burn

Q: Como troco de backend?

Altere o alias de tipo type B = ... e reconstrua com flags de feature apropriadas - nenhuma reescrita de código fonte para o código do módulo.

Q: O burn suporta CNNs e transformers?

Sim, via burn-import e módulos customizados - o suporte a transformer está ativo, mas verifique os exemplos para sua arquitetura.

Q: Como carrego datasets?

Implemente o trait Dataset ou adapte leitores CSV/Parquet da seção de dados em lotes de tensores.

Q: Como é o loop de treinamento?

Use LearnerBuilder com configuração de otimizador, rastreadores de métricas e learner.fit(dataloader) - veja o livro do burn para o snippet completo.

Q: Inferência ONNX vs. inferência nativa do burn?

ONNX via ort é ótimo para grafos congelados; módulos nativos do burn permitem caminhos quentes apenas em Rust.

Q: Relação com candle?

candle é focado em HF; burn é geral - veja candle para atalhos do transformer zoo.

Um framework de deep learning flexível e agnóstico de backend - treine e infira em Rust com backends de computação plugáveis.

Receita

use burn::backend::NdArray;
use burn::module::Module;
use burn::nn::Linear;
use burn::tensor::Tensor;
 
type B = NdArray<f32>;
 
#[derive(Module, Debug)]
struct Model<B: burn::backend::Backend> {
    linear: Linear<B>,
}
 
fn forward<B: burn::backend::Backend>(m: &Model<B>, x: Tensor<B, 2>) -> Tensor<B, 2> {
    m.linear.forward(x)
}

Quando usar isso:

Protótipos de pesquisa que podem migrar de CPU para GPU posteriormente
Ensinar redes neurais com segurança de tipos do Rust
Treinar modelos pequenos inteiramente em Rust
Equipes que desejam uma única API para alvos embarcados e de servidor

Exemplo de Trabalho

use burn::backend::NdArray;
use burn::module::Module;
use burn::nn::{Linear, LinearConfig};
use burn::tensor::Tensor;
 
type B = NdArray<f32>;
 
#[derive(Module, Debug)]
struct Mlp<B: burn::backend::Backend> {
    fc: Linear<B>,
}
 
fn main() {
    let device = <B as burn::backend::Backend>::Device::default();
    let mlp = Mlp::<B> {
        fc: LinearConfig::new(4, 2).init(&device),
    };
    let input = Tensor::<B, 2>::from_data([[1.0, 2.0, 3.0, 4.0]], &device);
    let out = mlp.fc.forward(input);
    println!("{:?}", out.into_data());
}

O que isso demonstra:

Derivação Module para registro de parâmetros
Padrão de builder LinearConfig para configuração de camada
Tipagem de tensores de Rank-2 para features em lote

Análise Profunda

Como Funciona

Backends implementam operações de tensor; o código do usuário é genérico sobre Backend.
A API Learner conecta datasets, otimizadores, métricas e checkpointing.
Importa ONNX para caminhos apenas de inferência; exporta ao interoperar com pilhas Python.
O backend WGPU tem como alvo GPUs multiplataforma sem instalações CUDA.

Escolhas de Backend

Backend	Alvo
NdArray	Desenvolvimento de CPU, CI
WGPU	GPU multiplataforma
CUDA	Servidores NVIDIA

Armadilhas

Tempos de compilação com backends genéricos - a monomorfização aumenta os binários. Correção: use um alias de tipo para um backend por binário do crate.
Lacunas na cobertura de ops ONNX - camadas exóticas falham na importação. Correção: simplifique o grafo na exportação do PyTorch ou use ort como fallback.
Problemas de driver WGPU em servidores headless - nenhum adaptador encontrado. Correção: use CUDA ou CPU NdArray em imagens de data center.
Taxa de aprendizado muito alta no NdArray - NaNs sem proteções de precisão mista estilo GPU. Correção: comece conservadoramente, corte gradientes.
Mudanças no formato do checkpoint - quebra o resume do treinamento entre versões do burn. Correção: versionar checkpoints nos metadados do armazenamento de objetos.

