# 如何测量训练一个模型的碳足迹？

> 用 CodeCarbon 等工具跟踪一次训练的能耗，乘以当地电网的碳强度，并报告所用硬件、时长和地点。

Source: https://greenai.guide/zh/如何/如何测量训练一个模型的碳足迹/  
Updated: 2026-11-19

## 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。

## Steps

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？ {#what-determines-the-footprint}

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？ {#which-tools-should-i-use}

- **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？ {#how-do-i-publish-it}

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 {#common-mistakes}

- **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](/zh/如何/如何查到所在电网的碳强度/)。
- **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](/zh/良好实践/如何测量-ai-的能耗和碳排放/)。

## 来源

- [Comparing model efficiency with carbon tracking](https://docs.codecarbon.io/latest/tutorials/comparing-model-efficiency/), CodeCarbon documentation (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Quantifying the carbon emissions of machine learning](https://arxiv.org/abs/1910.09700), Lacoste, Luccioni, Schmidt and Dandres (2019)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
