candle

Framework minimalista de deep-learning da Hugging Face em Rust - tensores, módulos nn e inferência de transformadores sem Python.

Receita

use candle_core::{Device, Tensor};
use candle_nn::{linear, Linear, Module, VarBuilder};
 
fn mlp(vb: VarBuilder) -> candle_core::Result<Linear> {
    linear(768, 128, vb.pp("proj"))
}
 
fn forward(x: &Tensor, layer: &Linear) -> candle_core::Result<Tensor> {
    layer.forward(x)
}

Quando usar isto:

Executar pesos de transformadores compatíveis com HF em Rust puro
Prototipar modelos pequenos com APIs de tensor familiares
Entregar inferência onde o overhead do Python/GIL é inaceitável
Ensinar mecânicas de DL com código Rust legível

Exemplo de Trabalho

use candle_core::{Device, Tensor};
use candle_nn::{linear, Linear, Module, VarBuilder, VarMap};
 
fn main() -> candle_core::Result<()> {
    let device = Device::Cpu;
    let varmap = VarMap::new();
    let vb = VarBuilder::from_varmap(&varmap, candle_core::DType::F32, &device);
    let layer = linear(4, 2, vb.pp("fc"))?;
    let x = Tensor::new(&[[1.0f32, 0.5, -0.2, 3.0]], &device)?;
    let y = layer.forward(&x)?;
    println!("output shape: {:?}", y.shape());
    Ok(())
}

O que isto demonstra:

VarMap + VarBuilder para parâmetros treináveis
Uma passagem forward de camada linear na CPU
Inspeção de shape antes do softmax ou loss downstream

Mergulho Profundo

Como Funciona

candle-core fornece Tensor, Device e autodiff (controlado por feature).
candle-nn agrupa camadas, otimizadores e utilitários de loss.
candle-transformers hospeda definições de modelos que correspondem às configurações da HF.
Pesos são carregados de safetensors ou dumps compatíveis com numpy.

Mapa de Crates

Crate	Papel
`candle-core`	Matemática de Tensor, dispositivos
`candle-nn`	Camadas, utilitários de treinamento
`candle-transformers`	BERT, Llama, etc.

Armadilhas

Mudanças na API entre versões menores - fixe tags git ou versões em produção. Correção: trave Cargo.lock e CI contra exemplos da HF.
Dtype errado na GPU - kernels f64 podem estar ausentes. Correção: padronize em F32, a menos que o modelo exija BF16.
Confusão de shape [batch, seq, hidden] - a atenção falha silenciosamente com bugs de broadcast. Correção: afirme ranks nos limites dos módulos.
Carregar LLM completo na RAM da CPU - pesos de vários GB causam OOM em laptops. Correção: use caminhos GGUF quantizados ou GPU com VRAM suficiente.
Driver CUDA ausente no contêiner - o runtime falha ou retorna erro tarde. Correção: sonde Device::cuda_if_available() na inicialização e registre a escolha.

Alternativas

Alternativa	Usar Quando	Não Usar Quando
burn	Pesquisa de treinamento agnóstico de backend	Você quer ports de transformadores mantidos pela HF
ort	ONNX exportado de qualquer framework	Você precisa de treinamento em Rust
tch (bindings PyTorch)	Precisa executar grafos PyTorch arbitrários	Você quer dependências puramente Rust
Python HF	Maior acervo de modelos e treinadores	Implantação edge em binário único

FAQs

O Candle pode treinar modelos grandes?

Possível para modelos pequenos/médios; o treinamento de LLMs grandes ainda geralmente ocorre em Python, e os pesos são convertidos para inferência no Candle.

Como carrego pesos da HF?

Use os construtores de modelo do candle-transformers mais os arquivos safetensors do repositório do modelo - combine os nomes de arquitetura do config.json.

CPU vs CUDA?

Habilite o recurso cuda em candle-core e use Device::new_cuda(0)? quando o hardware estiver disponível.

O Candle suporta quantização?

GGUF e checkpoints quantizados são comuns para caminhos de inferência de LLM - siga os exemplos do Candle da HF para cada família de modelo.

Como depuro NaNs?

Habilite o clipping de gradiente, diminua a taxa de aprendizado e inspecione as estatísticas do tensor após cada camada nos loops de treinamento.

Posso exportar para ONNX?

O treinamento no Candle ainda pode exportar através de ferramentas separadas; muitas equipes treinam em outro lugar e inferem no Candle a partir de pesos publicados.

Como isso se compara ao Burn?

O Candle é focado na HF para transformadores; o Burn é de propósito geral com backends plugáveis - veja burn.

Autodiff está pronto para produção?

Adequado para treinamento em escala de pesquisa; verifique a numerologia em comparação com o PyTorch em um lote de referência antes de confiar nas curvas de loss.

Como agrupo prompts?

Preencha as sequências de tokens, construa máscaras de atenção, execute um forward - combine com Tokenizers.

Segurança de thread?

Compartilhe pesos somente leitura com Arc; o estado por requisição (cache KV) não deve competir entre threads sem sincronização.

Relacionado

Noções Básicas de ML em Rust - panorama
burn - framework alternativo
Inferência e Servir LLMs - padrões de servir
GPU e Aceleração - backends

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+.

candle

Framework minimalista de deep-learning da Hugging Face em Rust - tensores, módulos nn e inferência de transformadores sem Python.

