Что это такое?
Burn — это тензорная библиотека и фреймворк глубокого обучения на Rust для обучения и инференса: один и тот же код доводит модель от прототипа до продакшена где угодно — от GPU-кластеров до браузера.
Burn — это тензорная библиотека и фреймворк глубокого обучения на Rust для обучения и инференса: один и тот же код доводит модель от прототипа до продакшена где угодно — от GPU-кластеров до браузера.Чем это отличается от PyTorch?Burn сохраняет привычную эргономику PyTorch — динамические формы и графы, — но JIT-компилирует тензорные операции с автоматическим слиянием ядер (kernel fusion), так что вы получаете гибкость динамического графа без падения производительности. Код для обучения и код для продакшена — буквально один и тот же код, без хрупкого шага экспорта.
Burn сохраняет привычную эргономику PyTorch — динамические формы и графы, — но JIT-компилирует тензорные операции с автоматическим слиянием ядер (kernel fusion), так что вы получаете гибкость динамического графа без падения производительности. Код для обучения и код для продакшена — буквально один и тот же код, без хрупкого шага экспорта.Как начать пользоваться этим в Rust-проекте?Добавьте крейт burn в свой Cargo-проект и включите бэкенд через feature-флаги (CUDA, ROCm, Metal, Vulkan, WebGPU или CPU). Burn Book шаг за шагом проведёт вас через первый проект.
Добавьте крейт burn в свой Cargo-проект и включите бэкенд через feature-флаги (CUDA, ROCm, Metal, Vulkan, WebGPU или CPU). Burn Book шаг за шагом проведёт вас через первый проект.Нужен ли мне где-то в рабочем процессе Python, например для экспорта моделей?Нет, всё живёт в Rust. Веса PyTorch или Safetensors можно загрузить прямо в модель, описанную на Burn, а модели ONNX из TensorFlow или PyTorch импортируются через burn-onnx как нативный Rust-код, работающий на любом бэкенде.
Нет, всё живёт в Rust. Веса PyTorch или Safetensors можно загрузить прямо в модель, описанную на Burn, а модели ONNX из TensorFlow или PyTorch импортируются через burn-onnx как нативный Rust-код, работающий на любом бэкенде.Какие есть подводные камни перед первой компиляцией?Бэкенд LibTorch начиная с версии 0.22.0 объявлен устаревшим и будет удалён, поэтому выбирайте бэкенд на CubeCL (CUDA, ROCm, Metal, Vulkan, WebGPU) или CPU. У бэкендов wgpu бывают ошибки компиляции из-за рекурсивных типов, для которых есть известное обходное решение, а burn-onnx покрывает пока лишь ограниченный набор операторов ONNX.
Бэкенд LibTorch начиная с версии 0.22.0 объявлен устаревшим и будет удалён, поэтому выбирайте бэкенд на CubeCL (CUDA, ROCm, Metal, Vulkan, WebGPU) или CPU. У бэкендов wgpu бывают ошибки компиляции из-за рекурсивных типов, для которых есть известное обходное решение, а burn-onnx покрывает пока лишь ограниченный набор операторов ONNX.А он правда может работать в браузере или на встраиваемом железе?Да. Бэкенды Flex (CPU) и WGPU (WebGPU) работают под WebAssembly, так что инференс идёт прямо в браузере — есть демо с MNIST и классификацией изображений, — а ключевые компоненты поддерживают nostd для «голого железа» во встраиваемых устройствах, правда, только через Flex.
Да. Бэкенды Flex (CPU) и WGPU (WebGPU) работают под WebAssembly, так что инференс идёт прямо в браузере — есть демо с MNIST и классификацией изображений, — а ключевые компоненты поддерживают nostd для «голого железа» во встраиваемых устройствах, правда, только через Flex.Мне нужна видеокарта Nvidia или подойдёт другое железо?Подойдёт любой крупный производитель: Nvidia через CUDA, AMD через ROCm, Apple через Metal, плюс Vulkan и WebGPU на картах Nvidia, AMD, Intel и Qualcomm. Чисто процессорные бэкенды работают на x86, Arm и Wasm, когда GPU не задействован.
Подойдёт любой крупный производитель: Nvidia через CUDA, AMD через ROCm, Apple через Metal, плюс Vulkan и WebGPU на картах Nvidia, AMD, Intel и Qualcomm. Чисто процессорные бэкенды работают на x86, Arm и Wasm, когда GPU не задействован.Что такое CubeCL?CubeCL — это язык и компилятор для GPU-вычислений, на которых строятся ускоренные бэкенды Burn. Ядра (kernels) пишутся один раз на Rust и работают на CUDA, ROCm, Metal, Vulkan и WebGPU, причём CubeCL можно использовать и отдельно, вне Burn.
CubeCL — это язык и компилятор для GPU-вычислений, на которых строятся ускоренные бэкенды Burn. Ядра (kernels) пишутся один раз на Rust и работают на CUDA, ROCm, Metal, Vulkan и WebGPU, причём CubeCL можно использовать и отдельно, вне Burn.Как работают бэкенды Autodiff, Fusion и Remote?Это декораторы бэкендов, которые вы надстраиваете над базовым: Autodiff добавляет обратное распространение ошибки к любому бэкенду, Fusion — автоматическое слияние ядер (для «родных» GPU-бэкендов включено по умолчанию), а бета-декоратор Remote пересылает тензорные операции по сети на удалённый вычислительный бэкенд для распределённых запусков.
Это декораторы бэкендов, которые вы надстраиваете над базовым: Autodiff добавляет обратное распространение ошибки к любому бэкенду, Fusion — автоматическое слияние ядер (для «родных» GPU-бэкендов включено по умолчанию), а бета-декоратор Remote пересылает тензорные операции по сети на удалённый вычислительный бэкенд для распределённых запусков.Что входит в Burn помимо основного крейта?Команда Tracel поддерживает burn-onnx (импорт моделей ONNX), burn-store (сохранение и загрузка весов, включая PyTorch и Safetensors), burn-vision, burn-rl и burn-dataset как строительные блоки для конкретных областей, а также burn-bench для бенчмаркинга бэкендов и отобранный набор предобученных моделей.
Команда Tracel поддерживает burn-onnx (импорт моделей ONNX), burn-store (сохранение и загрузка весов, включая PyTorch и Safetensors), burn-vision, burn-rl и burn-dataset как строительные блоки для конкретных областей, а также burn-bench для бенчмаркинга бэкендов и отобранный набор предобученных моделей.Нужны ли мне сторонние инструменты, чтобы следить за обучением?Нет. В Burn встроена терминальная панель на базе Ratatui: она показывает метрики обучения и валидации в реальном времени, позволяет листать историю метрик стрелками и выйти из цикла обучения, не уронив его.
Нет. В Burn встроена терминальная панель на базе Ratatui: она показывает метрики обучения и валидации в реальном времени, позволяет листать историю метрик стрелками и выйти из цикла обучения, не уронив его.What are similar projects?tvm, tilelang, cupy, onnxruntime, pytorch, verl, koharu, High-Angle_Robust_Fast_FaceAlignment
tvm, tilelang, cupy, onnxruntime, pytorch, verl, koharu, High-Angle_Robust_Fast_FaceAlignment