greenai.guide

首页 › 我该如何……? › 如何测量训练一个模型的碳足迹?

我该如何……?

如何测量训练一个模型的碳足迹?

更新于 · 阅读约需 1 分钟

简而言之

用 CodeCarbon 等排放追踪器包裹您的训练脚本,它会根据 CPU、GPU 和内存估算能耗,并按当地电网换算成碳排放。把每一次运行都计算在内,包括调参和失败的运行;记录硬件、地点和时长,并随模型一起公布结果。如果没有日志,可以事后用 Green Algorithms 等计算器进行估算。

步骤

  1. 在训练脚本中加入排放追踪器,并在 finally 块中停止它,确保它总能正常关闭。
  2. 为每次运行指定项目或实验名称,以便比较不同配置。
  3. 记录硬件、运行时间、地点以及所用的电网碳强度。
  4. 除了最终运行,也要计入调参、失败和中途放弃的运行。
  5. 在结果表中把能耗和排放与准确率并列。
  6. 在模型卡或论文中公布这一数字。

边训练边测量,而不是事后补测。 逐次记录的训练数据能让您在能耗和准确率两方面比较不同配置,也能给买家和同事一个可信的数字。

碳足迹由什么决定?

Lacoste 及其同事在 2019 年指出了主要因素:服务器所在地及其使用的电网、训练时长,以及硬件的品牌和型号。碳排放等于能耗乘以作业运行时当地电网的碳强度。

我应该使用哪些工具?

  • CodeCarbon 是一个开源 Python 包,根据处理器、GPU 和内存的功率估算能耗,并用当地电网数据进行换算。它的教程演示了如何跟踪每种配置并比较准确率与排放;对于计算节点无法联网的集群,它也提供了相应指引。
  • Green Algorithms 是 Lannelongue、Grealey 和 Inouye 开发的计算器,可根据硬件、运行时间、内存和地点估算碳足迹,适用于没有记录日志的作业。
  • Lacoste 及其同事开发的 Machine Learning CO2 Impact calculator 也能根据硬件、时长、提供商和地区作出类似估算。

如何公布结果?

Hugging Face 模型卡有一个 co2_eq_emissions 字段,可填写以克为单位的排放量、数据来源、训练类型(预训练或微调)、地点和所用硬件。请为您发布的每个模型都填写这一字段。

常见错误

  • 只报告最终运行。 超参数搜索和失败的运行往往占总量的大部分。
  • 在有逐小时地区数据时,仍使用全国年平均值。 参见查找电网碳强度。
  • 只给一个数字,不说明方法。 请注明工具、版本和边界。

完整的方法请参阅如何测量 AI 能耗。

来源

  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)

加入我们

帮助减少 AI 对地球的影响

通过电子邮件获取新指南、资助征集和名录收录信息,大约每月一次。您也可以将您的产品、课程、博士岗位或研究添加到名录中。

不做跟踪。一键退订。 其他加入方式 · 隐私