|
机器之心报道
编辑：陈萍
这是一个用 Rust 编写的机器学习框架，与 PyTorch 相似，现已完成最常见的层组件（dense 层、dropout 层等），速度堪比 PyTorch。
Rust 作为一门系统编程言语，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言语，其语法上与 C++ 相似。
随着 Rust 言语热度的微弱增长，也有许多研讨者探求 Rust 在机器学习等方面的研讨。近日，有研讨者用 Rust 编写了一个机器学习框架 Neuronika。
Neuronika 是由 Francesco Iannelli 等人开发，他们如今是计算机迷信的硕士生。该框架提供了自动分化和动态神经网络，非常像 Pytorch。目前曾经完成了最常见的层组件，如 dense 层、dropout 层、GRU、LSTM 和 1d-2d-3d CNN，但是，短少池化层等等。Neuronika 还提供了损失函数、优化器、计算图、张量和数据适用程序。
速度方面，项目作者表示 Neuronika 的表现可与 PyTorch 媲美。你可以对它停止基准测试。但目前还不能支持 GPU。想要停止基准测试，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，可思索 Vulkan 计算着色器。理想证明，它们的功能非常好，而且几乎一切的 GPU 平台都支持它，包括智能手机和阅读器。」
还有网友表示担心，「假如不支持 GPU，能训练出可用的模型吗？如今关于机器学习的文章，他们都在议论更大、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，我们以为它是我们框架的开发的一个严重里程碑。」
项目引见
Neuronika 是用纯 Rust 言语编写的机器学习框架，其构建重点在于易用性、疾速原型开发和高效功能。
Neuronika 的核心机制是一种叫做反向形式自动分化机制（ 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完成，没有任何开支，可经过 API 运转。
Rust 言语提供了一个直观、轻巧且易于运用的界面，同时完成了令人难以置信的功能。
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，需求单独配置。
- 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。研讨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，估计会有打破性的变化。假如能够的话，研讨者会采用最新的、波动的 Rust 特征来开发。
参考链接：
https://www.reddit.com/r/rust/comments/o0actf/announcing_neuronika_010_a_deep_learning/ | 
