Ray分布式机器学习：利用Ray进行大模型的数据处理、训练、推理和部署（让分布式AI触手可及）
Ray分布式机器学习：利用Ray进行大模型的数据处理、训练、推理和部署（让分布式AI触手可及）
Max Pumperla, Edward Oakes, Richard Liaw 著
沈冲 译
出版时间：2024年05月
页数：238
“这是一本关于Ray分布式计算框架的上乘技术书籍，作者是Ray的三位主要贡献者，将分布式计算和机器学习化繁为简，优雅地分解为一系列简单易懂的示例。”
——Patrick Ames
亚马逊工程主管
“这是一本将分布式系统应用于机器学习的权威书籍，也是一本使用Jupyter notebook构建大规模分布式数据应用程序的入门读物。”
——Mark Saroufim
Meta PyTorch团队的人工智能应用工程师展开全部内容介绍
  1. 序
  2. 前言
  3. 第1章 Ray概述
  4. 1.1 Ray是什么
  5. 1.1.1 Ray的渊源
  6. 1.1.2 Ray的设计原则
  7. 1.1.3 Ray的三层架构：内核、库、生态
  8. 1.2 分布式计算框架
  9. 1.3 数据科学库套件
  10. 1.3.1 Ray AIR和数据科学工作流
  11. 1.3.2 处理数据
  12. 1.3.3 训练模型
  13. 1.3.4 调优超参数
  14. 1.3.5 部署模型
  15. 1.4 Ray的生态
  16. 1.5 总结
  17. 第2章 Ray Core入门
  18. 2.1 Ray Core简介
  19. 2.1.1 Ray API的第一个示例
  20. 2.1.2 Ray Core API概述
  21. 2.2 理解Ray的系统组件
  22. 2.2.1 在节点上调度和执行任务
  23. 2.2.2 主节点
  24. 2.2.3 分布式调度和执行
  25. 2.3 利用Ray创建简单的MapReduce示例
  26. 2.3.1 映射和打乱文档数据
  27. 2.3.2 利用约简进行单词统计
  28. 2.4 总结
  29. 第3章 创建第一个分布式应用程序
  30. 3.1 强化学习入门
  31. 3.2 创建简易的迷宫问题
  32. 3.3 创建模拟
  33. 3.4 训练强化学习模型
  34. 3.5 创建分布式Ray应用程序
  35. 3.6 回顾强化学习术语
  36. 3.7 总结
  37. 第4章 利用Ray RLlib进行强化学习
  38. 4.1 RLlib概述
  39. 4.2 RLlib入门
  40. 4.2.1 创建Gym环境
  41. 4.2.2 运行RLlib CLI
  42. 4.2.3 使用RLlib Python API
  43. 4.3 配置RLlib实验
  44. 4.3.1 资源配置
  45. 4.3.2 配置rollout worker
  46. 4.3.3 配置环境
  47. 4.4 使用RLlib环境
  48. 4.4.1 RLlib环境概述
  49. 4.4.2 使用多智能体
  50. 4.4.3 使用策略服务器和客户端
  51. 4.5 高级概念
  52. 4.5.1 创建高级环境
  53. 4.5.2 应用课程学习
  54. 4.5.3 使用离线数据
  55. 4.5.4 其他高级主题
  56. 4.6 总结
  57. 第5章 利用Ray Tune进行超参数调优
  58. 5.1 调优超参数
  59. 5.1.1 使用Ray创建随机搜索示例
  60. 5.1.2 调优超参数的难点
  61. 5.2 Ray Tune入门
  62. 5.2.1 Tune的原理
  63. 5.2.2 配置和运行Tune
  64. 5.3 使用Tune进行机器学习
  65. 5.3.1 结合使用RLlib和Tune
  66. 5.3.2 调优Keras模型
  67. 5.4 总结
  68. 第6章 利用Ray进行数据处理
  69. 6.1 Ray Dataset
  70. 6.1.1 Ray Dataset基础
  71. 6.1.2 利用Ray Dataset进行计算
  72. 6.1.3 数据集管道
