Rayon d'apprentissage

Chapitre 10. Prise en main du moteur d'exécution Ray AI

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

Nous avons parcouru un long chemin depuis que tu as découvert Ray AIR au chapitre 1. Outre les principes fondamentaux des clusters Ray etles bases de l'API Ray Core, tu as acquis une bonne compréhension de toutes les bibliothèques de niveau supérieur de Ray qui peuvent être exploitées dans les charges de travail d'IA, à savoir Ray RLlib, Tune, Train, Datasets et Serve dans les chapitres précédant celui-ci. La principale raison pour laquelle nous avons reporté jusqu'à présent une discussion plus approfondie sur Ray RLlib est qu'il est tellement plus facile de réfléchir à ses concepts et de calculer des exemples complexes si tu connais ses éléments constitutifs.

Dans ce chapitre, nous te présenterons les concepts de base d'AIR Ray et la façon dont tu peux l'utiliser pour construire et déployer des flux de travail courants. Nous construirons une application AIR qui exploite de nombreuses bibliothèques de science des données de Ray que tu connais déjà. Nous te dirons également quand et pourquoi utiliser AIR et nous te donnerons un bref aperçu de ses fondements techniques. Une discussion approfondie sur les relations d'AIR avec d'autres systèmes, telles que les intégrations et les principales différences, sera abordée au chapitre 11 lorsque nous parlerons de l'écosystème de Ray en relation avec AIR. ...