# Como reduzo a energia das buscas de hiperparâmetros?

> Como ajustar modelos com menos computação: buscas mais inteligentes do que grades completas, parada precoce, pilotos pequenos, bons valores padrão e um orçamento.

Source: https://greenai.guide/pt/como/como-reduzo-a-energia-das-buscas-de-hiperparametros/  
Updated: 2026-11-19

## Em resumo

Substitua grandes buscas em grade por buscas aleatórias ou adaptativas, interrompa cedo as tentativas ruins, faça primeiro pilotos com poucos dados ou modelos pequenos e comece pelos valores padrão publicados para a sua arquitetura. Acompanhe a energia de cada tentativa, não só da vencedora, e defina um orçamento de computação antes de começar. As execuções de ajuste muitas vezes custam mais do que o treinamento final, e raramente são relatadas.

## Steps

1. Defina um orçamento de computação para a busca antes de começar.
2. Comece pelos hiperparâmetros padrão publicados para a sua família de modelos.
3. Use busca aleatória ou adaptativa em vez de uma grade completa.
4. Interrompa cedo as tentativas que estejam claramente piores do que a melhor até agora.
5. Faça um piloto com um subconjunto dos dados ou um modelo menor antes de aumentar a escala.
6. Registre a energia e as emissões de cada tentativa junto com a precisão.

**Ajuste de forma mais inteligente, não mais ampla.** Uma grade completa sobre muitos hiperparâmetros multiplica o
custo do treinamento pelo número de combinações, e a maioria dessas execuções fica claramente pior logo no início.

## Por que isso importa? {#why-does-it-matter}

O artigo de 2019 de Strubell, Ganesh e McCallum quantificou o custo de desenvolver modelos de linguagem, incluindo a
experimentação em torno deles, e não apenas uma única execução final de treinamento. O artigo "Green AI" de Schwartz
e colegas defendeu que os pesquisadores devem relatar o custo computacional dos seus resultados, incluindo os
experimentos necessários para chegar a eles, para que a eficiência seja valorizada junto com a precisão.

## O que faz mais diferença? {#what-makes-the-biggest-difference}

- **Parada precoce das tentativas ruins.** Os métodos do tipo successive halving dão a cada tentativa um orçamento
  pequeno e só continuam as promissoras. A maioria das bibliotecas de ajuste suporta isso.
- **Busca aleatória ou adaptativa.** Em vez de executar todas as combinações, sorteie configurações ou deixe um
  método adaptativo usar os resultados anteriores para escolher a tentativa seguinte.
- **Pilotos pequenos.** Descarte ideias com um subconjunto dos dados ou um modelo menor.
- **Valores padrão primeiro.** Os valores padrão bem testados para arquiteturas comuns costumam estar perto do ideal.
- **Acompanhe cada tentativa.** A documentação do CodeCarbon mostra como acompanhar cada configuração e comparar a
  precisão com as emissões.

## Erros comuns {#common-mistakes}

- **Relatar só a melhor execução.** Inclua todas as tentativas no seu total de computação; veja
  [como relatar o consumo de energia da sua pesquisa](/pt/como/como-informo-o-uso-de-energia-da-minha-pesquisa-em-ia/).
- **Ajustar com o conjunto de dados completo desde o primeiro dia.**
- **Não ter orçamento.** Sem um, as buscas crescem até ocupar o cluster inteiro. Veja
  [como definir um orçamento de computação](/pt/como/como-defino-um-orcamento-de-computacao-para-um-projeto-de-pesquisa/).

Para saber mais, leia o [guia para pesquisadores](/pt/guias/ia-verde-para-pesquisadores/).

## Fontes

- [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)
