全栈 Crate 与 API 索引

按任务选择入口层

任务	首选 API	指南
编写 GPU Kernel	`ruda`、Kernel DSL、运行时客户端	编程指南
使用 typed tensor 与梯度	`ruda_tensor::api::Tensor`、`Autodiff<B>`	张量实用示例
选择张量执行目标	`Host`、`Cuda`、`Rocm`、`Wgpu`、Router、Remote	后端组合
调用领域算子	ruBLAS、ruDNN、ruPRIM 等领域库	计算库
构建和训练模型	`Module`、`ruda-nn`、`ruda-optim`	训练指南
半精度存储与 FP32 更新	`Module::to_dtype`、`Fp32MasterOptimizer`、`GradientsAccumulator::accumulate_with_dtype`	混合精度训练
保留混合存储与待累积梯度	`TrainingRecord::capture_with_dtypes`、`restore_with_dtypes`	训练状态
同步副本或对集合通信求导	`DataParallel`、`ruda_autodiff::collective`	分布式训练
加载样本或权重	`Dataset`、`DataLoaderBuilder`、`ModuleSnapshot`	数据与存储
运行本地模型推理	`rullm`	模型推理

包名与源码入口

Cargo 包名、仓库目录名和 Rust 导入名可能不同。例如 ruFFT 位于 ruFFT/，安装包名为 ruda-fft，导入名为 rufft；ruSOLVER 的安装包名为 ruda-solver，导入名为 rusolver。

下表覆盖解析后的 workspace，包括通过路径依赖加入的 CANN 驱动和测试支持包。包名链接指向 Cargo manifest，源码链接指向 crate 入口。Feature 与版本以 manifest 为准，不能根据目录名推断。测试项目与原生 PyTorch 扩展不是普通的 crates.io 安装目标。

Kernel、编译器与运行时

Cargo 包名	Rust 导入名／源码	职责
`ruda`	`ruda`	GPU Kernel 门面与运行时重导出；编写 GPU 内核的入口
`ruda-core`	`ruda_core`	共享 IR、张量数据、dtype、设备与内存契约
`ruda-compiler`	`ruda_compiler`	内核前端与目标代码生成
`ruda-kernel`	`ruda_kernel`	Rust Kernel DSL、启动接口和设备张量工具
`ruda-runtime`	`ruda_runtime`	计算客户端／服务端、存储、流与调度
`ruda-kernel-macros`	`ruda_kernel_macros`	将 Kernel Rust 转为 IR 的过程宏
`ruda-ir-macros`	`ruda_ir_macros`	IR 实现的派生宏

驱动与昇腾设备程序

Cargo 包名	Rust 导入名／源码	职责
`ruda-driver-cuda`	`ruda_driver_cuda`	CUDA 设备、分配、编译与启动
`ruda-driver-hip`	`ruda_driver_hip`	AMD HIP 运行时适配
`ruda-hip-sys`	`ruda_hip_sys`	底层 HIP 运行时绑定
`ruda-driver-wgpu`	`ruda_driver_wgpu`	WGPU 初始化、存储和计算执行
`ruda-driver-cpu`	`ruda_driver_cpu`	CPU Kernel 运行时驱动；区别于 Host 张量后端
`ruda-driver-cann`	`ruda_driver_cann`	动态加载的 CANN AscendCL 接口
`ruda-ascend-kernels`	`ruda_ascend_kernels`	Rust 昇腾设备程序与指令降级

领域计算库

Cargo 包名	Rust 导入名／源码	职责
`rublas`	`rublas`	矩阵／向量算子与后端分发
`ruDNN`	`rudnn`	注意力、卷积、池化、归一化与 MoE
`ruPRIM`	`ruprim`	归约、扫描、索引与逐元素内核
`ruda-fft`	`rufft`	傅里叶变换
`ruRAND`	`rurand`	随机采样与分布
`ruSPARSE`	`rusparse`	稀疏格式与算子
`ruTENSOR`	`rutensor`	张量收缩、置换与归约
`ruCCL`	`ruccl`	集合通信算法
`ruda-solver`	`rusolver`	主机科学求解器与可选设备求解内核
`ruintegrate`	`ruintegrate`	主机数值积分、ODE 积分与事件定位
`rublas-host`	`rublas_host`	CPU 带步长和批量矩阵乘
`ruDNN-host`	`rudnn_host`	CPU 神经网络算子实现
`ruPRIM-host`	`ruprim_host`	CPU 张量原语与索引
`ruFFT-host`	`rufft_host`	CPU 实数傅里叶变换
`ruRAND-host`	`rurand_host`	主机随机数生成

