跳到主要内容

为模型显示碳排放

为什么计算模型的碳排放是有益的？​

训练 ML 模型通常是能源密集型的，可能产生大量碳足迹，如 Strubell 等人所述。因此，跟踪和报告模型的排放量非常重要，以便更好地了解我们领域的环境影响。

我应该包含哪些关于模型碳足迹的信息？​

如果可能，你应该包含以下信息：

  • 模型训练的位置（地理位置）
  • 使用的硬件——例如 GPU、TPU 或 CPU，以及数量
  • 训练类型：预训练或微调
  • 模型的估计碳足迹，使用 Code Carbon 包实时计算，或使用 ML CO2 计算器在训练后计算。

碳足迹元数据​

你可以将碳足迹数据添加到模型卡片元数据（在 README.md 文件中）。元数据的结构应为：

---
co2_eq_emissions:
  emissions: number (in grams of CO2)
  source: "source of the information, either directly from AutoTrain, code carbon or from a scientific article documenting the model"
  training_type: "pre-training or fine-tuning"
  geographical_location: "as granular as possible, for instance Quebec, Canada or Brooklyn, NY, USA. To check your compute's electricity grid, you can check out https://app.electricitymap.org."
  hardware_used: "how much compute and what kind, e.g. 8 v100 GPUs"
---

如何计算模型的碳足迹？🌎​

考虑计算硬件、位置、使用情况和训练时间，你可以估算模型产生的 CO2 量。

计算非常简单！➕

首先，你获取用于训练的电网的碳强度——这是每千瓦时电力产生的 CO2 量。碳强度取决于硬件的位置和该位置使用的能源结构——无论是太阳能 🌞、风能 🌬️ 和水力 💧 等可再生能源，还是煤炭 ⚫ 和天然气 💨 等不可再生能源。用于训练的可再生能源越多，碳强度就越低！

然后，你使用 pynvml 库获取训练期间 GPU 的功耗。

最后，你将功耗和碳强度乘以模型的训练时间，就得到了 CO2 排放的估算值。

请记住，这不是一个精确的数字，因为其他因素也会起作用——比如用于数据中心加热和冷却的能源——这将增加碳排放。但这会让你对模型产生的 CO2 排放规模有一个很好的了解！

要向模型添加碳排放元数据：

  1. 如果你使用 AutoTrain，这会自动为你跟踪 🔥
  2. 否则，在训练代码中使用 Code Carbon 等跟踪器，然后在模型卡片元数据中指定
co2_eq_emissions: 
  emissions: 1.2345

其中 1.2345 是以克为单位的排放值。

要了解更多关于 Transformers 的碳足迹，请查看 Hugging Face 课程中的视频！

最后于 更新