Framework de deep learning para Python que ofrece operaciones con tensores aceleradas por GPU y redes neuronales dinámicas basadas en autograd.
104,9 mil32,4 milPythonOtherActualizado hace 11 horas
tracel-ai/burn
Biblioteca de tensores y framework de deep learning en Rust para entrenamiento e inferencia con backends CUDA, ROCm, Metal, Vulkan, WebGPU y CPU.
Alternativa open source a:PyTorch
- Estrellas
- 16,144
- Forks
- 1,106
- Issues abiertos
- 173
- Último commit
- hace 12 horas
¿Qué es?
Burn es una biblioteca de tensores y un framework de deep learning escrito en Rust. Su objetivo es usar una sola base de código para el entrenamiento y el despliegue, de modo que un modelo entrenado con su API use el mismo código en producción, en lugar de exportarse a un runtime independiente. Mantiene un estilo de programación dinámico similar al de PyTorch, mientras compila operaciones con tensores mediante JIT y realiza la fusión automática de kernels.
El framework admite varios backends que se pueden intercambiar sin modificar el código del modelo, incluidos CUDA, ROCm, Metal, Vulkan y WebGPU a través de la capa de cómputo CubeCL, además de un backend de CPU escrito íntegramente en Rust (Flex), compatible también con Wasm y objetivos no_std. Autodiff, la fusión de kernels y la ejecución remota se implementan como decoradores de backend. Se pueden importar pesos de modelos en formatos ONNX, PyTorch y Safetensors, y un panel en la terminal muestra métricas de entrenamiento.
El proyecto está en desarrollo activo y presenta cambios incompatibles entre versiones. Su ecosistema incluye crates para visión por computadora, aprendizaje por refuerzo, conjuntos de datos y benchmarking.
Funciones clave
- 01Una sola API para tensores y módulos compatible con backends CUDA, ROCm, Metal, Vulkan, WebGPU y CPU.
- 02Fusión automática de kernels y autodiff implementados como decoradores de backend.
- 03Importa modelos ONNX como código nativo de Rust y carga pesos de PyTorch y Safetensors.
- 04Panel de entrenamiento en la terminal para supervisar métricas y checkpoints.
- 05Backend de CPU Flex compatible con no_std y WebAssembly.
- 06Modo de ejecución remota para ejecutar operaciones con tensores en un servidor (beta).
Casos de uso
- Entrenar un modelo en Rust y desplegar el mismo código en servidores, navegadores o dispositivos integrados.
- Ejecutar modelos entrenados con ONNX o PyTorch dentro de una aplicación Rust.
- Ejecutar inferencia en el navegador con WebGPU o WebAssembly.
- Experimentar con deep learning en Rust con compilaciones incrementales rápidas.
Antes de usarlo
- El backend de LibTorch quedó obsoleto en la versión 0.22.0 y se eliminó de main, por lo que ahora la aceleración por GPU depende de los backends de CubeCL.
- Cada backend de GPU solo funciona con determinadas combinaciones de proveedor y API, tal como se indica en la matriz de compatibilidad del README.
Temas
Preguntas frecuentes
- ¿Qué es burn?
- Biblioteca de tensores y framework de deep learning en Rust para entrenamiento e inferencia con backends CUDA, ROCm, Metal, Vulkan, WebGPU y CPU. Burn es una biblioteca de tensores y un framework de deep learning escrito en Rust. Su objetivo es usar una sola base de código para el entrenamiento y el despliegue, de modo que un modelo entrenado con su API use el mismo código en producción, en lugar de exportarse a un runtime independiente. Mantiene un estilo de programación dinámico similar al de PyTorch, mientras compila operaciones con tensores mediante JIT y realiza la fusión automática de kernels.
- ¿burn es gratuito? ¿Qué licencia tiene?
- burn es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿burn sigue mantenido?
- Mantenimiento activo. El último commit de burn fue el 21 oct 2026.
- ¿Para qué puedo usar burn?
- Entrenar un modelo en Rust y desplegar el mismo código en servidores, navegadores o dispositivos integrados. Ejecutar modelos entrenados con ONNX o PyTorch dentro de una aplicación Rust. Ejecutar inferencia en el navegador con WebGPU o WebAssembly. Experimentar con deep learning en Rust con compilaciones incrementales rápidas.
- ¿Dónde consigo burn?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/tracel-ai/burn
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Un framework minimalista de deep learning con una API de tensores similar a PyTorch, autograd, un compilador y compatibilidad con numerosos aceleradores.
33,8 mil4,4 milPythonMITActualizado ayer
Plataforma open source integral para crear e implementar modelos de machine learning, con API para Python y C++.
201,2 mil79,8 milC++Apache-2.0Actualizado ayer
Visor de modelos de redes neuronales, deep learning y machine learning, compatible con ONNX, TensorFlow, PyTorch, Core ML y muchos otros formatos.
33,6 mil3,2 milJavaScriptMITActualizado hace 3 días
Un framework abierto de compilación de machine learning que permite personalizar pipelines de compilación en Python y desplegar modelos en distintos tipos de hardware.
13,9 mil4 milPythonApache-2.0Actualizado hace 13 horas
Framework de machine learning y matemáticas para Go, con entrenamiento acelerado por XLA, backend puro en Go y carga de modelos de HuggingFace.
1,7 mil84GoApache-2.0Actualizado hace 7 días