Ray是源分布式计算框架，简化了扩展计算密集型Python工作负载的过程。本书展示了如何使用Ray构建机器学习应用程序，介绍了Ray如何融当前的机器学习工具，以及Ray如何与这些工具紧密集成。本书前3章介绍了Ray作为分布式Python框架的基础知识，并提供了应用示例；第4-10章介绍了Ray高级库（Ray RLlib、Ray Tune、Ray Dataset、Ray Train、Ray Serve、Ray Cluster、Ray AIR），并展示如何使用高级库创建应用程序；第11章对Ray的生态行了总结，并指导读者继续学习。<br/>【推荐语】<br/>Ray是源分布式计算框架，简化了扩展计算密集型Python工作负载的过程。通过本书，Python程序员、数据工程师和数据科学家将学会如何在本地利用Ray并启动计算集群。你将能够使用Ray来大规模构建和运行机器学习程序。三位作者展示了如何使用Ray构建机器学习应用程序。你将了解Ray如何融当前的机器学习工具，并了解Ray与这些工具紧密集成的方法。分布式计算很难，但Ray让一切困难迎刃而解。通过学习本书，你将：? 了解如何使用Ray Core构建分布式应用程序。? 使用Ray Tune行超参数优化。? 使用Ray RLlib库行强化学习。? 使用Ray Train库管理分布式训练。? 使用Ray Datasets行数据处理。? 了解如何使用Ray Clusters以及如何使用Ray Serve为模型提供服务。? 使用Ray AIR创建端到端机器学习应用程序。<br/>【作者】<br/>Max Pumperla是一位现居德国汉堡的数据科学家和软件工程师。作为一名活跃的源贡献者，他是多个Python包的维护者、机器学习书籍的作者，并多次在国际会议上发表演讲。他目前在Anyscale担任软件工程师。在担任Pathmind公司的产品负责人时，他使用Ray RLlib、Serve和Tune发了用于大规模产业应用的强化学习解决方案。Max曾是Skymind的DL4J核心发者，他拓展了Keras生态，并且是Hyperopt的维护者。<br/>
評論0