Rayon d'apprentissage

Index

Symboles

• Décorateur @ray.remote, Fonctions et tâches Ray à distance, Un aperçu de l'API Ray Core
• Décorateur @serve.batch, Mise en lots des demandes
• Décorateur @serve.deployment, Model Serving, Définition d'un point de terminaison HTTP de base
  • Réglage des répliques et de l'allocation des ressources pour un déploiement, Mise à l'échelle et allocation des ressources

A

• abstractions
  • loi des abstractions fuyantes, Qu'est-ce qui a conduit à Ray ?
  • fourni par Ray, Simplicité et abstraction
• distribution des actions, accès aux états de la politique et du modèle, accès aux états de la politique et du modèle
• espace d'action (RL), Recapture de la terminologie RL, Travailler avec plusieurs agents
  • Définir un serveur de politique dans un environnement RLlib, Définir un serveur
  • espaces d'action paramétriques dans RLlib, Autres sujets avancés
• actions (RL), Récapitulation de la terminologie RL
  • calcul dans l'API RLlib de Python, Calculer des actions
  • dans un environnement multi-agents, Travailler avec des agents multiples
  • les probabilités d'entreprendre chaque action, Accéder aux états de la politique et du modèle
  • simplifier les hypothèses sur, Recapture de la terminologie RL
• acteurs, Des classes aux acteurs
  • acteur contrôleur pour les déploiements de Ray Serve, Vue d'ensemble de l'architecture
  • convertir une classe de simulation en acteur, Construire une application Ray distribuée
  • GCS stocker l'emplacement de, Le nœud principal
  • lamise en correspondance des données avec, la prise en charge par Datasets, Computing Over ...