本文主要是介绍Rust 从 PyTorch 到 Burn,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
一、性能轮盘赌
机器码相同,但放置在不同的地址上,性能可能截然不同。
作为软件开发人员,我们经常假设特定代码的性能仅由代码本身和运行它的硬件决定。这种假设让我们在优化代码以获得更好性能时感到有控制力。虽然在大多数情况下这种假设是正确的,但本文旨在探讨挑战这种控制观念的现象。此外,作者使用 Rust 编程语言提供一个沙盒来演示这种现象。
Performance Roulette: The Luck of Code Alignment:https://www.bazhenov.me/posts/2024-02-performance-roulette/
二、 从 PyTorch 到 Burn
如果你想要尝试在 Rust 程序中探索深度学习,但过去训练的模型都是使用 Python 编写的。Rust 深度学习框架 Burn,允许你轻松导入 PyTorch 的预训练模型权重,而无需从头开始。
在这个从 PyTorch 过渡到 Burn 的教程中,作者实现了流行的 ResNet 系列模型,用于图像分类,并导入了 ImageNet 预训练权重进行推理。
Transitioning From PyTorch to Burn: https://dev.to/laggui/transitioning-from-pytorch-to-burn-45m
GitHub - laggui/resnet-burn: https://github.com/laggui/resnet-burn
这篇关于Rust 从 PyTorch 到 Burn的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!