张量、微分与执行组合

Cargo 包名	Rust 导入名／源码	职责
`ruda-tensor`	`ruda_tensor`	后端契约与 api feature 下的 api::Tensor
`ruda-tensor-config`	`ruda_tensor_config`	自动微分／融合共享配置
`ruda-tensor-device`	`ruda_tensor_device`	DeviceBackend、CUDA 适配器与领域库分发
`ruda-tensor-host`	`ruda_tensor_host`	Host CPU 张量后端与步长布局
`ruda-tensor-wgpu`	`ruda_tensor_wgpu`	WGPU 张量后端与设备初始化
`ruda-tensor-rocm`	`ruda_tensor_rocm`	ROCm 张量适配器
`ruda-tensor-tch`	`ruda_tensor_tch`	LibTorch 张量适配器
`ruda-autodiff`	`ruda_autodiff`	梯度图、反向传播与重计算
`ruda-fusion`	`ruda_fusion`	张量算子融合规划与执行
`ruda-tensor-router`	`ruda_tensor_router`	本地多后端路由与字节桥接
`ruda-tensor-remote`	`ruda_tensor_remote`	远程张量客户端／服务端
`ruda-communication`	`ruda_communication`	传输协议、WebSocket 与张量数据服务

模型、训练、存储与集成

Cargo 包名	Rust 导入名／源码	职责
`ruda-model`	`ruda_model`	模块参数、配置、Record 与数据加载器
`ruda-model-macros`	`ruda_model_macros`	Config、Module、Record 派生宏
`ruda-model-codegen`	`ruda_model_codegen`	模型派生宏使用的代码生成器
`ruda-nn`	`ruda_nn`	神经网络层、激活与损失
`ruda-optim`	`ruda_optim`	优化器、梯度累积／裁剪与调度
`ruda-dataset`	`ruda_dataset`	索引数据集、数据源与变换
`ruda-io`	`ruda_io`	主机 I/O 与可选网络下载
`ruda-store`	`ruda_store`	模型快照、Rudapack、safetensors 与 PyTorch 导入
`ruda-llm`	`rullm`	模型加载与自回归推理
`ruda-torch-native`	`ruda_torch_native`	Python ruda_torch 包的原生 cdylib；源码构建组件

测试与消费者支持

Cargo 包名	Rust 导入名／源码	职责
`ruda-test-runtime`	`ruda_test_runtime`	运行时／内核测试基础设施
`ruda-test-utils`	`ruda_test_utils`	内核测试辅助
`ruda-facade-consumer`	`ruda_facade_consumer`	门面 feature 连接的外部消费者测试项目
`ruda-store-pytorch-tests`	`ruda_store_pytorch_tests`	PyTorch 格式互操作测试
`ruda-store-safetensors-tests`	`ruda_store_safetensors_tests`	Safetensors 格式互操作测试

查找具体方法

原生 Python 方法见 PyTorch API 参考、模型编译、静态图和 LoRA／NF4 微调。算子／应用选择共享全栈自动调优策略。

架构指南介绍 mHC、压缩注意力／缓存和 Python Muon；分布式训练指南介绍显式设备、rendezvous、副本初始化、加权归约和逐 rank 恢复。

Typed tensor 方法位于 ruda-tensor/src/api，后端 trait 位于 ruda-tensor/src/backend，领域接口可从各计算库手册进入。使用符号前，先启用暴露该模块的 feature。

设备内存、提交和同步见 Runtime API，后端初始化和启动契约见 Driver API。模型参数与 Record 类型从 ruda-model 导出入口查找，不要与编译器中名称相近的 IR 类型混用。