Ray是开源分布式计算框架，简化了扩展计算密集型Python工作负载的过程。本书展示了如何使用Ray构建机器学习应用程序，介绍了Ray如何融入当前的机器学习工具，以及Ray如何与这些工具紧密集成。本书前3章介绍了Ray作为分布式Python框架的基础知识，并提供了应用示例；第4-10章介绍了Ray**库（Ray RLlib、Ray Tune、Ray Dataset、Ray Train、Ray Serve、Ray Cluster、Ray AIR），并展示如何使用**库创建应用程序；第11章对Ray的生态进行了总结，并指导读者继续学习。

目录 序1 前言3 第1章 Ray概述11 1.1 Ray是什么12 1.1.1 Ray的渊源12 1.1.2 Ray的设计原则14 1.1.3 Ray的三层架构：内核、库、生态15 1.2 分布式���算框架16 1.3 数据科学库套件18 1.3.1 Ray AIR和数据科学工作流19 1.3.2 处理数据20 1.3.3 训练模型22 1.3.4 调优超参数26 1.3.5 部署模型28 1.4 Ray的生态30 1.5 总结31 第2章 Ray Core入门32 2.1 Ray Core简介33 2.1.1 Ray API的**个示例34 2.1.2 Ray Core API概述44 2.2 理解Ray的系统组件45 2.2.1 在节点上调度和执行任务45 2.2.2 主节点48 2.2.3 分布式调度和执行48 2.3 利用Ray创建简单的MapReduce示例50 2.3.1 映射和打乱文档数据52 2.3.2 利用约简进行单词统计54 2.4 总结56 第3章 创建**个分布式应用程序57 3.1 强化学习入门57 3.2 创建简易的迷宫问题59 3.3 创建模拟63 3.4 训练强化学习模型66 3.5 创建分布式Ray应用程序70 3.6 回顾强化学习术语72 3.7 总结74 第4章 利用Ray RLlib进行强化学习75 4.1 RLlib概述76 4.2 RLlib入门76 4.2.1 创建Gym环境77 4.2.2 运行RLlib CLI79 4.2.3 使用RLlib Python API80 4.3 配置RLlib实验87 4.3.1 资源配置89 4.3.2 配置rollout worker89 4.3.3 配置环境90 4.4 使用RLlib环境90 4.4.1 RLlib环境概述91 4.4.2 使用多智能体92 4.4.3 使用策略服务器和客户端96 4.5 **概念99 4.5.1 创建**环境99 4.5.2 应用课程学习101 4.5.3 使用离线数据103 4.5.4 其他**主题104 4.6 总结105 第5章 利用Ray Tune进行超参数调优106 5.1 调优超参数106 5.1.1 使用Ray创建随机搜索示例107 5.1.2 调优超参数的难点109 5.2 Ray Tune入门110 5.2.1 Tune的原理111 5.2.2 配置和运行Tune115 5.3 使用Tune进行机器学习120 5.3.1 结合使用RLlib和Tune120 5.3.2 调优Keras模型121 5.4 总结124 第6章 利用Ray进行数据处理125 6.1 Ray Dataset126 6.1.1 Ray Dataset基础127 6.1.2 利用Ray Dataset进行计算130 6.1.3 数据集管道131 6.1.4 示例：并行训练分类器副本134 6.2 外部集成库137 6.3 创建ML管道140 6.4 总结142 第7章 利用Ray Train进行分布式训练143 7.1 分布式模型训练基础143 7.2 基于示例介绍Ray Train145 7.2.1 预测纽约出租车的大额小费145 7.2.2 加载、预处理、特征化146 7.2.3 定义深度学习模型148 7.2.4 示例：利用Ray Train进行分布式训练148 7.2.5 分布式批量推理151 7.3 Ray Train训练器152 7.3.1 迁移到Ray Train154 7.3.2 扩展训练器156 7.3.3 利用Ray Train进行预处理156 7.3.4 将训练器和Ray Tune集成158 7.3.5 使用回调函数监控训练160 7.4 总结160 第8章 利用Ray Serve进行在线推理162 8.1 在线推理的主要特点163 8.1.1 ML模型属于计算密集型163 8.1.2 ML模型无法独立使用164 8.2 Ray Serve入门164 8.2.1 Ray Serve概述165 8.2.2 定义基础HTTP端点166 8.2.3 扩展和资源分配169 8.2.4 批处理请求170 8.2.5 多模型推理图172 8.3 端到端示例：创建基于NLP的API176 8.3.1 获取内容和预处理177 8.3.2 NLP模型178 8.3.3 HTTP处理和驱动逻辑179 8.3.4 整合181 8.4 总结182 第9章 Ray集群183 9.1 手动创建Ray Cluster184 9.2 在Kubernetes上进行部署186 9.2.1 设置KubeRay集群187 9.2.2 与KubeRay集群交互188 9.2.3 公开KubeRay191 9.2.4 配置KubeRay191 9.2.5 配置KubeRay日志194 9.3 使用Ray集群启动器195 9.3.1 配置Ray集群195 9.3.2 使用集群启动器CLI196 9.3.3 与Ray Cluster交互196 9.4 使用云集群197 9.4.1 AWS197 9.4.2 其他云服务198 9.5 自动扩展199 9.6 总结199 第10章 Ray AIR入门201 10.1 为什么使用AIR201 10.2 AIR核心概念202 10.2.1 Ray Dataset和预处理器204 10.2.2 训练器205 10.2.3 调优器和检查点207 10.2.4 批预测器208 10.2.5 部署209 10.3 适合AIR的任务212 10.3.1 AIR任务执行215 10.3.2 AIR内存管理216 10.3.3 AIR故障模型217 10.3.4 自动扩展AIR任务218 10.4 总结218 第11章 Ray生态及其他220 11.1 蓬勃的生态221 11.1.1 数据加载和处理221 11.1.2 模型训练223 11.1.3 模型服务227 11.1.4 创建自定义集成230 11.1.5 Ray集成概述231 11.2 Ray和其他系统232 11.2.1 分布式Python框架232 11.2.2 Ray AIR和更广泛的ML生态233 11.2.3 将AIR集成到ML平台235 11.3 继续学习236 11.4 总结237