科技 类型
可以朗读 语音朗读
128千字 字数
2024-04-01 发行日期
展开全部

主编推荐语

教你如何使用ray构建分布式机器学程序。

内容简介

Ray是开源分布式计算框架，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如何融入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的生态进行了总结，并指导读者继续学习。

目录

  • 版权信息
  • O'Reilly Media，Inc.介绍
  • 推荐序 让分布式AI触手可及
  • 序
  • 前言
  • 第1章 Ray概述
  • 1.1 Ray是什么
  • 1.1.1 Ray的渊源
  • 1.1.2 Ray的设计原则
  • 1.1.3 Ray的三层架构：内核、库、生态
  • 1.2 分布式计算框架
  • 1.3 数据科学库套件
  • 1.3.1 Ray AIR和数据科学工作流
  • 1.3.2 处理数据
  • 1.3.3 训练模型
  • 1.3.4 调优超参数
  • 1.3.5 部署模型
  • 1.4 Ray的生态
  • 1.5 总结
  • 第2章 Ray Core入门
  • 2.1 Ray Core简介
  • 2.1.1 Ray API的第一个示例
  • 2.1.2 Ray Core API概述
  • 2.2 理解Ray的系统组件
  • 2.2.1 在节点上调度和执行任务
  • 2.2.2 主节点
  • 2.2.3 分布式调度和执行
  • 2.3 利用Ray创建简单的MapReduce示例
  • 2.3.1 映射和打乱文档数据
  • 2.3.2 利用约简进行单词统计
  • 2.4 总结
  • 第3章 创建第一个分布式应用程序
  • 3.1 强化学习入门
  • 3.2 创建简易的迷宫问题
  • 3.3 创建模拟
  • 3.4 训练强化学习模型
  • 3.5 创建分布式Ray应用程序
  • 3.6 回顾强化学习术语
  • 3.7 总结
  • 第4章 利用Ray RLlib进行强化学习
  • 4.1 RLlib概述
  • 4.2 RLlib入门
  • 4.2.1 创建Gym环境
  • 4.2.2 运行RLlib CLI
  • 4.2.3 使用RLlib Python API
  • 4.3 配置RLlib实验
  • 4.3.1 资源配置
  • 4.3.2 配置rollout worker
  • 4.3.3 配置环境
  • 4.4 使用RLlib环境
  • 4.4.1 RLlib环境概述
  • 4.4.2 使用多智能体
  • 4.4.3 使用策略服务器和客户端
  • 4.5 高级概念
  • 4.5.1 创建高级环境
  • 4.5.2 应用课程学习
  • 4.5.3 使用离线数据
  • 4.5.4 其他高级主题
  • 4.6 总结
  • 第5章 利用Ray Tune进行超参数调优
  • 5.1 调优超参数
  • 5.1.1 使用Ray创建随机搜索示例
  • 5.1.2 调优超参数的难点
  • 5.2 Ray Tune入门
  • 5.2.1 Tune的原理
  • 5.2.2 配置和运行Tune
  • 5.3 使用Tune进行机器学习
  • 5.3.1 结合使用RLlib和Tune
  • 5.3.2 调优Keras模型
  • 5.4 总结
  • 第6章 利用Ray进行数据处理
  • 6.1 Ray Dataset
  • 6.1.1 Ray Dataset基础
  • 6.1.2 利用Ray Dataset进行计算
  • 6.1.3 数据集管道
  • 6.1.4 示例：并行训练分类器副本
  • 6.2 外部集成库
  • 6.3 创建ML管道
  • 6.4 总结
  • 第7章 利用Ray Train进行分布式训练
  • 7.1 分布式模型训练基础
  • 7.2 基于示例介绍Ray Train
  • 7.2.1 预测纽约出租车的大额小费
  • 7.2.2 加载、预处理、特征化
  • 7.2.3 定义深度学习模型
  • 7.2.4 示例：利用Ray Train进行分布式训练
  • 7.2.5 分布式批量推理
  • 7.3 Ray Train训练器
  • 7.3.1 迁移到Ray Train
  • 7.3.2 扩展训练器
  • 7.3.3 利用Ray Train进行预处理
  • 7.3.4 将训练器和Ray Tune集成
  • 7.3.5 使用回调函数监控训练
  • 7.4 总结
  • 第8章 利用Ray Serve进行在线推理
  • 8.1 在线推理的主要特点
  • 8.1.1 ML模型属于计算密集型
  • 8.1.2 ML模型无法独立使用
  • 8.2 Ray Serve入门
  • 8.2.1 Ray Serve概述
  • 8.2.2 定义基础HTTP端点
  • 8.2.3 扩展和资源分配
  • 8.2.4 批处理请求
  • 8.2.5 多模型推理图
  • 8.3 端到端示例：创建基于NLP的API
  • 8.3.1 获取内容和预处理
  • 8.3.2 NLP模型
  • 8.3.3 HTTP处理和驱动逻辑
  • 8.3.4 整合
  • 8.4 总结
  • 第9章 Ray集群
  • 9.1 手动创建Ray Cluster
  • 9.2 在Kubernetes上进行部署
  • 9.2.1 设置KubeRay集群
  • 9.2.2 与KubeRay集群交互
  • 9.2.3 公开KubeRay
  • 9.2.4 配置KubeRay
  • 9.2.5 配置KubeRay日志
  • 9.3 使用Ray集群启动器
  • 9.3.1 配置Ray集群
  • 9.3.2 使用集群启动器CLI
  • 9.3.3 与Ray Cluster交互
  • 9.4 使用云集群
  • 9.4.1 AWS
  • 9.4.2 其他云服务
  • 9.5 自动扩展
  • 9.6 总结
  • 第10章 Ray AIR入门
  • 10.1 为什么使用AIR
  • 10.2 AIR核心概念
  • 10.2.1 Ray Dataset和预处理器
  • 10.2.2 训练器
  • 10.2.3 调优器和检查点
  • 10.2.4 批预测器
  • 10.2.5 部署
  • 10.3 适合AIR的任务
  • 10.3.1 AIR任务执行
  • 10.3.2 AIR内存管理
  • 10.3.3 AIR故障模型
  • 10.3.4 自动扩展AIR任务
  • 10.4 总结
  • 第11章 Ray生态及其他
  • 11.1 蓬勃的生态
  • 11.1.1 数据加载和处理
  • 11.1.2 模型训练
  • 11.1.3 模型服务
  • 11.1.4 创建自定义集成
  • 11.1.5 Ray集成概述
  • 11.2 Ray和其他系统
  • 11.2.1 分布式Python框架
  • 11.2.2 Ray AIR和更广泛的ML生态
  • 11.2.3 将AIR集成到ML平台
  • 11.3 继续学习
  • 11.4 总结
  • 作者简介
  • 封面简介
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。