Burn 是一个新型的、全面的 动态深度 学习框架，使用 Rust 构建，目标是提供极高的 灵活性、计算效率 和 可移植性。通过自动内核融合、异步执行和多硬件后端的支持，Burn 为开发者提供了前所未有的高性能深度学习体验。
Burn 的主要特性
- 自动内核融合：通过动态生成 GPU 内核，提升模型执行效率。
- 异步执行架构：保证框架与计算的独立性，提升系统性能。
- 多后端集成：支持多种硬件架构，跨平台高效执行。
- 线程安全与智能内存管理：利用 Rust 的所有权系统，确保训练过程中的安全与效率。
性能优化：自动内核融合与异步执行
自动内核融合 💥
Burn 提供自动内核融合，意味着在任何后端都能对模型进行优化。在可能的情况下，Burn 自动创建自定义低级内核，特别适用于需要最小化内存迁移的场景，从而显著提升模型的计算效率。
以下是一个 Rust 代码片段，展示如何实现自定义 GELU 激活函数：
fn gelu_custom<B: Backend, const D: usize>(x: Tensor<B, D>) -> Tensor<B, D> {
let x = x.clone() * ((x / SQRT_2).erf() + 1);
x / 2
}
在运行时，Burn 会为这个自定义实现自动创建内核，与手工编写的 GPU 实现性能相媲美。目前，自动内核融合仅支持 WGPU 后端，未来会扩展到其他后端。
异步执行 ❤️🔥
Burn 的后端采用 异步执行风格，这使得模型的计算不会阻塞框架的正常执行，确保系统的高响应性。这种异步架构还为自动内核融合等优化技术提供了支持，进一步提高执行效率。更多关于异步执行的信息，请访问 Burn 博客。
线程安全的模块 🦞
Burn 利用 Rust 的所有权系统，使每个模块成为其权重的唯一所有者。这样可以安全地将模块发送到不同线程进行计算，适合多设备训练，避免了传统框架中的同步问题。
智能内存管理 🦀
内存管理 是深度学习框架的关键之一。Burn 使用内存池减少频繁的内存分配和释放，从而提升吞吐量，并通过跟踪张量的所有权在适当时候进行就地突变，进一步减少内存使用。有关内存管理的更多详细信息，请参考 Burn 博客。
自动内核选择 🎯
Burn 会自动运行基准测试并为硬件选择最佳内核配置，以确保在所有硬件上高效执行。这稍微增加了热身时间，但会在几次前向和后向传递后稳定下来，大大提高长期执行效率。
硬件特定优化 🔥
Burn 支持多种硬件特性，例如 Nvidia Tensor Cores。目前，Tensor Cores 支持通过 LibTorch 和 Candle 后端进行优化，但还未支持其他加速器。我们计划在未来为 WGPU 后端引入类似的硬件支持。
扩展与灵活性：后端扩展与自定义实现
Burn 提供了丰富的扩展能力，使开发者能够轻松地为模型添加自定义操作或编写特定后端的内核。例如，可以手动编写快闪注意力的实现来提升性能。更多关于后端扩展的信息，请参考 Burn Book。
Burn 的深度学习工作流程
培训与推理
Burn 从一开始就考虑了深度学习的培训和推理过程，提供了符合人体工程学的仪表板来监控训练进展，并能够在从嵌入式设备到大型 GPU 集群的任意设备上运行推理。
- 培训仪表板 📈：Burn 提供基于
Ratatui框架的终端 UI 仪表板，用户可以方便地实时跟踪训练和验证指标。 - ONNX 支持 🐫：Burn 支持导入符合 ONNX 标准的模型，便于将其他框架（如 TensorFlow 或 PyTorch）的模型移植到 Burn。
- 浏览器推理 🌐：通过编译为 Web Assembly，Burn 支持直接在浏览器内运行推理。您可以查看以下示例：
多后端支持
Burn 致力于成为一个 跨平台、支持多后端的深度学习框架，旨在满足不同硬件和开发需求的灵活性。
支持的后端
- WGPU 后端 🌐：基于 Rust 图形库 WGPU，支持跨平台 GPU 加速，适用于 从 Vulkan 到 WebGPU 等多种环境。更多信息，请参考 WGPU 后端 README。
- Candle 后端 🕯：基于 Hugging Face 的 Candle，支持 Web Assembly 和 CUDA，适合极简的高性能模型。更多信息，请参考 Candle 后端 README。
- LibTorch 后端 🎆：基于 PyTorch 的 Rust 绑定，支持 CPU、CUDA 和 Metal，加速深度学习模型训练和推理。更多信息，请参考 LibTorch 后端 README。
- NdArray 后端 🦐：轻量级 CPU 后端，唯一支持
no_std的后端，可在无操作系统环境下运行。更多信息，请参考 NdArray 后端 README。 - Autodiff 后端 🔄：作为后端修饰器，为任何基础后端增加自动微分支持，用于模型训练。更多信息，请参考 Autodiff 后端 README。
- Fusion 后端 💥：为支持内核融合的后端增加内核融合特性，目前仅 WGPU 后端支持融合。更多信息，请参考 Fusion 后端 README。
入门指南
The Burn Book 🔥
要有效地开始使用 Burn，建议阅读 The Burn Book 的前几章，了解 Burn 的关键组成部分和哲学，涵盖了张量、模块和优化器等构建模块的详细示例。
示例代码 🙏
以下是一个简单的代码片段，展示 Burn 的模块声明和前向传播实现：
use burn::nn;
use burn::module::Module;
use burn::tensor::backend::Backend;
#[derive(Module, Debug)]
pub struct PositionWiseFeedForward<B: Backend> {
linear_inner: nn::Linear<B>,
linear_outer: nn::Linear<B>,
dropout: nn::Dropout,
gelu: nn::Gelu,
}
impl<B: Backend> PositionWiseFeedForward<B> {
pub fn forward<const D: usize>(&self,
input: Tensor<B, D>) -> Tensor<B, D> {
let x = self.linear_inner.forward(input);
let x = self.gelu.forward(x);
let x = self.dropout.forward(x);
self.linear_outer.forward(x)
}
}
我们还提供了丰富的 代码示例，展示如何在不同情景中使用 Burn。
为什么选择 Rust 进行深度学习 🦀
Rust 提供了 零成本抽象 和强大的 内存管理，是深度学习开发的理想选择。Rust 提供高性能和安全性，同时使用 Cargo 作为包管理器，可以轻松地构建、测试和部署应用程序。
Rust 的学习曲线可能较为陡峭，但一旦掌握，它可以提供更可靠、无 bug 的解决方案，极大地提升开发效率和代码质量。
结论
Burn 是一个功能强大的 Rust 深度学习框架，支持自动内核融合、异步执行、多后端集成，适用于从嵌入式设备到大型 GPU 集群的各种场景。如果您对深度学习的性能和灵活性有高要求，并且希望探索 Rust 的强大能力，那么 Burn 会是一个绝佳的选择。
