书籍摘要

一、书籍概述

《Learning Ray》是由 Max Pumperla、Edward Oakes 和 Richard Liaw 共同撰写的 Ray 框架学习指南。本书由 O'Reilly Media 出版，于 2023 年 2 月首次面世。它全面介绍了 Ray 框架及其在机器学习和分布式计算中的应用，旨在帮助读者快速掌握 Ray 的核心概念、API 使用方法以及如何构建和扩展分布式机器学习应用。

二、作者简介

• Max Pumperla：数据科学教授、软件工程师，位于德国汉堡。他是活跃的开源贡献者，维护多个 Python 包，著有多本机器学习书籍，并在国际会议上发表演讲。目前在 Anyscale 担任软件工程师，曾在 Pathmind Inc. 负责开发大规模工业应用的强化学习解决方案。
• Edward Oakes：Anyscale 的软件工程师和团队负责人，主导 Ray Serve 的开发，并是 Ray 的顶级开源贡献者之一。加入 Anyscale 之前，他在加州大学伯克利分校电气工程与计算机科学系攻读研究生。
• Richard Liaw：Anyscale 的软件工程师，专注于分布式机器学习的开源工具开发。他是加州大学伯克利分校计算机科学系博士项目的休学生，师从 Joseph Gonzalez、Ion Stoica 和 Ken Goldberg。

三、书籍内容

第 1 章：Ray 概述

介绍了 Ray 的三层架构：核心层、机器学习库和生态系统。通过示例展示了 Ray 在数据处理、模型训练和强化学习等方面的应用。

第 2 章：Ray Core 入门

详细讲解了 Ray Core 的基础 API，包括任务、演员和对象等核心概念。通过实例演示了如何使用 Ray Core 进行分布式计算。

第 3 章：构建第一个分布式应用

通过强化学习问题的实现，展示了如何使用 Ray Core 构建分布式应用。介绍了如何将 Python 代码并行化，并在本地集群上运行。

第 4 章：使用 Ray RLlib 进行强化学习

深入探讨了 Ray RLlib，一个用于强化学习的库。介绍了如何使用 RLlib 构建和训练强化学习模型，包括配置算法和环境。

第 5 章：使用 Ray Tune 进行超参数优化

讲解了 Ray Tune 的使用方法，用于机器学习模型的超参数优化。介绍了如何定义搜索空间、配置调度器和运行超参数优化实验。

第 6 章：使用 Ray Datasets 进行数据处理

介绍了 Ray Datasets，一个用于数据加载和处理的库。展示了如何使用 Ray Datasets 进行数据转换、过滤和聚合。

第 7 章：使用 Ray Train 进行分布式训练

详细介绍了 Ray Train，一个用于分布式模型训练的库。通过实例演示了如何使用 Ray Train 进行数据并行训练。

第 8 章：使用 Ray Serve 进行在线推理

介绍了 Ray Serve，一个用于在线推理的库。展示了如何将机器学习模型部署为 HTTP 服务，并进行请求处理。

第 9 章：Ray 集群

讲解了如何配置、启动和扩展 Ray 集群。介绍了如何在云平台上部署 Ray 集群，并使用自动扩展功能。

第 10 章：Ray AI Runtime 入门

介绍了 Ray AI Runtime，一个用于机器学习工作负载的统一工具包。展示了如何使用 Ray AI Runtime 构建和部署端到端的机器学习应用。

第 11 章：Ray 生态系统与展望

总结了 Ray 的生态系统，包括与 Spark、Dask 等工具的集成。讨论了 Ray 在机器学习生态系统中的位置，并展望了未来的发展方向。

四、适用读者

本书适合对分布式计算、机器学习和强化学习感兴趣的读者，包括数据科学家、软件开发人员、机器学习工程师等。读者需要具备 Python 编程基础和对机器学习基本概念的了解。

五、书籍特色

• 全面覆盖：从 Ray 的基础概念到高级应用，涵盖分布式计算、强化学习、超参数优化等多个方面。
• 实践导向：通过大量实例和代码演示，帮助读者快速上手并应用 Ray 框架。
• 生态系统：介绍了 Ray 的丰富生态系统，包括与其他工具的集成和扩展。
• 易于理解：语言简洁明了，适合初学者和有一定基础的读者学习。