Ray :用于扩展 AI 和 Python 应用程序的统一框架

Ray

项目简介

Ray是一个为AI和Python应用扩展而设计的统一框架,它由一个核心的分布式运行时和一套用于加速ML工作负载的AI库组成。Ray自2017年起由加州大学伯克利分校RISELab开发并开源,旨在简化从笔记本电脑到集群的Python和AI应用的扩展

Ray

概述

Ray是一个开源的统一框架,用于扩展AI和Python应用,如机器学习。它提供并行处理的计算层,使您无需成为分布式系统专家。Ray简化了运行分布式个体和端到端机器学习工作流的复杂性,包括:

  • 数据预处理、分布式训练、超参数调整、强化学习和模型服务等常见机器学习任务的可扩展库。
  • 用于并行化和扩展Python应用的Python分布式计算原语。
  • 与Kubernetes、AWS、GCP和Azure等现有工具和基础设施集成和部署Ray集群的集成和实用工具。

对于数据科学家和机器学习从业者,Ray让您可以轻松地扩展作业,无需基础设施专业知识:

  • 轻松并行化并在多个节点和GPU上分布ML工作负载。
  • 与ML生态系统进行本地和可扩展的集成。

对于ML平台构建者和ML工程师,Ray:

  • 提供计算抽象,创建可扩展和健壮的ML平台。
  • 提供统一的ML API,简化了与更广泛ML生态系统的融合。
  • 通过使相同的Python代码无缝地从笔记本电脑扩展到大型集群,减少了开发与生产之间的摩擦。

对于分布式系统工程师,Ray自动处理关键过程:

  • 编排–管理分布式系统的各个组成部分。
  • 调度–协调任务的执行时间和地点。
  • 容错–确保任务在不可避免的故障点完成。
  • 自动扩展–根据动态需求调整分配的资源数量。

可以用Ray来做什么

您可以使用Ray进行一些常见的ML工作负载,个人、组织和公司利用Ray构建他们的AI应用:

  • 在CPU和GPU上进行批量推理
  • 并行训练
  • 模型服务
  • 大型模型的分布式训练
  • 并行超参数调整实验
  • 强化学习

Ray framework

Ray Framework

Ray的统一计算框架由三层组成:

  1. Ray AI Libraries:一个开源的Python领域特定的库集合,为ML工程师、数据科学家和研究人员提供了一个可扩展和统一的机器学习应用工具包。
  2. Ray Core:一个开源的Python通用分布式计算库,使ML工程师和Python开发者能够扩展Python应用程序并加速机器学习工作负载。
  3. Ray Clusters:一组连接到一个共同Ray头节点的工作节点。Ray集群可以是固定大小的,也可以根据集群上运行的应用程序请求的资源自动扩展或缩减。

Ray的五个原生库针对特定的机器学习任务进行分布式处理:

  • 数据:跨训练、调优和预测的可扩展、框架无关的数据加载和转换。
  • 训练:具有容错能力的分布式多节点和多核模型训练,可与流行的训练库集成。
  • 调优:可扩展的超参数调优,以优化模型性能。
  • 服务:可扩展和可编程的模型在线推理部署服务,可选择使用微批处理以提高性能。
  • RLlib:可扩展的分布式强化学习工作负载。

这些库既适用于数据科学家也适用于机器学习工程师。对于数据科学家,这些库可以用来扩展单个工作负载,也可以用于端到端的机器学习应用。对于机器学习工程师,这些库提供了可扩展的平台抽象,便于从更广泛的机器学习生态系统中轻松集成工具。

对于定制应用,Ray Core库使Python开发人员可以轻松构建可扩展的分布式系统,这些系统可以在笔记本电脑、集群、云或Kubernetes上运行。它是Ray AI库和第三方集成(Ray生态系统)的基础。

Ray可以在任何机器、集群、云提供商和Kubernetes上运行,并且拥有不断增长的社区集成生态系统。

项目链接

Ray Project GitHub

avatar
0
0
0
相关项目
Project Cover

ray

Ray是一个统一的框架,专门用于扩展AI和Python应用。它包含一个核心分布式运行时和一套AI库,用于简化机器学习计算。无论是在单机还是集群上,Ray都能让相同的代码无缝扩展。此外,Ray支持各种机器、云服务提供商和Kubernetes,且拥有日益增长的社区生态系统。此框架易于安装,只需执行简单的命令即可:'pip install ray'。

Project Cover

ray-educational-materials

提供丰富的教育资源,专注于Ray分布式计算框架,帮助扩展Python和机器学习任务,从笔记本电脑到集群处理。课程内容涵盖Ray核心功能、AI运行时、计算机视觉和NLP模型优化等,适合各层次学习者。加入社区,探索文档、参与讨论、提出问题和贡献代码,提升开发体验。

Project Cover

langchain-ray

LangChain和Ray是关键的Python库,用于快速开发和部署大规模语言模型(LLM)应用。项目提供了多种技术示例和用例,包括开源LLM搜索引擎、快速嵌入生成及基于检索的问答系统。通过文档、Slack和论坛与开发者社区互动,共同学习与成长。

Project Cover

llmperf

LLMPerf是一个评估大语言模型API性能的开源工具。它通过负载测试和正确性测试来衡量模型的响应延迟、生成吞吐量和输出准确性。该工具支持OpenAI、Anthropic、TogetherAI等主流LLM API,并可扩展适配新API。LLMPerf采用Ray框架处理并发请求,能够模拟实际负载环境。开发者和研究人员可利用LLMPerf便捷地评估和对比不同LLM API的性能表现。

Project Cover

kuberay

KubeRay是开源的Kubernetes operator,专为简化Ray应用在Kubernetes上的部署和管理而设计。它提供RayCluster、RayJob和RayService三种自定义资源,实现集群生命周期管理、自动扩缩容和容错。KubeRay还包含社区维护的API服务器、Python客户端和命令行工具,提供全面的Ray集群管理功能。适用于机器学习、服务部署和批处理等场景,并与多种云原生生态系统工具集成。

Project Cover

deltacat

DeltaCAT是一个基于Ray的Python数据目录系统,采用类Git的stage/commit API实现快速、可扩展、ACID兼容的数据目录管理。结合Ray分布式计算框架和Apache Arrow,DeltaCAT支持PB级数据变更捕获、一致性检查和表修复。该系统已在EB级企业数据湖中得到应用,为大规模数据管理提供解决方案。

Project Cover

llm-numbers

该项目汇集了LLM开发中的重要数据和见解,包括提示工程、模型训练和GPU内存管理等方面。内容涵盖成本比率、训练费用和GPU内存要求,为开发者提供决策参考和资源优化指导。这些信息有助于快速评估和理解LLM开发的关键因素,是大语言模型开发者的实用参考资料。

Project Cover

Anyscale

Anyscale是基于Ray开源项目的AI应用平台,提供从笔记本到数千GPU的分布式计算能力。支持LLM推理、微调、稳定扩散等AI工作负载,具备性能优化、成本控制和企业级安全功能。开发者可通过Anyscale快速构建和部署各类AI应用。

Project Cover

RLcycle

RLcycle是一个开源的强化学习框架,实现了多种经典算法如DQN、A2C/A3C、DDPG和SAC。框架基于PyTorch构建,集成了Hydra配置管理、Ray并行计算和WandB日志记录功能。RLcycle提供可重用组件便于快速开发,支持Atari和PyBullet等环境,并附有使用指南和性能基准。该项目适合研究人员和开发者学习和实践各类强化学习算法。

最新项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号