AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
用 Rust 编写的张量库和深度学习框架,训练与推理共用同一份代码。
Burn 是一个用 Rust 实现的张量库和深度学习框架,覆盖数值计算、训练和推理。它把训练和部署统一到同一套 API 上,避免先训练再导出 ONNX 等格式的转换环节。它保留 PyTorch 式的动态形状和图,同时对张量操作流做 JIT 编译和自动算子融合。
推荐指数
适合想用 Rust 做端到端训练与部署的团队,生态仍在成长中。
近 7 天
+35
新增 Star
总 Star 排名
#439
雷达追踪的 3,958 个 AI 仓库中
创建于
2022
2022年7月19日
核心亮点
1训练推理统一
训练代码可直接用于生产推理,无需导出模型。
2多后端支持
通过 CubeCL 支持 CUDA、ROCm、Metal、Vulkan、WebGPU 和 CPU。
3自动算子融合
JIT 编译张量操作流,兼顾动态图的灵活性与性能。
4编译反馈快
围绕增量编译设计,改模型代码可在 5 秒内重编译。
5开源生态
配套 ONNX 导入、权重存储、视觉、强化学习、数据集等组件。
适用场景
端侧个性化与联邦学习
例如:在设备上直接用训练代码做本地微调,不必另建推理管线。
Rust 项目内嵌推理
例如:把训练好的模型作为 Rust 库集成进服务或客户端。
跨平台部署
例如:同一模型分别跑在 WebGPU 浏览器、Metal 和 CUDA 上。
研究与原型
例如:用接近 PyTorch 的写法快速试验模型结构。
它是怎么工作的
第 1 步
定义模型
用 Rust 代码描述网络结构和前向计算。
第 2 步
选择后端
按目标平台选用 CUDA、Metal、WebGPU 或 CPU 等后端。
第 3 步
JIT 编译融合
运行时编译张量操作流并自动融合算子。
第 4 步
训练或推理
同一份代码执行训练,也可直接用于部署推理。
快速上手
- 1
安装 Rust
需要 Rust 1.95 或更高版本。
- 2
添加依赖
在 Cargo 项目中引入 burn crate。
cargo add burn - 3
参考文档
按官方文档和示例搭建第一个模型。
适合谁
- 使用 Rust 的开发者
- 需要训练与部署统一代码的团队
- 关注端侧或跨平台推理的项目
不太适合
- 依赖 Python 生态和现成脚本的研究者
- 需要大量成熟预训练模型即取即用的团队
成熟度
- 活跃度最近提交在 2026 年 11 月,仍在持续开发。
- 文档有独立文档站点和示例,README 信息较完整。
- 社区约 1.6 万 star、1100 多 fork,有 Discord 社区。
- 上手难度需要 Rust 基础,后端配置有一定门槛。
同类项目怎么选
- tch-rslibtorch 的 Rust 绑定,依赖 PyTorch C++ 库,而非纯 Rust 实现。
- candleHugging Face 的 Rust 推理框架,更偏推理场景。
- dfdx另一个 Rust 深度学习库,后端与生态规模不同。
使用前注意
- · README 标注 MIT/Apache-2.0,仓库元数据为 Apache-2.0,使用前确认许可。
- · 需要 Rust 1.95 及以上版本。
- · 不同后端支持的能力不同,例如 Flex CPU 后端只支持自动微分。
- · Rust 深度学习生态相对 Python 仍较新,现成模型和资料较少。
