Rust 从 PyTorch 到 Burn

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