# Menampilkan emisi karbon untuk model Anda

## Mengapa menghitung emisi karbon model saya bermanfaat?

Pelatihan model ML sering kali membutuhkan energi besar dan dapat menghasilkan jejak karbon yang signifikan, sebagaimana dijelaskan oleh [Strubell et al.](https://arxiv.org/abs/1906.02243). Oleh karena itu, penting untuk *menghitung* dan *melaporkan* emisi model untuk mendapatkan gambaran yang lebih baik tentang dampak lingkungan di bidang kita.

## Informasi apa yang harus saya sertakan mengenai jejak karbon model saya?

Jika memungkinkan, Anda harus menyertakan informasi tentang:
- di mana model dilatih (dalam hal lokasi)
- perangkat keras yang digunakan -- misalnya GPU, TPU, atau CPU, dan berapa jumlahnya
- jenis pelatihan: pre-training atau fine-tuning
- jejak karbon yang diperkirakan dari model, dihitung secara real-time dengan paket [Code Carbon](https://github.com/mlco2/codecarbon) atau setelah pelatihan menggunakan [ML CO2 Calculator](https://mlco2.github.io/impact/).

## Metadata jejak karbon

Anda dapat menambahkan data jejak karbon ke metadata kartu model (di file README.md). Struktur metadata harusnya:

```yaml
---
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"
---
```

## Bagaimana jejak karbon model saya dihitung? 🌎

Dengan mempertimbangkan perangkat keras komputasi, lokasi, penggunaan, dan waktu pelatihan, Anda dapat memperkirakan berapa banyak CO2 yang dihasilkan oleh model tersebut.

Matematikanya cukup sederhana! ➕

Pertama, Anda mengambil *intensitas karbon* dari jaringan listrik yang digunakan untuk pelatihan -- ini adalah berapa banyak CO2 yang dihasilkan per KwH listrik yang digunakan. Intensitas karbon bergantung pada lokasi perangkat keras dan [campuran energi](https://electricitymap.org/) yang digunakan di lokasi tersebut -- apakah itu energi terbarukan seperti surya 🌞, angin 🌬️, dan hidro 💧, atau energi tak terbarukan seperti batu bara ⚫ dan gas alam 💨. Semakin banyak energi terbarukan yang digunakan untuk pelatihan, semakin rendah intensitas karbonnya!
 
Lalu, Anda mengambil konsumsi daya GPU selama pelatihan menggunakan pustaka `pynvml`.

Terakhir, Anda mengalikan konsumsi daya dan intensitas karbon dengan waktu pelatihan model, dan Anda memiliki estimasi emisi CO2.

Perlu diingat bahwa ini bukan angka yang tepat karena faktor lain turut berperan -- seperti energi yang digunakan untuk pemanasan dan pendinginan pusat data -- yang akan meningkatkan emisi karbon. Namun, ini akan memberikan gambaran yang baik tentang skala emisi CO2 yang dihasilkan oleh model Anda!

Untuk menambahkan metadata **Carbon Emissions** ke model Anda:

1. Jika Anda menggunakan **AutoTrain**, hal ini dilacak untuk Anda 🔥
2. Jika tidak, gunakan pelacak seperti Code Carbon di kode pelatihan Anda, lalu tentukan
```yaml
co2_eq_emissions: 
  emissions: 1.2345
```
di metadata kartu model Anda, di mana `1.2345` adalah nilai emisi dalam **gram**.

Untuk mempelajari lebih lanjut tentang jejak karbon Transformers, lihat [video](https://www.youtube.com/watch?v=ftWlj4FBHTg) ini, bagian dari Hugging Face Course!