greenai.guide

Strona główna › Jak…? › Jak zmierzyć ślad węglowy trenowania modelu?

Jak…?

Jak zmierzyć ślad węglowy trenowania modelu?

Aktualizacja · Czas czytania: 1 min

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

  1. Dodać narzędzie do śledzenia emisji do skryptu trenującego i zatrzymywać je w bloku finally, aby zawsze się zamykało.
  2. Nadać każdemu przebiegowi nazwę projektu lub eksperymentu, aby można było porównywać konfiguracje.
  3. Zapisywać sprzęt, czas działania, lokalizację i użytą emisyjność sieci.
  4. Liczyć przebiegi strojenia, nieudane i porzucone, a nie tylko końcowy.
  5. Umieszczać energię i emisje obok dokładności w tabeli wyników.
  6. 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

  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)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność