Kapitel 2. Erste Schritte mit Ray (lokal)
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Wie wir bereits besprochen haben, ist Ray für die Verwaltung von Ressourcen von einem einzelnen Computer bis hin zu einem Cluster nützlich. Der Einstieg ist einfacher mit einer lokalen Installation, die die Parallelität von Multicore-/Multi-CPU-Rechnern ausnutzt. Auch wenn du in einem Cluster arbeitest, solltest du Ray für die Entwicklung lokal installiert haben. Sobald du Ray installiert hast, zeigen wir dir, wie du deine erste asynchrone parallelisierte Funktion erstellst und aufrufst und den Zustand in einem Actor speicherst.
Tipp
Wenn du es eilig hast, kannst du auch Gitpod auf demGitHub-Repository des Buches verwenden, um eine Webumgebungmit den Beispielen zu erhalten, oder du kannst dir den Managed Ray von Anyscale ansehen.
Installation
Die Installation von Ray, selbst auf einem einzelnen Rechner, kann von relativ einfach bis ziemlich kompliziert reichen. Ray veröffentlicht Räder im Python Package Index (PyPI) in einem normalen Veröffentlichungsrhythmus sowie in nächtlichen Veröffentlichungen. Diese Räder sind derzeit nur für x86-Benutzer verfügbar, sodass ARM-Benutzer Ray meist aus dem Quellcode bauen müssen.1
Tipp
M1 ARM-Nutzer auf macOS können die x86-Pakete mit Rosetta verwenden. Dies führt zwar zu Leistungseinbußen, aber es ist viel einfacher zu installieren. Um das x86er-Paket zu verwenden, ...
Get Python mit Ray skalieren 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.
