Что это такое?
Ray — это фреймворк с открытым исходным кодом для масштабирования AI- и Python-приложений: ядро распределённого рантайма плюс набор AI-библиотек, упрощающих вычисления для машинного обучения.
Ray — это фреймворк с открытым исходным кодом для масштабирования AI- и Python-приложений: ядро распределённого рантайма плюс набор AI-библиотек, упрощающих вычисления для машинного обучения.Это одна библиотека или целый набор?Целый набор. Поверх рантайма Ray Core стоят пять AI-библиотек: Data, Train, Tune, RLlib и Serve, каждая из которых отвечает за свой тип задач машинного обучения.
Целый набор. Поверх рантайма Ray Core стоят пять AI-библиотек: Data, Train, Tune, RLlib и Serve, каждая из которых отвечает за свой тип задач машинного обучения.Как подключить Ray к проекту?Установите его с PyPI через pip install ray; nightly-сборки доступны на странице установки.
Установите его с PyPI через pip install ray; nightly-сборки доступны на странице установки.Это только для машинного обучения или для любого Python-кода?На самом деле для любого: Ray универсальный и создан, чтобы быстро выполнять любые задачи, хотя входящие в него библиотеки заточены под ML-вычисления.
На самом деле для любого: Ray универсальный и создан, чтобы быстро выполнять любые задачи, хотя входящие в него библиотеки заточены под ML-вычисления.Где могут работать мои задачи на Ray?Где угодно: Ray работает на любой машине, в кластере, у любого облачного провайдера и в Kubernetes, а число интеграций от сообщества постоянно растёт.
Где угодно: Ray работает на любой машине, в кластере, у любого облачного провайдера и в Kubernetes, а число интеграций от сообщества постоянно растёт.Что на практике даёт мне ядро рантайма?Три абстракции: Tasks (функции без состояния, которые выполняются в кластере), Actors (рабочие процессы с состоянием, создаваемые в кластере) и Objects (неизменяемые значения, доступные со всего кластера).
Три абстракции: Tasks (функции без состояния, которые выполняются в кластере), Actors (рабочие процессы с состоянием, создаваемые в кластере) и Objects (неизменяемые значения, доступные со всего кластера).Мой скрипт спокойно работает на ноутбуке — когда мне нужен Ray?Когда вычислений становится слишком много для одной машины: односерийные окружения вроде ноутбука не справляются с тяжёлыми ML-задачами, а Ray масштабирует тот же код с ноутбука до кластера без дополнительной инфраструктуры.
Когда вычислений становится слишком много для одной машины: односерийные окружения вроде ноутбука не справляются с тяжёлыми ML-задачами, а Ray масштабирует тот же код с ноутбука до кластера без дополнительной инфраструктуры.Могу ли я видеть, что происходит в работающем кластере?Да — следить за приложениями и кластерами Ray можно через встроенный Ray Dashboard, а отлаживать их — с помощью Ray Distributed Debugger.
Да — следить за приложениями и кластерами Ray можно через встроенный Ray Dashboard, а отлаживать их — с помощью Ray Distributed Debugger.What are similar projects?wandb, nni, higgsfield, serve, horovod, petals, Made-With-ML, jeeves
wandb, nni, higgsfield, serve, horovod, petals, Made-With-ML, jeevesWhich topics is it in?scaling, hyperparameter-optimization, distributed-computing, parallel-computing, parallel, llm-serving, distributed, distributed-training, model-serving, mlops, optimization, tensorflow
scaling, hyperparameter-optimization, distributed-computing, parallel-computing, parallel, llm-serving, distributed, distributed-training, model-serving, mlops, optimization, tensorflow