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：

use candle::prelude::*;
fn main() {
    let mut 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 in 0..10 {
        let mut 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

use burn::prelude::*;
fn main() {
    let dataset = Dataset::from_csv("data.csv")?;
    let model = LogisticRegression::new(dataset.num_features());
    let optimizer = GradientDescent::new(0.01);
    let mut 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