tracel-ai/burn

解決的問題

Burn 解決了從基於 Python 的訓練環境導出模型至生產引擎時脆弱且有損的流程。它將訓練與推論統一於單一程式碼庫中，使完全相同的程式碼可用於兩者，從而簡化設備端個人化與聯邦學習。

工作原理

Burn 是以 Rust 編寫的張量庫與深度學習框架。它使用統一的 API 在多個平台執行張量運算。為在不犧牲彈性的情況下維持效能，它會 JIT 編譯張量運算串流並執行自動內核融合。專為增量編譯設計，確保模型變更能在 5 秒內完成重新編譯。

適用對象

適用於希望獲得 Rust 的速度與安全性，同時擁有類似 Python 的反饋迴圈的研究人員與開發者，以及希望將模型部署至從嵌入式設備（no_std）到大型 GPU 集群，以及透過 WebAssembly 在瀏覽器中執行的多樣化硬體的團隊。

主要亮點

• 多平台後端支援：支援 CUDA、ROCm、Metal、Vulkan、WebGPU 與 CPU 後端。
• 後端裝飾器：使用裝飾器向任何基礎後端新增自動微分（Autodiff）與內核融合（Fusion）等功能。
• 模型互操作性：可將 ONNX 模型導入為原生 Rust 程式碼，並從 PyTorch 或 Safetensors 加載權重。
• 部署彈性：支援透過 WebAssembly 在瀏覽器中進行推論，並透過 no_std 支援在裸金屬嵌入式環境中執行。
• 整合工具：包含用於即時訓練監控的終端 UI 仪表板與專用的基準測試套件。