ray-project/ray

.. image:: https://github.com/ray-project/ray/raw/master/doc/source/images/ray_header_logo.png .. image:: https://readthedocs.org/projects/ray/badge/?version=master :target: http://docs.ray.io/en/master/?badge=master .. image:: https://img.shields.io/badge/Ray-Join%20Slack-blue :target: https://www.ray.io/join-slack .. image:: https://img.shields.io/badge/Discuss-Ask%20Questions-blue :target: https://discuss.ray.io/ .. image:: https://img.shields.io/twitter/follow/raydistributed.svg?style=social&logo=twitter :target: https://x.com/raydistributed .. image:: https://img.shields.io/badge/Get_started_for_free-3C8AE9?logo=data%3Aimage%2Fpng%3Bbase64%2CiVBORw0KGgoAAAANSUhEUgAAABAAAAAQCAYAAAAf8%2F9hAAAAAXNSR0IArs4c6QAAAERlWElmTU0AKgAAAAgAAYdpAAQAAAABAAAAGgAAAAAAA6ABAAMAAAABAAEAAKACAAQAAAABAAAAEKADAAQAAAABAAAAEAAAAAA0VXHyAAABKElEQVQ4Ea2TvWoCQRRGnWCVWChIIlikC9hpJdikSbGgaONbpAoY8gKBdAGfwkfwKQypLQ1sEGyMYhN1Pd%2B6A8PqwBZeOHt%2FvsvMnd3ZXBRFPQjBZ9K6OY8ZxF%2B0IYw9PW3qz8aY6lk92bZ%2BVqSI3oC9T7%2FyCVnrF1ngj93us%2B540sf5BrCDfw9b6jJ5lx%2FyjtGKBBXc3cnqx0INN4ImbI%2Bl%2BPnI8zWfFEr4chLLrWHCp9OO9j19Kbc91HX0zzzBO8EbLK2Iv4ZvNO3is3h6jb%2BCwO0iL8AaWqB7ILPTxq3kDypqvBuYuwswqo6wgYJbT8XxBPZ8KS1TepkFdC79TAHHce%2F7LbVioi3wEfTpmeKtPRGEeoldSP%2FOeoEftpP4BRbgXrYZefsAI%2BP9JU7ImyEAAAAASUVORK5CYII%3D :target: https://www.anyscale.com/ray-on-anyscale?utm_source=github&utm_medium=ray_readme&utm_campaign=get_started_badge Ray 是一个用于扩展 AI 和 Python 应用程序的统一框架。Ray 包含一个核心分布式运行时和一套用于简化 ML 计算的 AI 库： .. image:: https://github.com/ray-project/ray/raw/master/doc/source/images/what-is-ray-padded.svg .. https://docs.google.com/drawings/d/1Pl8aCYOsZCo61cmp57c7Sja6HhIygGCvSZLi_AuBuqo/edit 了解更多关于 `Ray AI Libraries`_ 的信息： - `Data`_：用于 ML 的可扩展数据集 - `Train`_：分布式训练 - `Tune`_：可扩展的超参数调优 - `RLlib`_：可扩展的强化学习 - `Serve`_：可扩展且可编程的服务 或者了解更多关于 `Ray Core`_ 及其核心抽象的信息： - `Tasks`_：在集群中执行的无状态函数。 - `Actors`_：在集群中创建的有状态工作进程。 - `Objects`_：可在整个集群中访问的不可变值。 了解更多关于监控和调试的信息： - 使用 `Ray Dashboard `__ 监控 Ray 应用和集群。 - 使用 `Ray Distributed Debugger `__ 调试 Ray 应用。 Ray 可以在任何机器、集群、云服务商和 Kubernetes 上运行，并拥有一个不断发展的 `社区集成生态系统`_。 使用以下命令安装 Ray：``pip install ray``。如需每日构建的 wheels，请参阅 `安装页面 `__。 .. _`Serve`: https://docs.ray.io/en/latest/serve/index.html .. _`Data`: https://docs.ray.io/en/latest/data/data.html .. _`Workflow`: https://docs.ray.io/en/latest/workflows/ .. _`Train`: https://docs.ray.io/en/latest/train/train.html .. _`Tune`: https://docs.ray.io/en/latest/tune/index.html .. _`RLlib`: https://docs.ray.io/en/latest/rllib/index.html .. _`ecosystem of community integrations`: https://docs.ray.io/en/latest/ray-overview/ray-libraries.html ## 为什么选择 Ray？ 