Deep Learning with Rust
Mehrdad Maleki
- Editorial
- Apress
- Año
- 2026
- Páginas
- ~192
- Nivel
- Intermedio
De qué trata
Obra pionera que explora el cruce entre el aprendizaje profundo y la programación de sistemas mediante el lenguaje Rust, aprovechando su modelo de seguridad en memoria y concurrencia sin carreras para crear arquitecturas de redes neuronales de alto rendimiento. Publicada a inicios de 2026 por Apress, se fundamenta en las versiones modernas de Rust y en las crates de su creciente ecosistema de computación tensorial e inteligencia artificial. Está pensada para programadores con experiencia previa en Rust, C++, Java o Python, así como para profesionales de IA que buscan escapar de los cuellos de botella de consumo de recursos y latencia del entorno de ejecución de Python en escenarios de misión crítica.
El contenido inicia con una introducción a la sintaxis y modismos de Rust esenciales para profesionales de IA (sistema de tipos fuerte, propiedad, préstamos y ausencia de recolector de basura). Detalla la construcción de bloques fundamentales de redes neuronales: tensores, inicialización de pesos, funciones de activación, propagación hacia adelante y diferenciación para retropropagación, maximizando el paralelismo con las capacidades de concurrencia segura de Rust. Avanza hacia la implementación de redes neuronales convolucionales (CNN) para visión por computadora, redes recurrentes (RNN) para análisis secuencial y de audio, así como modelos generativos (GAN) y arquitecturas Transformer para procesamiento de lenguaje natural (NLP), examinando el uso de crates como ndarray y librerías de enlace con tensores.
La propuesta práctica permite construir componentes neuronales de bajo nivel y desarrollar pipelines de entrenamiento e inferencia multihilo aplicados a reconocimiento visual, procesamiento de texto y audio. Su gran contribución es demostrar cómo implementar redes eficientes y fiables que no sufran de fugas de memoria ni sobrecostes en tiempo de ejecución, prescindiendo de los envoltorios pesados de Python. Con una extensión concisa inferior a las 200 páginas, el libro prioriza la arquitectura idiomática y los conceptos clave por encima de grandes proyectos monolíticos, por lo que es conveniente contar con conocimientos matemáticos previos sobre el funcionamiento de las redes neuronales.
- Rust
- Deep Learning
- Concurrencia segura
- Sistema de tipos
- Redes neuronales
- CNN
- RNN
- Transformers
- GAN
- Visión por computadora
- Procesamiento de Lenguaje Natural
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Motor de tensores y red neuronal convolucional en Rust
Construcción e inferencia de una red convolucional (CNN) para tareas de visión por computadora implementada en Rust, aprovechando la gestión de memoria sin recolector de basura y concurrencia segura para acelerar las operaciones tensoriales.
Pipeline concurrente de inferencia para procesamiento de texto con Transformers
Implementación en Rust de un flujo de evaluación para modelos basados en Transformers y redes secuenciales, optimizado mediante paralelismo multihilo sin condiciones de carrera.