Receita

use candle_core::{Device, Tensor};
use candle_nn::{linear, Linear, Module, VarBuilder};
 
fn mlp(vb: VarBuilder) -> candle_core::Result<Linear> {
    linear(768, 128, vb.pp("proj"))
}
 
fn forward(x: &Tensor, layer: &Linear) -> candle_core::Result<Tensor> {
    layer.forward(x)
}

Quando usar isto:

Executar pesos de transformadores compatíveis com HF em Rust puro
Prototipar modelos pequenos com APIs de tensor familiares
Entregar inferência onde o overhead do Python/GIL é inaceitável
Ensinar mecânicas de DL com código Rust legível

Exemplo de Trabalho

use candle_core::{Device, Tensor};
use candle_nn::{linear, Linear, Module, VarBuilder, VarMap};
 
fn main() -> candle_core::Result<()> {
    let device = Device::Cpu;
    let varmap = VarMap::new();
    let vb = VarBuilder::from_varmap(&varmap, candle_core::DType::F32, &device);
    let layer = linear(4, 2, vb.pp("fc"))?;
    let x = Tensor::new(&[[1.0f32, 0.5, -0.2, 3.0]], &device)?;
    let y = layer.forward(&x)?;
    println!("output shape: {:?}", y.shape());
    Ok(())
}

O que isto demonstra:

VarMap + VarBuilder para parâmetros treináveis
Uma passagem forward de camada linear na CPU
Inspeção de shape antes do softmax ou loss downstream

Mergulho Profundo

Como Funciona

candle-core fornece Tensor, Device e autodiff (controlado por feature).
candle-nn agrupa camadas, otimizadores e utilitários de loss.
candle-transformers hospeda definições de modelos que correspondem às configurações da HF.
Pesos são carregados de safetensors ou dumps compatíveis com numpy.

Mapa de Crates

Crate	Papel
`candle-core`	Matemática de Tensor, dispositivos
`candle-nn`	Camadas, utilitários de treinamento
`candle-transformers`	BERT, Llama, etc.

Armadilhas

Mudanças na API entre versões menores - fixe tags git ou versões em produção. Correção: trave Cargo.lock e CI contra exemplos da HF.
Dtype errado na GPU - kernels f64 podem estar ausentes. Correção: padronize em F32, a menos que o modelo exija BF16.
Confusão de shape [batch, seq, hidden] - a atenção falha silenciosamente com bugs de broadcast. Correção: afirme ranks nos limites dos módulos.
Carregar LLM completo na RAM da CPU - pesos de vários GB causam OOM em laptops. Correção: use caminhos GGUF quantizados ou GPU com VRAM suficiente.
Driver CUDA ausente no contêiner - o runtime falha ou retorna erro tarde. Correção: sonde Device::cuda_if_available() na inicialização e registre a escolha.

Alternativas

Alternativa	Usar Quando	Não Usar Quando
burn	Pesquisa de treinamento agnóstico de backend	Você quer ports de transformadores mantidos pela HF
ort	ONNX exportado de qualquer framework	Você precisa de treinamento em Rust
tch (bindings PyTorch)	Precisa executar grafos PyTorch arbitrários	Você quer dependências puramente Rust
Python HF	Maior acervo de modelos e treinadores	Implantação edge em binário único

FAQs

O Candle pode treinar modelos grandes?

Possível para modelos pequenos/médios; o treinamento de LLMs grandes ainda geralmente ocorre em Python, e os pesos são convertidos para inferência no Candle.

Como carrego pesos da HF?

Use os construtores de modelo do candle-transformers mais os arquivos safetensors do repositório do modelo - combine os nomes de arquitetura do config.json.

CPU vs CUDA?

Habilite o recurso cuda em candle-core e use Device::new_cuda(0)? quando o hardware estiver disponível.

O Candle suporta quantização?

GGUF e checkpoints quantizados são comuns para caminhos de inferência de LLM - siga os exemplos do Candle da HF para cada família de modelo.

Como depuro NaNs?

Habilite o clipping de gradiente, diminua a taxa de aprendizado e inspecione as estatísticas do tensor após cada camada nos loops de treinamento.

Posso exportar para ONNX?

O treinamento no Candle ainda pode exportar através de ferramentas separadas; muitas equipes treinam em outro lugar e inferem no Candle a partir de pesos publicados.

Como isso se compara ao Burn?

O Candle é focado na HF para transformadores; o Burn é de propósito geral com backends plugáveis - veja burn.

Autodiff está pronto para produção?

Adequado para treinamento em escala de pesquisa; verifique a numerologia em comparação com o PyTorch em um lote de referência antes de confiar nas curvas de loss.

Como agrupo prompts?

Preencha as sequências de tokens, construa máscaras de atenção, execute um forward - combine com Tokenizers.

Segurança de thread?

Compartilhe pesos somente leitura com Arc; o estado por requisição (cache KV) não deve competir entre threads sem sincronização.

Relacionado

Noções Básicas de ML em Rust - panorama
burn - framework alternativo
Inferência e Servir LLMs - padrões de servir
GPU e Aceleração - backends

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+.

candle

Buscar na documentação

candle