资源介绍
(英文版电子书）
电子书格式: pdf
本书是 Ray 分布式计算框架的实战指南，专为 Python 开发者、数据工程师和数据科学家打造，通过清晰示例与系统讲解，帮助读者掌握 Ray 在本地及集群环境中规模化处理机器学习任务的能力，涵盖核心 API、数据处理、模型训练、超参数调优、模型部署等全流程。
内容介绍
一、Ray 框架概述
Ray 是一款开源分布式计算框架，核心目标是简化 Python 密集型计算任务的规模化过程。它打破了传统分布式系统的复杂性壁垒，让开发者无需深入掌握分布式计算底层原理，就能轻松将本地 Python 脚本扩展到集群环境。其设计遵循简洁性、灵活性与高性能三大原则，API 直观易用，支持从单机多核到大规模集群的无缝扩展，且原生兼容 Python 生态中的主流数据科学工具。
Ray 的架构分为三层：核心层（Ray Core）提供分布式计算的基础能力，包括任务调度、对象存储、集群管理等核心组件；库层包含面向机器学习各环节的专用库，如强化学习库 RLlib、超参数调优工具 Tune、分布式训练库 Train、数据处理库 Datasets 和模型部署工具 Serve；生态层则通过与各类第三方工具的深度集成，形成覆盖数据处理、模型训练、部署运维的完整生态。
二、核心内容结构
本书采用由浅入深的编排逻辑，从基础概念到实战应用逐步展开，共 11 章内容：
Ray 概述：介绍 Ray 的核心定位、设计背景与原则，拆解三层架构体系，展示其在数据处理、模型训练、调优、部署等机器学习关键环节的应用场景，帮助读者建立对 Ray 的整体认知。
Ray Core 入门：聚焦 Ray 的核心 API，通过实战示例讲解任务（Tasks）、参与者（Actors）和对象存储（Object Store）三大核心概念，详解 Ray 集群的系统组件与工作原理，并通过 MapReduce 实例演示分布式计算的实现过程。
构建首个分布式应用：以强化学习为场景，引导读者从零实现简单迷宫环境，设计强化学习算法，再通过 Ray Core 的 API 将其改造为分布式应用，直观感受 Ray 的并行计算能力。
Ray RLlib 强化学习：深入解析 Ray 的强化学习库 RLlib，涵盖 Gym 环境适配、算法配置、模型训练、评估与部署全流程，还介绍多智能体训练、课程学习、离线数据利用等高级特性。
Ray Tune 超参数优化：讲解超参数优化的核心挑战，展示 Ray Tune 如何通过分布式搜索算法（如随机搜索、贝叶斯优化）和调度器（如 HyperBand）提升调优效率，支持与 RLlib、Keras 等框架的无缝集成。
Ray 数据处理：重点介绍 Ray Datasets，包括数据读取、转换、分区管理、流水线处理等功能，展示其作为数据 “胶水” 在不同 Ray 库间的协同作用，以及与 Dask 等外部数据处理工具的集成方式。
Ray Train 分布式训练：详解分布式训练的核心需求与实现方式，通过 PyTorch、XGBoost 等框架的实战案例，讲解 Trainer 类的使用、数据并行训练、模型 checkpoint 管理、训练过程监控等关键能力。
Ray Serve 在线推理：聚焦在线推理场景的核心挑战，介绍 Ray Serve 如何实现低延迟、高可用的模型部署，支持多模型组合、请求批处理、动态扩缩容等特性，并通过 NLP API 实战展示端到端部署流程。
Ray 集群：讲解 Ray 集群的三种部署方式（手动部署、Kubernetes 部署、集群启动器部署），涵盖集群配置、资源管理、云环境适配（AWS、Azure 等）与自动扩缩容功能，为大规模应用落地提供支撑。
Ray AI Runtime 入门：介绍 Ray AI Runtime（AIR）这一统一机器学习工具集，展示如何通过 AIR 整合 Ray 的各类库，实现从数据预处理、模型训练、调优到部署的端到端机器学习工作流。
Ray 生态及延伸：系统梳理 Ray 的生态体系，包括与主流数据处理工具、机器学习框架、实验跟踪工具的集成方式，对比 Ray 与其他分布式框架的差异，提供生态整合与进阶学习路径。
三、核心优势与适用人群
核心优势
简洁易用：API 设计贴合 Python 习惯，只需少量代码修改即可将本地脚本分布式化，降低分布式计算门槛。
功能全面：覆盖机器学习全流程，从数据处理、模型训练、超参数调优到部署运维，提供一站式解决方案。
高度灵活：支持任务型、状态型等多种计算模式，兼容 CPU、GPU 等异构硬件，适配不同规模的计算需求。
生态丰富：深度集成 Python 数据科学生态，与 TensorFlow、PyTorch、Pandas 等主流工具无缝协同。
适用人群
Python 程序员：希望掌握分布式计算能力，扩展代码处理规模。
数据工程师：需要高效处理大规模数据，构建分布式数据管道。
数据科学家与机器学习从业者：需规模化运行模型训练、超参数调优任务，或部署机器学习模型。
分布式系统爱好者：希望了解分布式计算框架的设计与实践。Learning Ray