如今的 ML 工作负载日益密集计算。尽管像您的笔记本电脑这样的单节点开发环境非常方便，但它们无法扩展以满足这些需求。 Ray 提供了一种统一的方式，可将 Python 和 AI 应用程序从笔记本电脑扩展到集群。 借助 Ray，您可以无缝地将相同的代码从笔记本电脑扩展到集群。Ray 旨在实现通用性，这意味着它可以高效地运行任何类型的工作负载。如果您的应用程序是用 Python 编写的，您就可以使用 Ray 对其进行扩展，而无需其他任何基础设施。 ## 更多信息 - `文档`_ - `Ray 架构白皮书`_ - `Exoshuffle：Ray 中的大规模数据混洗`_ - `Ownership：用于细粒度任务的分布式 futures 系统`_ - `RLlib 论文`_ - `Tune 论文`_ *早期文档：* - `Ray 论文`_ - `Ray HotOS 论文`_ - `Ray 架构 v1 白皮书`_ .. _`Ray AI Libraries`: https://docs.ray.io/en/latest/ray-air/getting-started.html .. _`Ray Core`: https://docs.ray.io/en/latest/ray-core/walkthrough.html .. _`Tasks`: https://docs.ray.io/en/latest/ray-core/tasks.html .. _`Actors`: https://docs.ray.io/en/latest/ray-core/actors.html .. _`Objects`: https://docs.ray.io/en/latest/ray-core/objects.html .. _`Documentation`: http://docs.ray.io/en/latest/index.html .. _`Ray Architecture v1 whitepaper`: https://docs.google.com/document/d/1lAy0Owi-vPz2jEqBSaHNQcy2IBSDEHyXNOQZlGuj93c/preview .. _`Ray Architecture whitepaper`: https://docs.google.com/document/d/1tBw9A4j62ruI5omIJbMxly-la5w4q_TjyJgJL_jN2fI/preview .. _`Exoshuffle: large-scale data shuffle in Ray`: https://arxiv.org/abs/2203.05072 .. _`Ownership: a distributed futures system for fine-grained tasks`: https://www.usenix.org/system/files/nsdi21-wang.pdf .. _`Ray paper`: https://arxiv.org/abs/1712.05889 .. _`Ray HotOS paper`: https://arxiv.org/abs/1703.03924 .. _`RLlib paper`: https://arxiv.org/abs/1712.09381 .. _`Tune paper`: https://arxiv.org/abs/1807.05118 ## 参与其中 .. list-table:: :widths: 25 50 25 25 :header-rows: 1 * - 平台 - 用途 - 预计响应时间 - 支持级别 * - `Discourse 论坛`_ - 用于讨论开发和使用问题。 - < 1 天 - 社区 * - `GitHub Issues`_ - 用于报告 Bug 和提交功能请求。 - < 2 天 - Ray OSS 团队 * - `Slack`_ - 用于与其他 Ray 用户协作。 - < 2 天 - 社区 * - `StackOverflow`_ - 用于提问关于如何使用 Ray 的问题。 - 3-5 天 - 社区 * - `Meetup 群组`_ - 用于了解 Ray 项目和最佳实践。 - 每月 - Ray DevRel * - `Twitter`_ - 用于随时了解最新功能。 - 每天 - Ray DevRel .. _`Discourse Forum`: https://discuss.ray.io/ .. _`GitHub Issues`: https://github.com/ray-project/ray/issues .. _`StackOverflow`: https://stackoverflow.com/questions/tagged/ray .. _`Meetup Group`: https://www.meetup.com/Bay-Area-Ray-Meetup/ .. _`Twitter`: https://x.com/raydistributed .. _`Slack`: https://www.ray.io/join-slack?utm_source=github&utm_medium=ray_readme&utm_campaign=getting_involved

标签：Apex, Python, 人工智能, 分布式计算, 子域名突变, 异常处理, 强化学习, 无后门, 机器学习, 模型训练, 用户模式Hook绕过, 超参数调优, 逆向工具