelongue, Grealeya i Inouye, szacuje ślad na podstawie sprzętu, czasu działania, pamięci i lokalizacji, co sprawdza się przy zadaniach, których nie logowano.
- Machine Learning CO2 Impact calculator autorstwa Lacoste i współpracowników wykonuje podobny szacunek na podstawie sprzętu, liczby godzin, dostawcy i regionu.
Jak to opublikować?
Karty modeli w Hugging Face mają pole co2_eq_emissions na emisje w gramach, źródło tej wartości, rodzaj trenowania
(pre-training lub dostrajanie), lokalizację i użyty sprzęt. Należy je wypełniać dla każdego udostępnianego modelu.
Częste błędy
- Raportowanie tylko końcowego przebiegu. Przeszukiwanie hiperparametrów i nieudane przebiegi często stanowią większość całości.
- Używanie jednej krajowej średniej rocznej, gdy istnieją godzinowe dane regionalne. Zob. jak znaleźć dane o emisyjności sieci.
- Podawanie jednej liczby bez metody. Należy podać narzędzie, wersję i granice.
Pełna metoda: jak mierzyć energię AI.
Źródła
- 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)
Powiązane
Jak raportować zużycie energii w moich badaniach nad AI?
Co podać w artykule o obliczeniach i energii: sprzęt, GPU-godziny wszystkich przebiegów, energię, lokalizację, emisje, koszt inferencji i przyjęte granice.
Jak zmierzyć, ile energii zużywa AI na moim komputerze lub GPU?
Pomiar energii lokalnej AI: liczniki sprzętowe, telemetria GPU lub miernik w gniazdku, próbkowanie przez całe zadanie i odjęcie poboru w spoczynku.
Jak zmniejszyć zużycie energii podczas trenowania modelu?
Główne sposoby na mniejsze zużycie energii przy trenowaniu: model wstępnie wytrenowany, właściwy rozmiar, mieszana precyzja, wczesne zatrzymanie, pomiar.
Jak mierzyć zużycie energii i emisje AI
Praktyczny przewodnik po pomiarze lub szacowaniu energii i emisji AI: narzędzia, granice systemu, wskaźniki na zadanie i uczciwa niepewność.