Rust对于深度学习的主要优势在于其独特的抽象方法。Rust提供了更多的潜力,允许在各种抽象规模上进行各种应用。
与其他编程语言相比,Rust是将零成本抽象推向最远的语言,这意味着在语言中构建抽象没有性能成本。
部署:使用 Rust,构建、测试和部署代码非常容易。Cargo,Rust 包管理器,你所有依赖项都将被下载、编译并链接到一个针对你选择的平台的可执行文件中。无需运行时,所有依赖版本和兼容性问题都已为你解决。同样在深度学习中,无需额外努力即可将新模型部署到世界中。优化推理管道的创建应该是自动化的,无需使模型适应特定的运行时。
灵活性:对深度学习的需求不仅取决于部署的难易程度,还取决于发明、创造和发现新技术的难易程度。为此,深度学习框架需要非常灵活,这是由高级抽象实现的,Rust 提供了它们。此外,Rust 还支持安全的并发编程,这可以允许创建异步和稀疏的神经架构,从而有可能使模型能够更有效地扩展。
当今,提高深度学习系统性能的唯一方法几乎是利用由低级例程执行的操作。这限制了 for 循环和其他编程语言结构的使用,限制了灵活性。拥有一种可用于所有抽象级别的高性能语言可以实现更多创新,让研究人员和工程师能够在深度学习堆栈的每个部分协作和研究新的解决方案。
Rust将有机会成为深度学习的首选语言,尽管最初进入门槛很高,也相信人们可以克服它并学习新概念。Rust 有能力以新的和令人兴奋的方式将研究人员和工程师聚集在一起,突破可能的界限。