Rayon d'apprentissage

Chapitre 3. Construire ta première application distribuée

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Maintenant que tu as vu les bases de l'API Ray en action, construisons quelque chose de plus réaliste avec elle.À la fin de ce chapitre, tu auras construit un problème d'apprentissage par renforcement (RL) à partir de zéro, mis en œuvre ton premier algorithme pour le résoudre et utilisé les tâches et les acteurs Ray pour paralléliser cette solution sur un cluster local - le tout en moins de 250 lignes de code.

Ce chapitre est conçu pour les lecteurs qui n'ont pas d'expérience en NR. Nous allons travailler sur un problème simple et développer les compétences nécessaires pour l'aborder de façon pratique. Puisque le chapitre 4 est entièrement consacré à ce sujet, nous allons sauter tous les sujets et langages de NR avancés et nous concentrer sur le problème en question. Mais même si tu es un utilisateur de NR assez avancé, tu bénéficieras probablement de la mise en œuvre d'un algorithme classique dans un cadre distribué.

Ce chapitre est le dernier à travailler uniquement avec Ray Core. Nous espérons que tu apprendras à apprécier sa puissance et sa souplesse et que tu pourras rapidement mettre en œuvre des expériences distribuées dont la mise à l'échelle nécessiterait autrement des efforts considérables.

Avant de nous lancer dans la mise en œuvre, parlons rapidement du paradigme de RL de façon un ...