Kapitel 9. Strahlenbündel
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Bisher haben wir uns darauf konzentriert, dir die Grundlagen von Ray für die Entwicklung von Machine-Learning-Anwendungen zu vermitteln.Du weißt, wie du deinen Python-Code mit Ray Core parallelisieren und mit RLlib Experimente zum Reinforcement Learning durchführen kannst.Du hast auch gesehen, wie du Daten mit Ray Datasets vorverarbeitest, Hyperparameter mit Ray Tune abstimmst und Modelle mit Ray Train trainierst. Eine der wichtigsten Funktionen von Ray ist jedoch die nahtlose Skalierung auf mehrere Rechner. Außerhalb einer Laborumgebung oder eines großen Technologieunternehmens kann es schwierig sein, mehrere Rechner einzurichten und sie zu einem einzigen Ray-Cluster zu verbinden. In diesem Kapitel geht es darum, wie man das macht.1
Die Cloud-Technologie hat den Zugang zu billigen Maschinen für jedermann ermöglicht.Aber es ist oft ziemlich schwierig, die richtigen APIs zu finden, um mit den Tools der Cloud-Provider umzugehen. Das Ray-Team hat eine Reihe von Tools bereitgestellt, die die Komplexität abstrahieren. Es gibt drei Möglichkeiten, einen Ray-Cluster zu starten oder einzusetzen: manuell, über einen Kubernetes-Operator oder über das CLI-Tool zum Starten des Clusters.
Im ersten Teil dieses Kapitels werden wir diese drei Methoden im Detail behandeln.2 Wir erklären nur kurz die manuelle Cluster-Erstellung ...
Get Lernstrahl now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
