Repolode
投稿する
tracel-ai

tracel-ai/burn

CUDA、ROCm、Metal、Vulkan、WebGPU、CPUバックエンドでの学習と推論に対応した、Rust製テンソルライブラリ兼ディープラーニングフレームワーク。

代替できる製品:PyTorch

GitHub で見る公式サイト
スター
16,144
フォーク
1,106
未解決の Issue
173
最終コミット
14 時間前

これは何？

BurnはRustで書かれたテンソルライブラリ兼ディープラーニングフレームワークです。学習からデプロイまで同じコードベースで行うことを目指しており、APIを使って学習したモデルを別のランタイム向けにエクスポートするのではなく、本番環境でも同じコードで実行できます。PyTorchのような動的なプログラミングスタイルを保ちながら、テンソル演算をJITコンパイルし、カーネルを自動的に融合します。

複数のバックエンドに対応しており、モデルのコードを変更せずに切り替えられます。CubeCL計算レイヤーを通じたCUDA、ROCm、Metal、Vulkan、WebGPUに加え、Wasmおよびno_stdターゲットでも動作する純Rust製CPUバックエンド（Flex）を利用できます。自動微分、カーネル融合、リモート実行はバックエンドデコレーターとして実装されています。モデルの重みはONNX、PyTorch、Safetensors形式からインポートでき、ターミナルダッシュボードで学習メトリクスを確認できます。

プロジェクトは活発に開発されており、バージョン間で破壊的変更が行われます。エコシステムには、コンピュータビジョン、強化学習、データセット、ベンチマーク向けのcrateが含まれています。

主な機能

  • 01CUDA、ROCm、Metal、Vulkan、WebGPU、CPUバックエンドで共通して使えるテンソルおよびモジュールAPI。
  • 02バックエンドデコレーターとして実装された、カーネルの自動融合と自動微分。
  • 03ONNXモデルをネイティブなRustコードとしてインポートし、PyTorchおよびSafetensorsの重みを読み込みます。
  • 04メトリクスやチェックポイントを監視できる、ターミナル上の学習ダッシュボード。
  • 05no_stdとWebAssemblyに対応したFlex CPUバックエンド。
  • 06サーバー上でテンソル演算を実行するリモート実行モード（ベータ版）。

ユースケース

  • Rustでモデルを学習し、同じコードをサーバー、ブラウザー、組み込みデバイスにデプロイする。
  • ONNXまたはPyTorchで学習したモデルをRustアプリケーション内で実行する。
  • WebGPUまたはWebAssemblyを使ってブラウザー上で推論を実行する。
  • 高速なインクリメンタルコンパイルを活用しながら、Rustでディープラーニングを試す。

使う前に知っておきたいこと

  • LibTorchバックエンドは0.22.0で非推奨となり、mainから削除されたため、現在のGPUアクセラレーションはCubeCLバックエンドに依存します。
  • 各GPUバックエンドは、READMEのサポートマトリックスに記載されている特定のベンダーとAPIの組み合わせでのみ動作します。

トピック

#deep-learning#rust#tensor#machine-learning#gpu#webgpu#onnx#neural-network#autodiff#cross-platform

よくある質問

burn とは？
CUDA、ROCm、Metal、Vulkan、WebGPU、CPUバックエンドでの学習と推論に対応した、Rust製テンソルライブラリ兼ディープラーニングフレームワーク。 BurnはRustで書かれたテンソルライブラリ兼ディープラーニングフレームワークです。学習からデプロイまで同じコードベースで行うことを目指しており、APIを使って学習したモデルを別のランタイム向けにエクスポートするのではなく、本番環境でも同じコードで実行できます。PyTorchのような動的なプログラミングスタイルを保ちながら、テンソル演算をJITコンパイルし、カーネルを自動的に融合します。
burn は無料で使えますか？ライセンスは？
burn は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。
burn は今もメンテナンスされていますか？
活発にメンテナンス中。burn の最終コミットは 2026年10月21日 です。
burn は何に使えますか？
Rustでモデルを学習し、同じコードをサーバー、ブラウザー、組み込みデバイスにデプロイする。 ONNXまたはPyTorchで学習したモデルをRustアプリケーション内で実行する。 WebGPUまたはWebAssemblyを使ってブラウザー上で推論を実行する。 高速なインクリメンタルコンパイルを活用しながら、Rustでディープラーニングを試す。
burn はどこで入手できますか？
ソースコードとインストール手順は GitHub にあります：https://github.com/tracel-ai/burn

概要はプロジェクトの README をもとに AI が生成しています。GitHub の数値は毎日更新されます。

関連プロジェクト