  73. 6.1.4 示例：并行训练分类器副本
  74. 6.2 外部集成库
  75. 6.3 创建ML管道
  76. 6.4 总结
  77. 第7章 利用Ray Train进行分布式训练
  78. 7.1 分布式模型训练基础
  79. 7.2 基于示例介绍Ray Train
  80. 7.2.1 预测纽约出租车的大额小费
  81. 7.2.2 加载、预处理、特征化
  82. 7.2.3 定义深度学习模型
  83. 7.2.4 示例：利用Ray Train进行分布式训练
  84. 7.2.5 分布式批量推理
  85. 7.3 Ray Train训练器
  86. 7.3.1 迁移到Ray Train
  87. 7.3.2 扩展训练器
  88. 7.3.3 利用Ray Train进行预处理
  89. 7.3.4 将训练器和Ray Tune集成
  90. 7.3.5 使用回调函数监控训练
  91. 7.4 总结
  92. 第8章 利用Ray Serve进行在线推理
  93. 8.1 在线推理的主要特点
  94. 8.1.1 ML模型属于计算密集型
  95. 8.1.2 ML模型无法独立使用
  96. 8.2 Ray Serve入门
  97. 8.2.1 Ray Serve概述
  98. 8.2.2 定义基础HTTP端点
  99. 8.2.3 扩展和资源分配
  100. 8.2.4 批处理请求
  101. 8.2.5 多模型推理图
  102. 8.3 端到端示例：创建基于NLP的API
  103. 8.3.1 获取内容和预处理
  104. 8.3.2 NLP模型
  105. 8.3.3 HTTP处理和驱动逻辑
  106. 8.3.4 整合
  107. 8.4 总结
  108. 第9章 Ray集群
  109. 9.1 手动创建Ray Cluster
  110. 9.2 在Kubernetes上进行部署
  111. 9.2.1 设置KubeRay集群
  112. 9.2.2 与KubeRay集群交互
  113. 9.2.3 公开KubeRay
  114. 9.2.4 配置KubeRay
  115. 9.2.5 配置KubeRay日志
  116. 9.3 使用Ray集群启动器
  117. 9.3.1 配置Ray集群
  118. 9.3.2 使用集群启动器CLI
  119. 9.3.3 与Ray Cluster交互
  120. 9.4 使用云集群
  121. 9.4.1 AWS
  122. 9.4.2 其他云服务
  123. 9.5 自动扩展
  124. 9.6 总结
  125. 第10章 Ray AIR入门
  126. 10.1 为什么使用AIR
  127. 10.2 AIR核心概念
  128. 10.2.1 Ray Dataset和预处理器
  129. 10.2.2 训练器
  130. 10.2.3 调优器和检查点
  131. 10.2.4 批预测器
  132. 10.2.5 部署
  133. 10.3 适合AIR的任务
  134. 10.3.1 AIR任务执行
  135. 10.3.2 AIR内存管理
  136. 10.3.3 AIR故障模型
  137. 10.3.4 自动扩展AIR任务
  138. 10.4 总结
  139. 第11章 Ray生态及其他
  140. 11.1 蓬勃的生态
  141. 11.1.1 数据加载和处理
  142. 11.1.2 模型训练
  143. 11.1.3 模型服务
  144. 11.1.4 创建自定义集成
  145. 11.1.5 Ray集成概述
  146. 11.2 Ray和其他系统
  147. 11.2.1 分布式Python框架
  148. 11.2.2 Ray AIR和更广泛的ML生态
  149. 11.2.3 将AIR集成到ML平台
  150. 11.3 继续学习
  151. 11.4 总结
购买选项
定价：99.00元
书号：978-7-111-75338-4
出版社：机械工业出版社
联系出版社邮购

© 2025，奥莱利技术咨询(北京)有限公司。版权所有。
传真: +86-10-88097463
 京ICP备05003502号