显示模型的碳排放

为什么计算模型的碳排放是有益的？

如 Strubell 等人 所述，训练 ML 模型通常会消耗大量能源，并可能产生大量的碳足迹。 因此，重要的是要跟踪和报告模型的排放，以便更好地了解我们领域的环境影响。

关于模型的碳足迹，我应该包含哪些信息？

如果可以，您应该包含有关以下内容的信息

• 模型训练所在的位置（从位置方面考虑）
• 所使用的硬件，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

您可以将碳足迹数据添加到模型卡元数据（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"
---

我的模型的碳足迹是如何计算的？ 🌎

考虑计算硬件、位置、使用情况和训练时间，您可以估算模型产生了多少 CO₂。

计算方法很简单！ ➕

首先，您需要了解用于训练的电网的碳排放强度，即每千瓦时（KwH）电能使用所产生的 CO₂ 量。 碳排放强度取决于硬件的位置和该位置的 能源组合，即使用的是可再生能源（如太阳能 🌞、风能 🌬️ 和水力 💧）还是不可再生能源（如煤炭 ⚫ 和天然气 💨）。 用于训练的可再生能源越多，训练的碳排放强度就越低！

然后，您需要使用 pynvml 库获取 GPU 在训练过程中的功耗。

最后，将功耗和碳排放强度乘以模型的训练时间，即可得到 CO₂ 排放量的估算值。

请注意，这并不是一个精确的数字，因为还有其他因素会影响碳排放，例如数据中心供暖和制冷所需的能源，这些因素会导致碳排放增加。 但是，这将使您大致了解模型产生的 CO₂ 排放量！

向模型添加碳排放元数据

1. 如果您使用的是AutoTrain，系统会为您跟踪 🔥
2. 否则，在训练代码中使用 Code Carbon 等跟踪器，然后指定

co2_eq_emissions: 
  emissions: 1.2345

在模型卡元数据中，其中 1.2345 是以克为单位的排放值。

要了解有关 Transformer 碳足迹的更多信息，请查看 视频，这是 Hugging Face 课程的一部分！