摘要
Burn 是一个基于 Rust 的张量库与深度学习框架，强调在训练与推理一体化流程中兼顾灵活性、效率与跨平台可移植性。项目通过可组合的后端架构覆盖 CUDA、ROCm、Metal、Vulkan、WebGPU、NdArray、LibTorch 等运行路径，并提供 ONNX 导入、PyTorch/Safetensors 权重加载、训练监控和较完整的示例体系。当前项目仍处于活跃迭代阶段，存在破坏性变更风险，落地时需要关注版本兼容和后端特定配置。
功能与定位
Burn 面向 Rust 生态中的深度学习与数值计算场景，定位为“张量库 + 深度学习框架”的统一基础设施。它的目标是在不牺牲模型开发灵活性的前提下，提供较高执行效率与跨硬件可移植能力。
典型使用场景
- 在同一工程内完成模型训练、评估、推理与部署。
- 需要跨后端运行同一模型代码的项目，例如在云端训练后部署到不同硬件环境。
- 需要 WebAssembly 浏览器推理或嵌入式
no_std场景的 Rust 应用。 - 基于仓库示例快速构建文本分类、文本生成、MNIST、自定义数据集与自定义训练循环任务。
核心功能
- 多后端支持：GPU 后端覆盖 CUDA、ROCm、Metal、Vulkan、WebGPU、LibTorch；CPU 后端覆盖 CubeCL CPU、NdArray、LibTorch。
- 后端可组合架构：核心代码围绕
Backendtrait 泛型化，可通过装饰器模式叠加自动微分、融合、路由、远程执行等能力。 - 模型互操作：通过
burn-onnx导入 ONNX；支持导入 PyTorch 与 Safetensors 权重。 - 训练可观测性：提供终端 UI 训练仪表盘用于实时监控训练过程。
- 文档与示例体系：Burn Book 提供从入门到高级主题路径，仓库提供多个可运行示例。
特色与差异点
- Rust 原生实现，强调类型系统与泛型能力在性能和工程一致性上的收益。
- 训练与推理流程衔接紧密，减少从实验到部署时的工具链切换。
- 在单一框架内同时覆盖桌面/服务器 GPU、CPU、浏览器与部分嵌入式场景。
使用方式概览
- 先准备 Rust 与 Cargo 环境。
- 新建项目后添加依赖，例如使用
cargo add burn --features wgpu启用指定后端。 - 结合 Burn Book 的基础工作流与仓库 examples 逐步扩展到自定义训练循环、数据处理与部署场景。
限制与注意事项
- 项目处于 active development，官方明确提示可能存在 breaking changes。
no_std当前仅明确支持 NdArray 后端。- 在部分
wgpu场景下，可能需要设置#![recursion_limit = "256"]以规避编译递归深度问题。
链接
- https://github.com/tracel-ai/burn
- https://github.com/tracel-ai/burn/blob/main/README.md
- https://burn.dev/books/burn/
- https://burn.dev/docs/burn
- https://github.com/tracel-ai/burn/blob/main/burn-book/src/getting-started.md