Alternativas

Alternativa	Usar Quando	Não Usar Quando
candle	Pesos de transformadores HF desde o primeiro dia	Você precisa de troca genérica de backend
ort	Apenas inferência ONNX em produção	Treinamento dentro do Rust
tch	Precisa reutilizar código PyTorch arbitrário	Política de dependência pura de Rust
JAX/Python	Treinamento em larga escala em TPU	Implantação na borda sem Python

FAQs

O burn está pronto para produção?

Os caminhos de inferência amadurecem mais rápido que o treinamento em larga escala. Valide a precisão e o desempenho no seu modelo antes de cortar o Python.

Como troco de backend?

Altere o alias de tipo type B = ... e reconstrua com flags de feature apropriadas - nenhuma reescrita de código fonte para o código do módulo.

O burn suporta CNNs e transformers?

Sim, via burn-import e módulos customizados - o suporte a transformer está ativo, mas verifique os exemplos para sua arquitetura.

Como carrego datasets?

Implemente o trait Dataset ou adapte leitores CSV/Parquet da seção de dados em lotes de tensores.

Posso implantar para WASM?

Existem caminhos experimentais; espere limites de tamanho e SIMD - profile antes de apostar no treinamento no navegador.

Como é o loop de treinamento?

Use LearnerBuilder com configuração de otimizador, rastreadores de métricas e learner.fit(dataloader) - veja o livro do burn para o snippet completo.

Inferência ONNX vs. inferência nativa do burn?

ONNX via ort é ótimo para grafos congelados; módulos nativos do burn permitem caminhos quentes apenas em Rust.

Como comparar com PyTorch?

Execute comparações de tensores dourados em um lote fixo após importação/exportação - não confie apenas nas curvas de perda.

Gerenciamento de memória da GPU?

Backends WGPU/CUDA cacheiam alocações; descarte tensores não utilizados e limite o tamanho do lote quando OOM.

Relação com candle?

candle é focado em HF; burn é geral - veja candle para atalhos do transformer zoo.

Relacionado

candle - Transformers HF
ONNX Runtime (ort) - Grafos importados
GPU & Aceleração - Configuração WGPU/CUDA
Noções Básicas de ML em Rust - Orientação

Versões da Stack: Esta página foi escrita para Rust 1.97.0 (edição 2024), Tokio 1.x, Axum 0.8, serde 1.0, sqlx 0.8, clap 4, e Polars 0.46+.

Receita

use burn::backend::NdArray;
use burn::module::Module;
use burn::nn::Linear;
use burn::tensor::Tensor;
 
type B = NdArray<f32>;
 
#[derive(Module, Debug)]
struct Model<B: burn::backend::Backend> {
    linear: Linear<B>,
}
 
fn forward<B: burn::backend::Backend>(m: &Model<B>, x: Tensor<B, 2>) -> Tensor<B, 2> {
    m.linear.forward(x)
}

Quando usar isso:

Protótipos de pesquisa que podem migrar de CPU para GPU posteriormente
Ensinar redes neurais com segurança de tipos do Rust
Treinar modelos pequenos inteiramente em Rust
Equipes que desejam uma única API para alvos embarcados e de servidor

Exemplo de Trabalho

use burn::backend::NdArray;
use burn::module::Module;
use burn::nn::{Linear, LinearConfig};
use burn::tensor::Tensor;
 
type B = NdArray<f32>;
 
#[derive(Module, Debug)]
struct Mlp<B: burn::backend::Backend> {
    fc: Linear<B>,
}
 
fn main() {
    let device = <B as burn::backend::Backend>::Device::default();
    let mlp = Mlp::<B> {
        fc: LinearConfig::new(4, 2).init(&device),
    };
    let input = Tensor::<B, 2>::from_data([[1.0, 2.0, 3.0, 4.0]], &device);
    let out = mlp.fc.forward(input);
    println!("{:?}", out.into_data());
}

O que isso demonstra:

Derivação Module para registro de parâmetros
Padrão de builder LinearConfig para configuração de camada
Tipagem de tensores de Rank-2 para features em lote

Análise Profunda

Como Funciona

Backends implementam operações de tensor; o código do usuário é genérico sobre Backend.
A API Learner conecta datasets, otimizadores, métricas e checkpointing.
Importa ONNX para caminhos apenas de inferência; exporta ao interoperar com pilhas Python.
O backend WGPU tem como alvo GPUs multiplataforma sem instalações CUDA.

