Rust AI：机器学习Candle 和Burn框架的简单对比

提到机器学习领域，大部分人第一时间想到了

Python

,相对于它成熟的生态和丰富的库，当然不可否认，它确实还是领域主导语言。

但是

Rust 

因其安全性、性能和并发特性而在机器学习 (

ML

) 和人工智能 (

AI

) 领域受到关注。马斯克也在推特公开承认，

Rust

才是

AGI

语言。虽然

Rust

还在积极的发展中，5月的编程排行榜也不过还是

18

名，但他的生态正在逐步发展，作为一个

Rust

爱好者，我始终相信他就是未来。

本文的重点在于讨论

Rust

中两个比较流行的机器学习框架，而不是歌颂

Rust

，也没有任何语言歧视，自然也不会试图无脑的劝各位入坑

Rust

。

🎂Candle

一个简单且高性能的深度学习框架。

这是一个以简单和高性能为主打而设计的速度学习框架。它提供了一个用于定义个训练神经网络的简约

API

,利用基于强大的内核的并行计算功能。

实现上，

Candle

底层基于

cuTENSOR

和

cuDNNv8

库，这些库可以在

NVIDIA

的

CPU

上高效执行。下面是基于

Candle

定义和训练

MLP

的简单代码示例：

usecandle::prelude::*;fnmain(){letmut model =MlpBuilder::new(vec![784,128,64,10]).with_activation(Activation::Relu).build();let dataset =mnist::load_dataset();let optimizer =AdamOptimizer::new(0.001);for epoch in0..10{letmut loss =0.0;for(inputs, targets)in dataset.train_iter().batched(128){let outputs = model.forward(&inputs);
            loss += model.loss(&outputs,&targets);
            model.backward(&outputs,&targets);
            optimizer.update(&mut model);}println!("Epoch {}: Loss = {}", epoch, loss);}}

Candle

的简单性源于其专注于深度学习模型的方法，牺牲了一些灵活性来提高性能。这使得它非常适合哪些优先以性能为优先考量的应用程序。

🍒Burn

一个相对全面的机器学习技术栈。

相比之下，

Burn 

的目标是用

Rust 

构建一个成熟的机器学习栈。它包含各种组件，包括数据加载、模型定义、训练、超参数优化等。同时采用自定义内核代码进行计算，提供对底层操作的更好控制。

以下是使用

Burn 

训练逻辑回归模型的示例

useburn::prelude::*;fnmain(){let dataset =Dataset::from_csv("data.csv")?;let model =LogisticRegression::new(dataset.num_features());let optimizer =GradientDescent::new(0.01);letmut history = optimizer.fit(&dataset,&model,100)?;println!("Training loss: {}", history.losses().last().unwrap());}

Burn 

的综合性使开发人员能够在

Rust 

生态系统中利用各种机器学习技术。然而，与

Candle 

等更专业的框架相比，这种更广泛的范围可能会降低性能。这并不难理解，他们的定位不同，一个追求特定领域的专注，另一个则是主导全面的学习栈。

📉简单对比

虽然 Candle 和 Burn 都是用 Rust 编写的，但它们的设计目标和方法有所不同。

• Candle 主要专注于深度学习模型，而 Burn 则提供更全面的 ML 技术栈。
• Candle 利用现有的高性能库，能为深度学习任务提供更好的计算效率。
• Burn 允许更大的灵活性和对 ML 的控制，但可能会牺牲一些性能。
• Burn 的目标是在 Rust 中提供更完整的机器学习生态系统，而 Candle 的范围定义相对较小。

尽管存在差异，但这两个框架都具有

Rust 

的安全性、性能和并发功能的优点，这使得它们对于具有严格要求的 ML 应用程序来说是非常不错的选择。

🎊选择建议

• 如果您的主要关注点是高性能深度学习模型和部署，那么 Candle 的专业方法可能更合适。但是，如果您需要具有更大灵活性的全面 ML 堆栈，Burn 可能是更好的选择。
• 如果优先考虑计算效率或自定义和扩展 ML 的能力。 Burn 是个不错的选择。
• 与 Burn 更广泛的功能集相比，Candle 的简约 API 的学习曲线更加平缓，特别是如果您不熟悉 Rust 或 ML的情况下。
• 如果你的项目涉及与现有 Rust 代码库集成或利用其他 Rust 库，Burn 的综合性可能会更有优势。
• 当然，如果你足够熟悉，也可以综合对两个框架进行组合使用。

💻总结

Candle 

和

Burn 

代表了

Rust 

生态系统在机器学习和人工智能方面令人兴奋的发展。

Candle 

为深度学习任务提供了简单性和高性能，而

Burn 

则提供了更全面的

ML 

堆栈和更大的灵活性。

• Candle
• Burn