纯Rust编写的机器学习框架Neuronika，速度堪比PyTorch

这是一个用 Rust 编写的机器学习框架，与 PyTorch 类似，现已实现最常见的层组件（dense 层、dropout 层等），速度堪比 PyTorch。

Rust 作为一门系统编程语言，专注于安全，尤其是并发安全，支持函数式和命令式以及泛型等编程范式的多范式语言，其语法上与 C++ 类似。

随着 Rust 语言热度的强劲增长，也有许多研究者探索 Rust 在机器学习等方面的研究。近日，有研究者用 Rust 编写了一个机器学习框架 Neuronika。

Neuronika 是由 Francesco Iannelli 等人开发，他们现在是计算机科学的硕士生。该框架提供了自动分化和动态神经网络，非常像 Pytorch。目前已经实现了最常见的层组件，如 dense 层、dropout 层、GRU、LSTM 和 1d-2d-3d CNN，然而，缺少池化层等等。Neuronika 还提供了损失函数、优化器、计算图、张量和数据实用程序。

速度方面，项目作者表示 Neuronika 的表现可与 PyTorch 媲美。你可以对它进行基准测试。但目前还不能支持 GPU。想要进行基准测试，可以参考测试文档。

测试文档地址：https://docs.rs/neuronika/0.1.0/neuronika/

项目地址：https://github.com/neuronika/neuronika

对于该机器学习框架，网友直呼非常棒！

对于还不能支持 GPU，有网友支招：「对于 GPU 支持，可考虑 Vulkan 计算着色器。事实证明，它们的性能非常好，而且几乎所有的 GPU 平台都支持它，包括智能手机和浏览器。」

还有网友表示担心，「如果不支持 GPU，能训练出可用的模型吗？现在关于机器学习的文章，他们都在谈论更大、更昂贵的 GPU。」对于这一担心，项目作者表示：「这取决于用例。当然，GPU 支持是当今必须的，我们认为它是我们框架的开发的一个重大里程碑。」

项目介绍

Neuronika 是用纯 Rust 语言编写的机器学习框架，其构建重点在于易用性、快速原型开发和高效性能。

Neuronika 的核心机制是一种叫做反向模式自动分化机制（ reverse-mode automatic differentiation），这种机制允许用户在改变动态神经网络时可以轻松实现，没有任何开销，可通过 API 运行。

Rust 语言提供了一个直观、轻巧且易于使用的界面，同时实现了令人难以置信的性能。

以下 crate 特征 flag 可用，配置 ndarray 后端：

• serialize：可以序列化支持 serde 1.x。
• blas：为矩阵乘法提供透明的 BLAS 支持。将 blas-src 用于 pluggable 后端，需要单独配置。
• matrixmultiply-threading：启用 matrixmultiply 包中的 threading 特性。

目前，Neuronika 的开发处于初始阶段，但其发展迅速。研究者还在不断的开发该项目，从一个版本到另一个版本的转换过程中，预计会有突破性的变化。如果可能的话，研究者会采用最新的、稳定的 Rust 特征来开发。

参考链接：https://www.reddit.com/r/rust/comments/o0actf/announcing_neuronika_010_a_deep_learning/