tracel-ai/burn

Burn – Rustファーストのテンソルライブラリおよびディープラーニングフレームワーク

概要 – Burnは、低レベルのテンソル操作と高レベルのディープラーニングAPIの両方を提供するオープンソースのRustクレートです。モデルのトレーニングと本番環境での実行に同じRustコードを使用できるようにすることを目的としており、一般的なPythonからONNXへのエクスポート手順を不要にします。

重要性 – ほとんどの研究用フレームワーク（PyTorch、TensorFlow）はPython中心であり、トレーニング済みモデルは後で別のランタイム（ONNX、TensorRTなど）にエクスポートされます。Burnはこれらの段階を統合します：

• PyTorchに似た動的グラフのエルゴノミクス（実行時に形状を変更可能）。
• JITコンパイルと自動カーネル融合により、動的グラフの柔軟性を維持しながらGPUレベルの速度を実現。
• Rustのインクリメンタルコンパイルにより、編集から実行までのサイクルを短縮（リリースモードでも再コンパイルは < 5秒）。

主要コンポーネント

エリア	クレート / プロジェクト	提供内容
計算	CubeCL	CUDA、ROCM、Metal、Vulkan、WebGPUにコンパイルされるRustベースのGPU計算言語。カーネルはRustで一度記述すれば、サポートされている任意のバックエンドで実行可能。
モデル相互運用	burn-onnx	ONNXモデルをインポートし、ネイティブなBurn Rustコードに変換。
	burn-store	重みの読み込みと保存（PyTorch .pt、Safetensorsなど）。
ドメインライブラリ	burn-vision, burn-rl, burn-dataset	ビジョン操作、強化学習ヘルパー、データセットユーティリティ。
事前学習済みモデル	models	Burnで構築されたすぐに実行可能な例のコレクション。
ツール	burn-bench	バックエンドのパフォーマンスを長期的に比較するためのベンチマーク。

サポートされているバックエンド – Burnはプラグインアーキテクチャを通じて多くのデバイスで実行可能です：

• GPU – CUDA、ROCM、Metal、Vulkan、WebGPU（Nvidia、AMD、Apple、Intel、Qualcomm、ブラウザをカバー）。
• CPU – 2つのオプション：
  • CubeCL CPU – LLVMを介したJITコンパイルカーネル（x86およびARMをサポート）。
  • Flex – no_std、WebAssembly、組み込みターゲットで動作する純粋なRustのEagerバックエンド。
• バックエンドは Device 抽象化を介して実行時に交換可能です。同じバイナリ内で複数を有効にし、テンソルごとにデバイスを選択できます。

特別な機能

• 自動微分 (Autodiff) – バックプロパゲーションはデバイスごとにオンにできるデコレータです。テンソルは要求された場合にのみ計算グラフを記録するため、推論を軽量に保ちます。
• カーネル融合 (Kernel fusion) – 連続する操作を単一のGPUカーネルに自動的にマージし、起動オーバーヘッドを削減します。
• リモート実行 (beta) – クライアントサーバーモデルにより、暗号化されたIrohまたは単純なWebSocketトランスポートを使用して、テンソル処理を別のマシン（またはクラウド）にオフロードできます。
• トレーニングダッシュボード – ターミナルUI（Ratatuiで構築）はライブメトリクスを表示し、安全にトレーニングを一時停止でき、外部サービスなしで動作します。
• ONNX & PyTorch重みインポート – 既存のモデルを書き直すことなくBurnに取り込めます。
• WebAssembly推論 – Flex (CPU) およびWGPUバックエンドにより、ブラウザ内で直接モデルを実行できます。

典型的なワークフロー

1. モデルの定義：PyTorchと同様に、Burnの Module トレイトを使用します。
2. Device の作成（例：Device::cuda(0).autodiff() または Device::wgpu(Default::default()).autodiff()）。
3. トレーニングの実行 – テンソルは自動的に勾配を記録します。backward() を呼び出して計算します。
4. 重みの保存：burn-store を使用するか、相互運用性のためにONNXにエクスポートします。
5. デプロイ – モデルコードを変更せずに、Device をCPU、WebGPU、またはリモートバックエンドに切り替えます。

推奨ユーザー

• 研究者：Rustの安全性と速度を求めつつ、迅速な編集・実行ループが必要な方。
• エンジニア：単一のコードベースから異種ハードウェア（クラウドGPU、エッジCPU、ブラウザ）で実行する必要がある本番パイプラインを構築する方。
• コントリビューター：Rust AIエコシステム（新しいバックエンド、ドメインクレート、モデル動物園）の拡大に関心がある方。

はじめに – クレートはcrates.io (burn = "<latest>") で公開されています。ドキュメントは https://burn.dev/docs/burn にあり、「Burn Book」ではテンソル、自動微分、トレーニングループ、デプロイに関するステップバイステップのチュートリアルを提供しています。

---

上記の情報はすべてリポジトリのREADMEから直接引用したものであり、追加機能は推測されていません。