Машинное обучение на Rust: библиотеки для ML

Машинное обучение на Rust: современные библиотеки и инструменты

Язык Rust, известный своей производительностью и безопасностью памяти, активно входит в сферу машинного обучения (ML). Хотя экосистема ML на Rust моложе, чем на Python, она уже предлагает зрелые решения для построения, обучения и развертывания моделей. В этой статье мы рассмотрим ключевые библиотеки, которые позволяют решать задачи машинного обучения на Rust, и приведем практические примеры.

Почему Rust для машинного обучения?

Rust предоставляет уникальные преимущества:

Производительность: Компилируемый код на Rust сравним по скорости с C/C++, что критично для обучения больших моделей.
Безопасность: Система владения (ownership) и заимствования (borrowing) исключает целые классы ошибок (data races, null pointers).
Кроссплатформенность: Легко компилируется под WebAssembly, мобильные устройства и встраиваемые системы.
Интеграция с Python: Можно писать высокопроизводительные модули на Rust и вызывать их из Python через PyO3.

Основные библиотеки для ML на Rust

1. Linfa — швейцарский нож ML

Linfa — это аналог scikit-learn для Rust. Она предоставляет унифицированный интерфейс для стандартных алгоритмов. Поддерживает:

Линейную и логистическую регрессию
Метод опорных векторов (SVM)
Кластеризацию (K-Means, DBSCAN)
Методы понижения размерности (PCA)
Деревья решений и случайный лес

Пример линейной регрессии с Linfa:

use linfa::prelude::*;
use linfa_linear::LinearRegression;
use ndarray::Array2;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    // Создаем синтетические данные: 100 точек, 3 признака
    let x = Array2::random((100, 3), rand::distributions::Uniform::new(-1.0, 1.0));
    let true_weights = arr2(&[[2.0], [-1.0], [0.5]]);
    let y = x.dot(&true_weights) + 0.1; // добавляем шум

    let dataset = Dataset::new(x, y);
    
    // Обучаем модель
    let model = LinearRegression::default().fit(&dataset)?;
    
    // Коэффициенты модели
    println!("Веса: {:?}", model.params());
    
    // Предсказание
    let predicted = model.predict(&dataset);
    println!("MSE: {:?}", predicted.mean_squared_error(&dataset)?);
    
    Ok(())
}

2. Burn — современный фреймворк для глубокого обучения

Burn — это гибкий фреймворк для нейронных сетей, написанный полностью на Rust. Его особенности:

Поддержка GPU (CUDA, Vulkan, Metal, WebGPU)
Автоматическое дифференцирование (autograd)
Гибкая система бэкендов (torch, ndarray, wgpu)
Динамические графы вычислений
Экспорт в ONNX

Пример простой нейронной сети на Burn:

use burn::tensor::{Tensor, backend::Backend};
use burn::nn::{Linear, Relu, Sequential};

// Определяем архитектуру сети
struct MyModel<B: Backend> {
    linear1: Linear<B>,
    linear2: Linear<B>,
    activation: Relu,
}

impl<B: Backend> MyModel<B> {
    fn new(device: &B::Device) -> Self {
        Self {
            linear1: Linear::new(784, 256, device),
            linear2: Linear::new(256, 10, device),
            activation: Relu::new(),
        }
    }
    
    fn forward(&self, input: Tensor<B, 2>) -> Tensor<B, 2> {
        let x = self.linear1.forward(input);
        let x = self.activation.forward(x);
        self.linear2.forward(x)
    }
}

fn main() {
    // Используем бэкенд на CPU (ndarray)
    type MyBackend = burn::backend::NdArray;
    let device = Default::default();
    
    let model = MyModel::<MyBackend>::new(&device);
    let input = Tensor::<MyBackend, 2>::random([1, 784], burn::tensor::Distribution::Normal(0.0, 1.0), &device);
    
    let output = model.forward(input);
    println!("Output shape: {:?}", output.shape());
}