使用 Rust 进行实践机器学习

引言

《Practical Machine Learning with Rust》一书（作者：Joydeep Bhattacharjee，2020年出版，共304页）是一本罕见且宝贵的指南，它将两个强大的世界结合在一起：高性能系统语言 Rust 和现代机器学习。虽然 Python 在 ML 生态系统中占据主导地位，但 Rust 提供了安全的内存管理、接近 C/C++ 的速度以及出色的并行计算能力。这本书不仅仅是 Python 方法向 Rust 的简单移植，而是深入探讨了如何根据该语言的特点创建 ML 模型。

本书内容

作者循序渐进地引导读者从 Rust 基础（如果您是新手）到构建完整的神经网络和数据处理管道。本书分为几个逻辑模块：

• Rust 用于 ML 的基础知识： 简要但全面地介绍语法、所有权、借用和特质，这些是后续工作所必需的。
• 数据处理： 使用 ndarray、csv 和 serde 等 crate 进行数据加载、清洗和转换。
• 线性代数和统计学： 无需第三方库即可实现矩阵运算、计算指标（均值、方差、相关性）。
• 机器学习算法： 线性回归、逻辑回归、K-近邻、决策树——从头开始实现以及使用 rustlearn crate。
• 神经网络： 构建多层感知器、反向传播、使用 tch-rs crate（PyTorch 绑定）。
• 优化与并行： 使用 Rayon 进行并行数据处理，加速训练。
• 模型部署： 使用 actix-web 创建 REST API 并将模型集成到 Web 服务中。

本书适合谁

本书面向已经熟悉 Rust 的开发者（至少是基础水平），并希望将其应用于机器学习任务。它也对那些希望超越 Python 并掌控性能的 ML 工程师 很有用。Rust 新手应事先掌握至少《The Rust Programming Language》的内容，因为作者不会在基本结构上花费过多时间。

读者将学到什么

• 如何在 Rust 中高效地加载和处理大量数据。
• 如何在不依赖外部库的情况下实现经典的 ML 算法。
• 如何使用 ndarray、rustlearn、tch-rs 等 crate 构建模型。
• 如何通过多线程（Rayon）优化训练过程。
• 如何序列化模型并通过 Web 服务器将其部署到生产环境。
• 如何在处理矩阵时避免与所有权和借用相关的常见错误。

优势

1. 实践导向。 每章都包含可直接运行的完整代码。示例非常真实：从房价预测到图像分类。

2. 理论与实现之间的平衡。 作者对算法数学的解释恰到好处，让读者理解发生了什么，而不会陷入公式的泥潭。

3. 注重性能。 展示了 Rust 如何比 Python 更快地处理数据，尤其是在大型数据集上。

4. 现代技术栈。 使用了（截至 2020 年）最新版本的 crate，使得本书在稍作调整后至今仍适用。

5. 部署。 ML 书籍中罕见的话题——将模型打包成 Web 服务——得到了详细且高质量地阐述。

推荐给谁

本书对以下人群很有用：

• 希望扩展语言应用领域的 Rust 开发者。
• 希望