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
- 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。
- 为每次运行指定项目或实验名称,以便比较不同配置。
- 记录硬件、运行时间、地点以及所用的电网碳强度。
- 除了最终运行,也要计入调参、失败和中途放弃的运行。
- 在结果表中把能耗和排放与准确率并列。
- 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
- 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)
相关内容
如何报告我的 AI 研究的能耗?
论文中应写哪些算力和能耗信息:硬件、所有运行的 GPU 小时数、能耗、地点、碳排放、推理成本以及所用的边界。
如何测量 AI 在我自己电脑或 GPU 上的能耗?
用硬件计数器、GPU 遥测数据或插座式电表测量本地 AI 能耗,在整个作业期间持续采样,并减去空闲时的基准功耗。
如何降低训练模型的能耗?
降低训练能耗的主要手段:从预训练模型出发,选择合适规模,使用混合精度,提前停止,选择清洁的地点和时段,并做好测量。
如何测量 AI 的能耗和碳排放
实用指南:如何计量或估算 AI 工作的能耗和碳排放,涵盖工具、系统边界、按任务计算的指标以及如实说明不确定性。