Escolhas de Backend

Backend	Alvo
NdArray	Desenvolvimento de CPU, CI
WGPU	GPU multiplataforma
CUDA	Servidores NVIDIA

Armadilhas

Tempos de compilação com backends genéricos - a monomorfização aumenta os binários. Correção: use um alias de tipo para um backend por binário do crate.
Lacunas na cobertura de ops ONNX - camadas exóticas falham na importação. Correção: simplifique o grafo na exportação do PyTorch ou use ort como fallback.
Problemas de driver WGPU em servidores headless - nenhum adaptador encontrado. Correção: use CUDA ou CPU NdArray em imagens de data center.
Taxa de aprendizado muito alta no NdArray - NaNs sem proteções de precisão mista estilo GPU. Correção: comece conservadoramente, corte gradientes.
Mudanças no formato do checkpoint - quebra o resume do treinamento entre versões do burn. Correção: versionar checkpoints nos metadados do armazenamento de objetos.

Alternativas

Alternativa	Usar Quando	Não Usar Quando
candle	Pesos de transformadores HF desde o primeiro dia	Você precisa de troca genérica de backend
ort	Apenas inferência ONNX em produção	Treinamento dentro do Rust
tch	Precisa reutilizar código PyTorch arbitrário	Política de dependência pura de Rust
JAX/Python	Treinamento em larga escala em TPU	Implantação na borda sem Python

FAQs

O burn está pronto para produção?

Os caminhos de inferência amadurecem mais rápido que o treinamento em larga escala. Valide a precisão e o desempenho no seu modelo antes de cortar o Python.

Como troco de backend?

Altere o alias de tipo type B = ... e reconstrua com flags de feature apropriadas - nenhuma reescrita de código fonte para o código do módulo.

O burn suporta CNNs e transformers?

Sim, via burn-import e módulos customizados - o suporte a transformer está ativo, mas verifique os exemplos para sua arquitetura.

Como carrego datasets?

Implemente o trait Dataset ou adapte leitores CSV/Parquet da seção de dados em lotes de tensores.

Posso implantar para WASM?

Existem caminhos experimentais; espere limites de tamanho e SIMD - profile antes de apostar no treinamento no navegador.

Como é o loop de treinamento?

Use LearnerBuilder com configuração de otimizador, rastreadores de métricas e learner.fit(dataloader) - veja o livro do burn para o snippet completo.

Inferência ONNX vs. inferência nativa do burn?

ONNX via ort é ótimo para grafos congelados; módulos nativos do burn permitem caminhos quentes apenas em Rust.

Como comparar com PyTorch?

Execute comparações de tensores dourados em um lote fixo após importação/exportação - não confie apenas nas curvas de perda.

Gerenciamento de memória da GPU?

Backends WGPU/CUDA cacheiam alocações; descarte tensores não utilizados e limite o tamanho do lote quando OOM.

Relação com candle?

candle é focado em HF; burn é geral - veja candle para atalhos do transformer zoo.

Relacionado

candle - Transformers HF
ONNX Runtime (ort) - Grafos importados
GPU & Aceleração - Configuração WGPU/CUDA
Noções Básicas de ML em Rust - Orientação

Versões da Stack: Esta página foi escrita para Rust 1.97.0 (edição 2024), Tokio 1.x, Axum 0.8, serde 1.0, sqlx 0.8, clap 4, e Polars 0.46+.

burn

Buscar na documentação

burn