Lernstrahl

Kapitel 2. Erste Schritte mit Ray Core

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In einem Buch über verteiltes Python entbehrt es nicht einer gewissen Ironie, dass Python allein für verteiltes Computing weitgehend untauglich ist.Sein Interpreter ist effektiv single threaded. Das macht es zum Beispiel schwierig, mit einfachem Python mehrere CPUs auf demselben Rechner zu nutzen, ganz zu schweigen von einem ganzen Cluster von Rechnern. Das bedeutet, dass du zusätzliche Werkzeuge brauchst, und zum Glück hält das Python-Ökosystem einige Optionen für dich bereit. Bibliotheken wie multiprocessing können dir helfen, die Arbeit auf einem einzelnen Rechner zu verteilen,¹ aber nicht darüber hinaus.

Als Python-Bibliothek ist die Ray Core API mächtig genug, um die allgemeine verteilte Programmierung für die gesamte Python-Gemeinschaft zugänglicher zu machen.Manche Unternehmen begnügen sich damit, vortrainierte ML-Modelle für ihre Anwendungsfälle einzusetzen, aber diese Strategie ist nicht immer effektiv. Oft ist es unvermeidlich, eigene Modelle zu trainieren, um erfolgreich zu sein. Genauso passen deine verteilten Workloads vielleicht nur in das (potenziell einschränkende) Programmiermodell bestehender Frameworks, aber Ray Core kann aufgrund seiner Allgemeinheit das gesamte Spektrum der Erstellung verteilter Anwendungen erschließen.² Da Ray Core so grundlegend ist, widmen wir dieses ganze Kapitel den ...