1. ما هو Burn ولماذا تستخدمه؟

Burn هو إطار عمل حديث للتعلم العميق (Deep Learning) مكتوب بلغة Rust. يوفر مجموعة كاملة من الأدوات لبناء وتدريب ونشر الشبكات العصبية، مع التركيز على الأداء العالي، أمان الذاكرة، والمرونة. على عكس الأطر التقليدية مثل PyTorch أو TensorFlow، يستفيد Burn من جميع مزايا Rust: تكلفة صفرية للتجريدات (zero-cost abstractions)، ضمانات الأمان في وقت الترجمة، وغياب جامع القمامة (garbage collector). هذا يجعله الخيار الأمثل للأنظمة التي تتطلب أداءً يمكن التنبؤ به واستهلاكًا منخفضًا للموارد، مثل الروبوتات، الأنظمة المضمنة، الخوادم عالية التحميل، وأجهزة الحافة (edge devices).

يقدم Burn بنية فريدة تعتمد على مفهوم "الحياد الخلفي" (backend-neutrality). وهذا يعني أن نفس الكود يمكن تشغيله على المعالج المركزي (CPU) عبر محرك الموترات الخاص به، أو على معالج الرسوميات (GPU) عبر CUDA/WGPU، وفي المستقبل على مسرعات متخصصة. يدعم الإطار التفاضل التلقائي (automatic differentiation)، المحسنات (Adam, SGD, AdamW)، دوال الخسارة، الطبقات (Linear, Conv2d, BatchNorm, Dropout وغيرها)، بالإضافة إلى مجموعات البيانات المضمنة ومُحمل البيانات (DataLoader). الميزة الرئيسية هي القدرة على تجميع النماذج في مكتبات ثابتة للنشر دون الاعتماد على Python أو بيئة تشغيل CUDA.

لماذا تستخدم Burn؟ أولاً، للمشاريع التي تتطلب أقصى أداء وتحكمًا في الذاكرة. ثانيًا، لبناء حلول متعددة المنصات تعمل على CPU وGPU وحتى WebAssembly. ثالثًا، لنشر النماذج بأمان في بيئات الإنتاج حيث لا يُسمح بأخطاء وقت التشغيل (مثل المؤشر الفارغ أو عدم تطابق النوع). يتم تطوير Burn بنشاط من قبل المجتمع ويُستخدم بالفعل في مجالات مثل الرؤية الحاسوبية، معالجة اللغة الطبيعية، أنظمة التوصية، والتعلم المعزز.

2. التثبيت

لتثبيت Burn، تحتاج إلى Rust (يُوصى بالإصدار 1.75 أو أحدث). إذا لم يكن Rust مثبتًا لديك، استخدم rustup.

أنشئ مشروعًا جديدًا وأضف التبعيات في ملف Cargo.toml:

cargo new my_burn_project
cd my_burn_project

أضف إلى Cargo.toml:

[dependencies]
burn = { version = "0.15", features = ["ndarray"] }  # للمعالج المركزي (CPU)
# أو لمعالج الرسوميات (CUDA):
# burn = { version = "0.15", features = ["cuda"] }
# أو لـ WGPU (GPU عبر المنصات):
# burn = { version = "0.15", features = ["wgpu"] }

ثم نفذ الأمر التالي:

cargo build

للعمل مع CUDA، ستحتاج إلى تثبيت CUDA Toolkit الإصدار 11.x أو 12.x. أما لـ WGPU، فستحتاج إلى Vulkan أو Metal أو DirectX 12 (حسب نظام التشغيل).

3. البداية السريعة — مثال عملي مصغر

لنقم ببناء شبكة عصبية بسيطة لمهمة الانحدار (regression) على بيانات اصطناعية. يوضح هذا المثال الخطوات الأساسية: تعريف النموذج، إنشاء البيانات، التدريب، والاستنتاج (inference).

use burn::{
    module::Module,
    nn::{Linear, Relu},
    tensor::{backend::Backend, Tensor},
    train::{Adam, Learner},
    data::dataloader::DataLoaderBuilder,
};

// تعريف هيكل النموذج
#[derive(Module, Debug)]
struct MyModel {
    linear1: Linear,
    linear2: Linear,
    activation: Relu,
}

impl MyModel {
    fn new() -> Self {
        Self {
            linear1: Linear::new(1, 16),
            linear2: Linear::new(16, 1),
            activation: Relu::new(),
        }
    }

    fn forward(&self, input: Tensor) -> Tensor {
        let x = self.linear1.forward(input);
        let x = self.activation.forward(x);
        se