tracel-ai GitHub avatar

burn

Rust
Rust 深度学习框架 Burntracel-ai最近推送 2026年11月19日
训练与微调Apache-2.016.3k1,132223 issues7 天 +35

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

4.0

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

  1. 第 1 步

    定义模型

    用 Rust 代码描述网络结构和前向计算。

  2. 第 2 步

    选择后端

    按目标平台选用 CUDA、Metal、WebGPU 或 CPU 等后端。

  3. 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。

  4. 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. 1

    安装 Rust

    需要 Rust 1.95 或更高版本。

  2. 2

    添加依赖

    在 Cargo 项目中引入 burn crate。

    cargo add burn
  3. 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。

主题标签

autodiffdeep-learningmachine-learningrustscientific-computingndarraytensorneural-networkpytorchcross-platformkernel-fusiononnxwasmwebgpucudametalrocmvulkan