RUST 机器学习的现状

标签：现在   dml   nat   数学   一段   组合   语言   使用   社区   

https://main.run/p/121

每隔一段时间，这个话题就出现在社交媒体或Rust用户频道上。 我想简要介绍一下我所看到的事情的历史，以及有关机器学习/深度学习框架的现有变化以及最近的主要趋势的一些信息。

BRIEF HISTORY AND WHERE ARE WE NOW?

现有的 ML/DL 生态系统非常庞大，因为它们是高性能计算、数学优化、系统和编译器工程等的组合。 因此，为了简单起见，如果我们将ML划分为传统ML和DL(包括重叠)，然后我们可以看到 rusty-machine, rustlearn 和 leaf 。他们做了非常有趣和大胆的发展， 特别是当时的leaf 。最终，他们大多放弃了，因为创建一个完整的开源ML/DL框架需要大量的工作：

• 语言和库的支持 (稍后会介绍)
• 基本成熟的线性代数和统计学方面的库
• 一个由ML专家组成的社区，他们碰巧知道Rust并愿意做出贡献

主流的现有ML库(主要使用Python/Cython或c++)都是在这些支持下开发的，Rust也不例外。

语言和库的支持

之前，Gonzalo 列出了一份 HPC 清单，到目前为止，我可以说 Rust 通过语言（稳定/不稳定）特性和 crates 支持了其中大多数条目，希望到今年年底我们能看到越来越多的支持。 但是 constant-generics (更好的数组支持), 稳定的 std::simd 和 native GPU, async 等的支持仍在进行中。 一些变通方法和现有的解决方案是： generic-array (using typenum), packed simd, RustaCUDA。对于 MPI 有 MPI-binding，对于 OpenMP 有 rayon。

基本的线性代数

Are we learning yet? 正在跟踪这里领域的大部分信号，简单的在 crates.io 上搜索你会发现我们还有很多事要做，Rust 还没有能用于生产环境的。

感谢 bluss 发起了 ndarray 也感谢众多贡献者, ndarray 已经成为了 Rust 中的 numpy， 即基本的线性代数 crate (尽管还有很多工作要做)。注意，这是非常基本的，仅仅包含 BLAS/BLIS, LAPACK 等是不够的!

ndarray 已经成为了 Rust ML 生态系统的基础， 其他的在此基础上构建, 例如: ndarray-linalg, ndarray-stats。

社区

回顾过去，可以说人们或多或少的进行了 Rust ML 方面的实验。 我认为实验已经进入了最后阶段，一旦 Rust 推动当前的需求，如 const-generic, GAT, std::simd, GPU 的支持。 我认为社区正变得越来越大，考虑到前面提到的那些 crate 的作者和贡献者的共同努力，和 ML 专家和爱好者的数量已经接近了。在那儿，我们可以一起做一些有趣的事情，通过学习和评估现有的系统（特别是在 Python 中）来创建我们自己的 Rust 生态系统。我认为是时候创建一个 ML Working Group，或者至少是现在。如果你感兴趣，你可以加入 rust-ml 组看看事情会如何发展。

深度学习呢?

这是我最感兴趣的领域。DL 前沿将越来越多的精力投入到系统和编译器中，以便更好地进行计算、图级优化、微分(又称可微分编程)、高效的代码生成和内核生成等，在编译时。 主要的前沿领域有： TVM, tensorflow/swift, pytorch/glow (also pytorch with TVM backend)。因此，谈到Rust，所有这些努力都不容忽视。

因此，短期的解决方案是创建绑定。这就是 I did for TVM。基本上，我们可以使用任何 DL 框架（TensorFlow, PyTorch, MXNet）来训练（现在主要是视觉任务），或者使用 ONNX 桥接一些框架，然后在各种支持的硬件上使用 TVM 进行编译，为了进行推理，我们可以使用我们喜爱的 Rust。我还应该提到现有的绑定，比如 tensorflow/rust 和 tch-rs。 这些绑定的主要问题是它们是有限的。例如， tenorflow/rust 没有现在 Python 做具有的更高的抽象，而tch-rs 一点也不安全。

推理，特别是在边缘设备上的推理，是最热门的领域之一。 另一个使用 Rust 进行推理的非常有趣的项目是 tract， 它对 TF 和 ONNX 有很好的支持。 值得一提的是，谷歌的 TFLite，腾讯的 NCNN 和 FeatherCNN，小米的 MACE 和微软的 ELL 都在尝试推出自己的解决方案。但是坦率的说，他们任然局限于某些众所周知的任务，而且用于其他任务是非常痛苦的。

您可能会问，如何从头开始在Rust中创建DL框架？ 我想是的，首先阅读任何主要 DL 框架的源代码，并试图赶上编译器的开发。然后你会看到这些部分移动得很快，甚至还没有收敛到一个先对完整的解。虽然这可能是一个长期的解决方案，但我个人现在不感兴趣。

结语

我喜欢 Rust，主要有两个原因

• 它是由社区驱动的，并且通过保持社区的健康来提供以前所未有的解决方案，在这里，无自我规则和任何输入都是受欢迎的
• 社区，尤其是领导者的高情商，在我看来，这是富有成效的、持久的开源社区中最被忽视的凝聚力之一

我希望看到 Rust 在 ML/DL 领域蓬勃发展。还有一些方面缺少一个像样的 crates，比如 ML 类型工作负载的可视化 crate，但我觉得 Rust 能成。 我希望这篇文章能说明ML/DL的问题。 有关其他人的意见，请参阅 rust-ml discussion.

本文翻译自 State of Machine Learning in Rust。

RUST 机器学习的现状

标签：现在   dml   nat   数学   一段   组合   语言   使用   社区   

原文地址：https://www.cnblogs.com/dhcn/p/12851720.html